ACM學習筆記：演算法講解優質文章記錄分享
寫這篇部落格的目的是，想把這些好文章的網址儲存起來做個分類彙總方便自己複習用，也給其他人做個推薦...
慢慢更新整理ing
最短路：
個人感受：這篇部落格把Floyd演算法原理寫的通俗易懂，沒有涉及到太多專業名詞。作者畫的圖也很好。
並查集：
個人感受：把並查集講的非常清楚，淺顯易懂。拿金庸小說中的人物來講演算法很生動，感覺作者肯定非常痴迷金庸小說
相關推薦
ACM學習筆記：演算法講解優質文章記錄分享
寫這篇部落格的目的是，想把這些好文章的網址儲存起來做個分類彙總方便自己複習用，也給其他人做個推薦... 慢慢更新整理ing 最短路： 個人感受：這篇部落格把Floyd演算法原理寫的通俗易懂，沒有涉及到太多專業名詞。作者畫的圖也很好。 並查集： 個
Qt學習筆記：2018年8月記錄
1. Qt 設定背景圖片注意事項： 使用stylesheet設定背景圖片還是有一些要注意的，如果是在mainwindow和dialog中， 直接右鍵change style sheet在add resource中選擇background-image或者border-image，
區塊鏈學習筆記：共識演算法
本文主題：共識、演算法、共識演算法名詞解析，以及簡單理解PRS協議所採用的共識演算法 1、 什麼是共識？共識是共同的認識。 什麼是演算法？演算法是利用計算機處理問題的解決步驟。 演算法的基礎——結構化程式設計的思想 用計算機編寫程式時，為了提高應用程式的效率
【學習筆記】演算法導論第2章：演算法基礎
//====================================== //Ch2_1_Basic_Sort_Algorthm //====================================== #include<iostream> #
PBRT學習筆記：光線跟蹤中的景深演算法
景深是人眼視覺系統中的一種自然現象。同樣，相機裡面也有景深的效果，這是由於相機的成像光圈的半徑是有一定大小的，從而導致了成相平面中的某些點可以‘看到’鏡頭外面的一部分場景，而這些場景的共同作用，導致了一種模糊現象。 景深的效果在計算機圖形學中被應用廣泛，電影，遊戲裡面經常會利
《機器學習實戰》學習筆記：樸素貝葉斯分類演算法
貝葉斯決策理論 選擇高概率對應的類別是貝葉斯決策理論的核心思想，即選擇具有最高概率的決策。 樸素貝葉斯 樸素貝葉斯法是基於貝葉斯定理與特徵條件獨立假設的分類方法 。最為廣泛的兩種分類模型是決策樹模型(Decision Tree Model)和樸素貝葉斯模型（Nai
學習筆記：使用k-近鄰演算法改進約會網站的配對效果
# name="code" class="python"># -*- coding: UTF-8 -*- from numpy import * import operator import matplotlib.pyplot as plt def file2mat
《機器學習實戰》學習筆記：k-近鄰演算法的兩個應用場景
之前學習了k-近鄰演算法的實現後，參考《機器學習實戰》中的例子進行了k-近鄰演算法的測驗，主要測試了針對約會網站和手寫識別系統的資料分類，這兩個測試使用的是《機器學習實戰》提供的資料集。 在編寫函式前，需在.py檔案中新增以下內容： from numpy
機器學習筆記：ID3演算法建立決策樹(一)
ID3演算法的核心思想 以資訊熵的下降速度作為選取測試屬性的標準，所選的測試屬性是從根節點到當前節點的路徑上尚未被考慮的具有最高資訊增益的屬性。 維基百科上對ID3演算法有比較詳細的介紹：ID3維基
【學習筆記】演算法競賽：chapter 2 迴圈結構程式設計
對於大部分人來說這部分都不陌生，我也就不再贅述，只寫出一些本書中提到的編寫迴圈結構程式時的需要注意的地方。 1、for迴圈的格式為：for( 初始化；條件；調整 ) 迴圈體； 2、儘管for迴圈反覆執行相同的語句，但這些語句每次的執行效果往往不同。 3、編寫程式時，要
