原创 機器學習之主成分分析(PCA&特徵選擇)
一、描述出其本身的含義： 1、特徵選擇 特徵選擇對於數據科學家、機器學習從業者來說非常重要。好的特徵選擇能夠提升模型的性能，更能幫助我們理解數據的特點、底層結構，這對進一步改善模型、算法都有着重要作用。 特徵選擇主要有兩個功能： (1
2020-05-01 13:59:00
3
原创 機器學習之邏輯迴歸實踐
1.邏輯迴歸是怎麼防止過擬合的？爲什麼正則化可以防止過擬合？ （1）增加樣本量，這是萬能的方法，適用任何模型； 如果數據稀疏，使用L1正則，其他情況，用L2要好，可自己嘗試； 通過特徵選擇，剔除一些不重要的特徵，從而降低模型複雜度；
2020-04-28 13:55:34
原创 機器學習之線性迴歸算法
1.本節重點知識點用自己的話總結出來，可以配上圖片，以及說明該知識點的重要性 （1）、迴歸算法總結： 迴歸是統計學中最有力的工具之一。機器習監督學習算法分爲分類算法和迴歸算法兩種，其實就是根據類別標籤分佈類型爲離散型、連續性而定義的。
2020-04-23 14:02:25
原创 利用xposed hook Auto.js程序、解密其js腳本
一、原理 原理很簡單就是hook auto.js的com.stardust.autojs.script.StringScriptSource類，當然前題你要逆向的auto.js程序dex沒有加固，當然可以先解固後再hook，不過好像加固
2020-04-16 13:55:40
原创 機器學習之K均值算法
1. 機器學習的步驟 數據，模型選擇，訓練，測試，預測 2. 安裝機器學習庫sklearn pip list 查看版本 python -m pip install --upgrade pip pip install -U sci
2020-04-15 13:54:07
原创 機器學習之相關數學基礎
1.機器學習數學部分常用相關概念: （1）.高等數學 1）函數 2）極限 3）導數 4）極值和最值 5）泰勒級數 6）梯度 7）梯度下降 （2）.線性代數 1）基本概念 2）行列式 3）矩陣 4）最小二乘法 5）向量的線性相關性 （3）.概
2020-04-15 13:54:07
原创 學習機器學習之瞭解機器學習與PyCharm環境搭建
1.python基礎的準備 本課程擬採用Python做爲機器算法應用的實現語言，所以請確保: 1）安裝好Python開發環境， PyCharm 或 Anaconda等都可以，按個人習慣喜好。 2）基本庫的安裝，如numpy、pandas、s
2020-04-02 13:13:40
原创 編譯原理之語法制導的語義翻譯
1.語法文法G[E]如下所示： E→E+T | E-T | T T→T* F | T/F | F F→P^ F | P P→(E) | i 要求構造出符合語義分析要求的屬性文法描述（主要寫生成四元式的部分）。 E→
2019-12-20 13:09:13
原创 編譯原理之自下而上語法分析
1.已知文法： E→E+T | T T→T*F | F F→(E) | i 以句柄作爲可歸約串，寫出符號串‘i+i*i#’的"移進-歸約"分析過程。 2.已經知文法G[S]： S -> a | ^ | (T) T -> T,
2019-12-06 13:10:07
原创 編譯原理之遞歸下降語法分析程序（實驗）
一、實驗目的 利用C語言編制遞歸下降分析程序,並對簡單語言進行語法分析。 編制一個遞歸下降分析程序,實現對詞法分析程序所提供的單詞序列的語法檢查和結構分析。 二、實驗原理 每個非終結符都對應一個子程序。 該子程序根據下一個輸入符號(SE
2019-11-30 13:09:12
原创 編譯原理之LL(1)文法的判斷，遞歸下降分析程序
1. 文法 G（S）: （1）S -> AB （2）A ->Da|ε （3）B -> cC （4）C -> aADC |ε （5）D -> b|ε 驗證文法 G（S）是不是 LL（1）文法？ 解：因爲 First(Da)={b, a}
2019-11-20 13:10:50
原创 編譯原理之消除左遞歸
1.將以下文法消除左遞歸，分析符號串 i*i+i 。 並分別求FIRST集、FOLLOW集，和SELECT集 E -> E+T | T T -> T*F | F F -> (E) | i 消除左遞歸： E -> TE' E
2019-11-15 13:10:40
原创 編譯原理之DFA最小化，語法分析初步
1.將DFA最小化： 狀態轉換圖： 識別語言：b*ac*(da)*bb* 2.構造以下文法相應的最小的DFA S→ 0A|1B A→ 1S|1 B→0S|0 (1)正規式： S -> 0(1S+1)
2019-11-09 13:09:58
1
原创 編譯原理之非確定的自動機NFA確定化爲DFA
1.設有 NFA M=( {0,1,2,3}, {a,b},f,0,{3} )，其中 f(0,a)={0,1} f(0,b)={0} f(1,b)={2} f(2,b)={3} 畫出狀態轉換矩陣,狀態轉換圖，並說明該NFA識別的
2019-11-01 13:09:56