机器学习入门-腾讯云开发者社区

开发者社区

文档建议反馈控制台

腾讯云架构师技术同盟

文章/答案/技术大牛

发布

机器学习入门

专栏成员

345

文章

209545

阅读量

53

订阅数

LeetCode Weekly Contest 29解题思路

node.js 编程算法

代码很简单，简单说明下思路就出来了。按照题意，不管怎么二分，整个数组都会被划分成两部分和，这两部分和必然一大一小。如nums = [1,4,3,2]，划分如下[1,2],[3,4]，它们的和分别为3和7。现在我们考虑【小和】的情况，因为题目说了min(ai, bi)，所以划分时，我们总是取较小的元素为一个集合，那么带来的结果必然是sum(xi), i = 1 to n, xi = min(ai,bi)较小，现在要让这部分的和最小，那么自然在划分两部分时，让两边的和尽可能相等。这就说明了一点，每当选取两个元素时，应该让它们尽可能的【靠近】，这样小和能尽量接近大和。

2019-05-26

3820

LeetCode Weekly Contest 28解题思路

编程算法 r 语言

好吧，不要被这道题的例子给骗了。要求输出的最大，意思就是求除第一个元素之外的其他division最小，而不断连除就是第二部分的最小值，所以有如下代码：

2019-05-26

5380

算法细节系列（7）：354. Russian Doll Envelopes

在做这道题之前，我们先来看一道它的简化版本300. Longest Increasing Subsequence，官网给出了两种解法，时间复杂度分别为O(n2)O(n^2)和O(nlogn)O(n \log n).

2019-05-26

6180

算法原理系列：红黑树

编程算法 node.js

看了网上关于红黑树的大量教程，发现一个共性，给出定义，适用情况，然后大量篇幅开始讨论它如何旋转，这就一发不可收拾了，各种情况的讨论，插入删除，插入删除，看的云里雾里，好不容易搞清楚，过段时间就给忘了。本文还是着重描述红黑树的诞生过程，尽量理清它背后的设计哲学。

2019-05-26

5660

LeetCode Weekly Contest 25 之 545.Boundary of Binary Tree

node.js 编程算法

这道题考的是树的各种遍历，还是比较难的，早上刚复习了树的三种迭代遍历，否则让我用递归的方法还真的搞不定。题目的大致意思是说，先遍历根的【左边界】，并且输出，然后再遍历每个叶子节点，并输出，最后遍历根的【右边界】最后输出，方向就好像是个anti-clockwise。典型的给你思路，考你对树遍历的理解程度。

2019-05-26

5180

LeetCode Weekly Contest 25 之 537.Complex Number Multiplication

javascript 编程算法

依旧没有难度，这道题考的是对字符串的处理，但我又把它想复杂了，浪费了大量时间在解析上，就针对我的解题思路，来慢慢优化。

2019-05-26

2650

LeetCode Weekly Contest 24 之 543. Diameter of Binary Tree

编程算法 node.js

第一反映是递归，假设root的左子树以及右子树的diameterOfBinaryTree已经求解出来，那么我们只需要判断一种情况即可，即diameterOfBinaryTree的path并没有经过根节点的情况。

2019-05-26

3550

sklearn 源码分析系列：neighbors(2)

linux github python git 开源

by DemonSonggithub源码链接(https://github.com/demonSong/DML)

2019-05-26

1.1K0

sklearn 源码分析系列：neighbors(1)

github git 开源 python 编程算法

by DemonSonggithub源码链接(https://github.com/demonSong/DML)

2019-05-26

1K0

LeetCode Weekly Contest 23 之 539. Minimum Time Difference

这是一道中等难度的题，但我觉得破解它并不难，而且实际的AC率也高达50%，当时在思考时，觉得难点主要在于对0点这个点该怎么区分，而恰恰Example中给出了这样的例子，否则还真的不会注意到要区分0点。

2019-05-26

3100

LeetCode Weekly Contest 23 之 541. Reverse String II

业余时间做做算法题还是挺有意思的，这些题目都是每周的限时竞赛题目，新鲜出炉，所以还有很多可以改进的地方。但对我来说，该系列的总结给我带来的是：

2019-05-26

3610

条件随机场学习笔记

编程算法机器学习神经网络深度学习人工智能

这是在《统计学习方法》中学习到的最后一个方法了，不像其他统计方法，学完精气神超足，都能让我继续振奋好几日。然学完该方法，我陷入了沉思与迷茫。首先，对条件随机场的【提出】和【应用场景】一片混沌，其次，说说它的思想吧，无非加入了【空间属性】，相比最大熵模型，多加入了【边特征函数】，而随机变量【X，Y】的联合概率分布的表达式并没有发生本质变化，所以说，它还是一个我认为的【概率模型】。既然是【概率模型】，那么它依旧可以用【对数似然函数】进行迭代求解，事实也是这样做的。但我所不解的是为何概率表达式清一色的表示为exp和规范化因子呢？难道仅仅因为exp在求导和概率计算中有很好的性质么？

