硬币收集问题（动态规划） 问题： （硬币收集问题）在n*m格木板中放置一些硬币，每一个格子上最多放置一个硬币。在木板的左上方，一个机器人需要收集尽可能多的硬币，并把他们带到右下角的单元格。每一步，机器人可以从当前位置向右或向下移动一格，当遇到一个有硬币的单元格时，就会将该硬币收集起来。设计一个算法，找出机器人能够收集到最大硬币数，并给出路径。 因为这里机器人只能向下和右边 走所以matrix[n,j]的位置确定依赖于 上面和左边 代码为： 123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960''' 收集硬币问题： （硬币收集问题）在n*m格木板中放置一些硬币，每一个格子上最多放置一个硬币。 在木板的左上方，一个机器人需要收集尽可能多的硬币，并把他们带到右下角的单元格。 每一步，机器人可以从当前位置向右或向下移动一格， 当遇到一个有硬币的单元格时，就会将该硬 ...

理解： 线性回归，首相非为两类， 一类是线性模型， 一类是回归问题， 综合起来就是使用线性模型解决回归问题 线性模型和回归问题并不是一开始就被绑在一起的，模型与问题之间是多对多的关系，例如有逻辑模型，分类问题， 只是因为在使用线性模型解决回归问题的时候，发现比较好用，所以才有了“线性回归”这个名词 回归问题 用于预测未来的回归问题： 在回归的世界里，万物的发展轨迹都不是一条单调向上走或向下走的直线，而是循着均值来回波动，一时会坠入低谷，但也会迎来春暖花开，而一时春风得意，也早晚会遇到坎坷挫折，峰回路转，否极泰来，从这个角度看，回归与其说是一个统计学问题，不如说更像是一个哲学问题。 简单来说就是各个数据点都沿着一条主轴来回波动的问题都算是回归问题 记录历史值和预测未来值是回归问题的两个代表特征 回归问题和分类问题的区别 回归问题和分类问题最大的区别是在于预测结果： 根据预测值类型的不同，预测结果可以分为两种，一种是连续的一种是离散的，连续的就是预测问题 下面是连续型数据 下面是离散型数据，离散型数据最大的特征就是缺乏中间过渡值，出现阶级跳跃，譬如“是”和“否”，通常使用boo ...

数据结构排序算法 python实现： 该文章实现了冒泡，快速，选择，插入排序，二分插入排序，希尔排序，堆排序，归并排序，基数排序 冒泡排序 12345678910111213# 冒泡排序def bobble_sort(data): for i in range(len(data) - 1): data_mark = 0 mark = 0 for m in range(1, len(data)-i): if data[data_mark] > data[m]: data[data_mark], data[m] = data[m], data[data_mark] mark = 1 data_mark = m if mark == 0: break return data 快速排序 123456789101112131415161718192021# 快速排序def find_mid( ...

以下是我自己的一些认知，如果有理解不到位的地方还请指正！！谢谢 支持向量机 我们下面主要是围绕这几个问题来展开叙述 我们在使用分类问题的时候，什么样的决策边界才是最好的 如果特征数据本身很难区分，怎么办才好 计算复杂度怎么样？能够实际应用吗 好，下面我们来进行第一个问题的解释： 最优决策边界： 就像上面这张图片，如果我们想要将其分开，我么有以上两种分开的方法，都可以比较好的分开图片，但是支持向量机寻找的就是最优的决策边界，如图所示，比较好的分割这一份数据的边界时LargeMargin 这条线， 由此我们选择决策边界的时候 我们的宗旨是：选择离我们最近的点的最大距离。 数据点到决策边界的距离 我们既然想要求出离我们最近的点的最大距离，第一步我们当然是要求出离我们最近的点， 如图所示，我们想要求出点X到我们决策边界面的最短距离，目的就是求出X到决策面的距离 我们假设这个决策面的方程为 Ax + By + Cz = D，其中(A, B, C)为法向量 m1为平面外一点，m0为平面内一点，则：d = |M0M1|cosα, cosa = (M0M1 * n)/ (|M0M1| ...