機器學習筆記：ID3演算法建立決策樹(二)
在《機器學習筆記：ID3演算法建立決策樹(一)》中記錄了ID3演算法的計算公式和步驟，現在用例子記錄一下ID3構建決策樹的過程。 對以下資料進行分類： - 是否能飛？ 是否有羽毛？ 是小鳥？ 1 是 是 是
Python機器學習筆記：樸素貝葉斯演算法
樸素貝葉斯是經典的機器學習演算法之一，也是為數不多的基於概率論的分類演算法。對於大多數的分類演算法，在所有的機器學習分類演算法中，樸素貝葉斯和其他絕大多數的分類演算法都不同。比如決策樹，KNN，邏輯迴歸，支援向量機等，他們都是判別方法，也就是直接學習出特徵輸出Y和特徵X之間的關係，要麼是決策函式，要麼是條
Python機器學習筆記：線性判別分析（LDA）演算法
預備知識 首先學習兩個概念： 線性分類：指存在一個線性方程可以把待分類資料分開，或者說用一個超平面能將正負樣本區分開，表示式為y=wx，這裡先說一下超平面，對於二維的情況，可以理解為一條直線，如一次函式。它的分類演算法是基於一個線性的預測函式，決策的邊界是平的，比如直線和平面。一般的方法有感知器，最小
python機器學習筆記：EM演算法
EM演算法也稱期望最大化（Expectation-Maximum，簡稱EM）演算法，它是一個基礎演算法，是很多機器學習領域的基礎，比如隱式馬爾科夫演算法（HMM），LDA主題模型的變分推斷演算法等等。本文對於EM演算法，我們主要從以下三個方向學習： 1，最大似然 2，EM演算法思想及其推導 3，GMM（
演算法學習筆記：連通圖詳解
## 什麼是連通圖 ？ 在圖論中，連通圖基於連通的概念。在一個無向圖 G 中，若從頂點 $i$ 到頂點 $j$ 有路徑相連（當然從 $j$ 到 $i$ 也一定有路徑），則稱 $i$ 和 $j$ 是連通的。如果 G 是有向圖，那麼連線 $i$ 和j的路徑中所有的邊都必須同向。如果圖中任意兩點都是連通的，那麼
演算法學習筆記：2-SAT
> SAT 是適定性（Satisfiability）問題的簡稱。一般形式為 k - 適定性問題，簡稱 k-SAT。而當 $k>2$ 時該問題為 NP 完全的。所以我們只研究 $k=2$ 的情況。 ## 定義 2-SAT，簡單的說就是給出 $n$ 個集合，每個集合有兩個元素，已知若干個 $$ ，表示 $a$
演算法學習筆記：母函式詳解
## 引言 **母函式**（Generating function，**生成函式**）是**組合數學**中一種重要的方法，這裡只對最簡單的普通母函式作簡單介紹。其主要思想是，把離散序列和**冪級數**對應起來。 先來看一個最經典的例子：給你1克、2克、3克、4克的砝碼各一枚，問稱出1~10克的方案分別有多
演算法學習筆記：Kosaraju演算法
`Kosaraju`演算法一看這個名字很奇怪就可以猜到它也是一個根據人名起的演算法，它的發明人是`S. Rao Kosaraju`，這是一個在圖論當中非常著名的演算法，可以用來拆分**有向圖當中的強連通分量**。 ## 背景知識 這裡有兩個關鍵詞，一個是有向圖，另外一個是強連通分量。有向圖是它的使用
Python機器學習筆記：異常點檢測演算法——LOF（Local Outiler Factor）
完整程式碼及其資料，請移步小編的GitHub 傳送門：請點選我 如果點選有誤：https://github.com/LeBron-Jian/MachineLearningNote 在資料探勘方面，經常需要在做特徵工程和模型訓練之前對資料進行清洗，剔除無效資料和異常資料。異常檢測也是資料探勘的一個方
Python機器學習筆記：奇異值分解（SVD）演算法
完整程式碼及其資料，請移步小編的GitHub 傳送門：請點選我 如果點選有誤：https://github.com/LeBron-Jian/MachineLearningNote 奇異值分解（Singular Value Decomposition，後面簡稱 SVD）是線上性代數中一種