原创 C/C++筆記(C語言重要問題重講,數據篇)

筆記原在個人印象筆記,現在整理搬運。 一、基本數據類型 1.數組的坑 int a[] = { 1, 2, 3, 4 }; printf( "a is %d,&a is %d,a+1 is %d,&a+1 is %d\n" , a

原创 C/C++筆記(C語言重要問題再論,字符串篇)

一、字符串的性質 1. C語言字符串是以零爲結尾的字符串 2. C語言沒有字符串這種類型。都是通過數組模擬字符串。 3. 字符串可以在堆上,棧上,全局區。 二、字符串賦值用法 1.指定長度char buf[100] ={'a','b','

原创 C/C++筆記(C語言重要問題重講,內存四區篇)

引.數據存哪裏? <span style="font-size:14px;">#include <stdio.h> int main() { int a = 10;//a存哪裏? 10存哪裏? return 0; }</span> 解

原创 機器學習讀書筆記(集成學習Boosting方法)

你說這個A分類方法好,我說那個B分類方法好。乾脆我們整合起來一起使用吧!!!(不是所有整合一定好,後面會介紹) 有些人啊,就喜歡辯論。總堅持自己的分類器特別好,但事實上。你所謂的“好”僅僅是在你所接觸的數據集上。在持續辯論達到白熱

原创 機器學習讀書筆記(高斯混合模型GMM與EM)(改)

高斯混合模型(Gaussian mixture model,GMM)是單一高斯概率密度函數的延伸。GMM能夠平滑地近似任意形狀的密度分佈。 欲瞭解高斯混合模型,那就先從基礎的單一高斯概率密度函數講起。(數學公式字體太難看了!!!!

原创 網絡安全初級(友情掃描一個網站)

首選聲明這裏僅僅爲學習。 首先,利用目錄掃描工具進行網站掃描。掃描工具的原理是,利用大家習慣的命名方式的進行請求。 下面就是一個常見的列表 /../admin /../admin.asp /../admin/de

原创 C/C++筆記(C語言重要問題,指針與數組篇)

配合內存四區看, http://blog.csdn.net/dajiabudongdao/article/details/51945041 一、指針的本質 指針的本質就是4字節。 研究指針的步驟:1. 別看星,看變量:如int ***

原创 作爲一個長者,我想說“CS的坑,我什麼都趟過。”開個自己吐槽大會(大學篇)

  真正入行要從2009年前後說起。那時候我還在大學。當時的主流手機基本上都是Java機,流量每月30M足夠聊QQ,載入網頁極慢,不敢看視頻,下音樂,有時爲了減少流量,要關閉圖片模式,UC在當時就是內置的神器,也奠定了後來的掌上瀏覽器天下

原创 【深度學習】卷積神經網絡的實現與理解

本系列由斯坦福大學CS231n課後作業提供 CS231N - Assignment2 - Q4 - ConvNet on CIFAR-10 問題描述:使用IPython Notebook(現版本爲jupyter notebook,如果

原创 機器學習第一課:微積分原理的多元擴展

中學開始,我們學過一元自變量的求導。但實際應用上往往需要多自變量求導。多元參數的思考方式也是化“未知爲已知”的思想,我們可以將所有多元參數向量化。例如將多元的參數x1,x2,... 變成一個向量變元x=(x1,x2,...) 。這樣從形式

原创 C++11讀書筆記—5(右值系統)

一、C++11的三種值 左值與右值最快分辨是看能否爲表達式取地址。能,左值;不能,右值。(其實左值放等號右邊也沒什麼大不了的。) 如 int i = b+c; i能取&i嗎?能,左值。。。b+c能寫&(b+c)嗎?不能,右值。(書上說左值

原创 機器學習第四課:SVM前置知識點(凸優化問題)

內容主要來源於 大數據文摘 1 高數教材中拉格朗日乘子法的泛化 1.1 高數教材中的拉格朗日乘子法 我們大學時講了這個計算條件極值的方法,運用拉格朗日乘數法(乘子法) {minf(x)s.t.hi(x)=0i=1,2...,n 第一行

原创 C++11讀書筆記—8(多線程使用簡介)

C/C++程序員最苦惱的是自己跨平臺能力不是一半弱。如果想跨平臺,有一大波函數庫等着你來深入研究。你再反觀java。。。。 一、原子操作 所謂原子操作,就是多線程中“最小的且不可並行化的操作”。通常原子操作都是互斥訪問保證的。但是互斥一般

原创 2016.9.8面試水筆

今天面試,比較失敗。面試官問了兩個問題,請寫出 嶺迴歸目標函數; 邏輯斯底目標函數 說實話我是真不知道這兩個名詞。後來我上網找了下。發現前者居然是我常用的最小二乘法正則化方法。 後者在今天也明白了。 我發現一個問題,知識的拓展在於

原创 機器學習第二課:無約束優化問題(局部極小值的幾種解法)(梯度下降法與擬牛頓法)

上一篇講了一些微積分的概括。(http://blog.csdn.net/dajiabudongdao/article/details/52397343) 並引出了梯度下降法與擬牛頓法。當計算機求函數的局部極小值時,我們選用這兩種方法(或