2019-05-26

6790

提升方法学习笔记

编程算法学习方法机器学习神经网络

提升方法是我在学习机器学习算法后最摸不着头脑的一个算法。看似它的思想很简单【三个臭皮匠，顶个诸葛亮】，但至于公式为什么是这样，权值为什么这么更新，实在令我不解。无奈翻阅了下adaboost的一篇论文，找到了一些线索，然数学水平不够，当论及PAC计算机学习理论时，无从下手。其中涉及到的内容相当多，如拓扑空间，测度理论等等，但秉承学习总结的一贯作风，我还是简单总结下，仅仅作为《统计学习方法》的学习笔记。

2019-05-26

5100

初识beta分布

机器学习神经网络深度学习人工智能

最近几日一直在研究统计学的各种分布，看的云里雾里。这次主要总结几个问题，第一，Beta分布的前生今世，它是用来干嘛？第二，Beta分布和二项式分布有什么关系。这期间参考的资料有很多：

2019-05-26

2.7K0

初看泊松分布

看了大多数博客关于泊松分布的理解，都是简单的对公式做一些总结，本篇文章重点关注泊松分布如何被提出，以及理解背后对现实的假设是什么。可以参考参考的资料有 1. 百度百科–泊松分布（推导过程值得研究） 2. wiki pedia –poisson distrubtion（讲的够详细） 3. 一篇大神博文–泊松分布和指数分布：10分钟教程（至少阐述明白了泊松分布用来干嘛）

2019-05-26

1.4K0

算法细节系列（3）：梯度下降法，牛顿法，拟牛顿法

python alpha partial

话不多说，直接进入主题。在我看来，不管是梯度下降法还是牛顿法，它们都可以归结为一个式子，即

2019-05-26

2.1K0

逻辑斯谛回归及其物理含义

编程算法机器学习神经网络深度学习人工智能

先来看看书上逻辑斯谛回归模型的公式吧，再了解公式的情况下，我们再来谈谈它实际的物理含义。吼吼，它貌似蛮有内涵的，也是从生物学上挖过来的一条曲线吧。

2019-05-26

9440

算法细节系列（2）：231.Power of Two && Three

在刷leetCode时，遇到了一系列关于power of Number的问题，刚开始不以为然，以为用简单的递归就能求解，可直到看到power of three官方解时，才发现自己的渺小。它的思维深度和广度着实不是我等小菜能够比拟的，但我还是在其基础上强行解释了一些算法的核心思想。

2019-05-26

6610

从DBSCAN算法谈谈聚类算法

数据分析编程算法聚类算法 linux

最近看了一篇关于电子商务防欺诈的相关论文，其中在构建信用卡的个人行为证书中用到了DBSCAN算法。具体内容请参看论文： Credit card fraud detection: A fusion approach using Dempster–Shafer theory and Bayesian learning。我就想深入了解下这个聚类方法是怎么工作的。在思考这个具体DBSCAN算法的形成过程中，我还参看了： 1. wikipedia DBSCAN的相关介绍 2. 博文简单易学的机器学习算法——基于密度的聚类算法DBSCAN 3. 论文-A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise 等相关文献。此篇博文尝试讲清楚”物以类聚，人以群分”这个概念，DBSCAN算法中两个参数的实际物理含义，以及它背后所做的基本假设，由于这方面资料不多，因此都属于个人的猜想，不代表发明DBSCAN算法作者本身的想法，且这也是我正式学习聚类算法中的第一个算法，由于知识的局限性，如有不当，请指正。

2019-05-26

1.3K0

Python数据可视化之高斯分布

N(\mu,\delta^2) = \frac {1}{\delta\sqrt{2\pi}} e^{-\frac{(x-\mu)^2}{2\delta^2}}

2019-05-26

2.5K0

点击加载更多

社区活动

Python精品学习库

代码在线跑，知识轻松学

博客搬家 | 分享价值百万资源包

自行/邀约他人一键搬运博客，速成社区影响力并领取好礼

技术创作特训营·精选知识专栏

往期视频·干货材料·成员作品最新动态