聚类算法 聚类的概念： 聚类是一个无监督问题，我们在分类的时候没有哪一类的标签了 聚类：相似的东西分到了一组 难点：如何评估，如何调参 K-MEANS算法 基本概念 要得到簇的个数，需要指定K值，例如上图所示，它的K值就是3 质心：均值，即向量各维度取平均即可，就是各个簇最中心的点 距离的度量：这里有两种方法： 欧氏距离：sqrt[(x1-x2)^2 + (y1-y2)^2 ……] 余弦相似度：以原点为起始点，需要比较的两个点为终止点，做向量，求这两个向量的余弦，余弦约小这两个点越相似 我们一般使用欧氏距离来计算两点的距离 我们在计算的时候应该先吧数据标准化，为了防止不同维度上数据差距，导致的误差，标准化之后，可以让他们变化范围尽可能的缩小，不影响我们计算 要优化的目标： 其中最外层的是从1 到 K 相加， 最里层是每一个类中每一个点到质心的距离 我们想要的是 在每一个类中属于该类的点到该类的质心的距离和最小 工作流程 这是我们的初始数据分布图。现在假设我们把它分为两类 K = 2 当我们确定分完的类数之后，会随机生成 ...

大整数乘法 大整数乘法采用分治法来解决这个问题：先把大整数分为两部分 A和B 例如123456789 = 12345 * 10410^4104 + 6789; 其中x和y不一定都是n为。这样X和Y的乘积： XY = (A * 100.5n10^{0.5n}100.5n + B)(C * 100.5m10^{0.5m}100.5m + D) = A * C * 100.5n+0.5m10^{0.5n + 0.5m}100.5n+0.5m + (AD * 100.5n10^{0.5n}100.5n + CB * 100.5m10^{0.5m}100.5m ) + BD 如果按照上面这个方式计算的话一共需要进行4次乘法最后的时间复杂度还是 2n2^n2n 因此我们还需要进行化简： 我们可以把(AD * 100.5n10^{0.5n}100.5n + CB * 100.5m10^{0.5m}100.5m ) 进行化简: 为了减少递归的次数我们可以将上面式子中的公共部分提取出来方便计算 步骤： 我们先判断一下0.5n 是否大于 0 ...

Excel处理模块 打开文件： 创建： 12345678from openpyxl import Workbook# 实例化wb = Workbook()# 获取当前active的sheetsheet = wb.activeprint(sheet.title)sheet.title = "Salary luffy" 打开已有文件： 12from openpyxl import load_workbookwb2 = load_workbook("文件名.xlsx") 写数据 123456789#方式一：数据可以直接分配到单元格中（可以输入公式）sheet["C5"] = "hello"sheet["C7"] = "hi"# 方式二：可以附加行，从第一列开始附加（从最下方空白处）sheet.append([1,2,3])#方式三：Python类型会被自动转换sheet["A3"] = datetime.datetime.now().s ...

函数 描述 jieba.cut(s) 精确模式，返回一个可迭代的数据类型 jieba.cut(s, cut_all = Ture) 全模式，输出文本s中所有可能的单词 jieba.cut_for_search(s) 搜索引擎模式，适合搜索引擎建立索引的分词结果 jieba.lcut(s) 精确模型，返回一个列表模型，建议使用 jieba.lcut(s, cut_all=Ture) 全模型，返回一个列表模型，建议使用 jieba.lcut_for_search(s) 搜索引擎模型，返回一个列表类型，建议使用 jieba.add_word(w) 向分词词典中添加新词w 分词返回值类型： cut 和 cut_for_search 返回值类型都是一个迭代器(可迭代对象， 使用for可以依次遍历出来) lcut 和 lcut_for_search 返回值类型都是一个列表 参数问题： jieba.cut 和 jieba.lcut接受 3 个参数： 需要分词的字符串（unicode 或 UTF-8 字符串、GBK 字符串） cut_all ...

Gitee仓库创建方法 申请账号的方法我就不说了，应该都会吧！！， 如果你想要 创建PicGo的图片仓库的话，需要创建公开的仓库 我们先点上面这个加号 找到新建仓库 进入我们上面这个界面 按上面的提示一个个填写即可 这里只能是创建私有的，如果想要转变成共有的话需要创建完成之后修改 之后我们选择我们需要的语言和许可证，选择自己喜欢的即可 之后直接创建即可 这里 点管理 最下面有一个公开，我们点击即可。