原创 (1-1)神經網絡與深度學習 | 神經網絡基礎

目錄 什麼是神經網絡? 用神經網絡進行監督學習 應用舉例 結構化數據與非結構化數據 邏輯迴歸算法 logistic迴歸模型 logistic迴歸損失函數 梯度下降法 計算圖 logistic迴歸中的梯度下降法 向量化logistic迴歸

原创 Leetcode之貪心法

目錄 1.gas-station 2.jump-game 3.jump-game-ii 4.minimum-window-substring 5.maximum-subarray 6.maximal-rectangle 1.gas-sta

原创 (4-2)卷積神經網絡 | 深度卷積網絡-實例探究

目錄 經典網絡 LeNet-5 AlexNet VGG - 16 殘差網絡 殘差塊(Residual block) 殘差網絡(ResNets) 殘差網絡原理 Inception網絡 1x1卷積 Inception模塊主要思想 Incept

原创 數據挖掘與python實踐 |(一)引言

目錄 數據挖掘的產生、定義、流程 數據挖掘原因 數據挖掘定義 數據挖掘的流程 數據挖掘的方法 數據挖掘的應用 數據挖掘的產生、定義、流程 數據挖掘原因 數據爆炸問題 自動數據收集工具和成熟的數據庫技術使得大量的數據被收集,存儲在數據庫、數

原创 Leetcode之數組(二)

目錄 13.single-number 14.single-number-ii 15.remove-element 16.sort-colors 17.longest-consecutive-sequence 18.spiral-matr

原创 Leetcode之棧

目錄 1.evaluate-reverse-polish-notation 2.valid-parentheses 3.longest-valid-parentheses 4.trapping-rain-water 5.largest-r

原创 從根兒上理解MySQL | B+樹索引

目錄 一個簡單的索引方案 InnoDB中的索引方案 聚簇索引 二級索引 聯合索引 B+樹索引的使用 B+樹索引使用的條件 回表的代價 使用索引的注意事項 一個簡單的索引方案 在上節中我們知道,爲了快速定位一條記錄在頁中的位置而設立了頁目錄

原创 從根兒上理解MySQL | 事務的隔離級別與MVCC

目錄 事務簡介 事務的概念 MySQL中事務的語法 事務的隔離級別 事務併發執行遇到的問題 MySQL中支持的四種隔離級別 MVCC原理 版本鏈 ReadView MVCC小結 事務簡介 事務的概念 事務的四個特性 原子性:事務包含的所有

原创 (2-1)改善深層神經網絡 | 深度學習的實用層面

目錄 機器學習基礎 訓練_開發_測試集 偏差/方差 正則化 L2正則化 Dropout正則化 其它正則化方法 加快神經網絡訓練 歸一化輸入 神經網絡的權重初始化 梯度檢驗 梯度的數值逼近 梯度檢驗工作原理 實施梯度檢驗的技巧和注意事項 機

原创 從根兒上理解MySQL | InnoDB存儲結構

目錄 InnoDB記錄結構 變長字段長度列表 NULL值列表 記錄頭信息 InnoDB頁結構 Page Directory(頁目錄) File Header(文件頭部) Page Header(頁面頭部) File Trailer 總結

原创 Leetcode51-52 N皇后、N皇后II

Leetcode51:N皇后 題目:N皇后問題是把N個皇后放在一個N×N棋盤上,使皇后之間不會互相攻擊(任意兩個皇后都不能處於同一行、同一列或同一斜線上)。給出一個整數n,返回n皇后問題的所有擺放方案。         ​ 分析:對於N皇

原创 (4-1)卷積神經網絡 | 卷積神經網絡基礎

目錄 計算機視覺 卷積運算 Padding 卷積步長 三維卷積 單層卷積網絡 簡單卷積網絡實例 池化層 卷積神經網絡示例 使用卷積的原因 計算機視覺 計算機視覺(Computer Vision)涉及許多不同類別的問題,如圖片分類、目標檢測

原创 (3-2)結構化機器學習項目 | 機器學習策略(2)

目錄 誤差分析 清除錯誤標記的樣本 快速搭建第一個系統 在不同分佈的數據上進行訓練和測試 數據分佈不匹配時的偏差與方差的分析 處理數據分配不匹配問題 遷移學習 多任務學習 端到端的深度學習 誤差分析 如果我們希望讓學習算法能夠勝任人類能做

原创 Leetcode之查找(二)

目錄 9.set-matrix-zeroes 10.generate-parentheses 11.letter-combinations-of-a-phone-number 12.valid-sudoku 13.sudoku-solve

原创 (3-1)結構化機器學習項目 | 機器學習策略(1)

目錄 正交化 評估指標 訓練_開發_測試集 改變開發、測試集和評估指標 機器學習與人的表現 改善模型的表現 正交化 在機器學習模型建立的整個流程中,我們需要根據不同部分反映的問題做出相應的解決措施。正交化是一種系統設計屬性,其確保修改系統