logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

算法刷题系列(四)蓝桥杯python算法训练4

- 最短路资源限制时间限制:1.0s内存限制:256.0MB问题描述有一棵 n 个节点的树,树上每个节点都有一个正整数权值。如果一个点被选择了,那么在树上和它相邻的点都不能被选择。求选出的点的权值和最大是多少?输入格式第一行包含一个整数 n 。接下来的一行包含 n 个正整数,第 i 个正整数代表点 i 的权值。接下来一共 n-1 行,每行描述树上的一条边。输出格式输出一个整数,代表选出的点的权值和

#算法
算法刷题系列(三)蓝桥杯python基础练习3

- 特殊的数字资源限制时间限制:1.0s内存限制:512.0MB问题描述153是一个非常特殊的数,它等于它的每位数字的立方和,即153=111+555+333。编程求所有满足这种条件的三位十进制数。输出格式按从小到大的顺序输出满足条件的三位十进制数,每个数占一行。解答程序import mathfor i in range(100, 1000):single = i % 10ten = (i % 1

#算法
算法刷题系列(二)蓝桥杯python入门

主要用于记录算法刷题当中遇到的一些小问题或者思路的记录- Fibonacci数列资源限制时间限制:1.0s内存限制:256.0MB问题描述Fibonacci数列的递推公式为:Fn=Fn-1+Fn-2,其中F1=F2=1。当n比较大时,Fn也非常大,现在我们想知道,Fn除以10007的余数是多少。输入格式输入包含一个整数n。输出格式输出一行,包含一个整数,表示Fn除以10007的余数。解答程序f =

#算法#python
轨迹预测数据集:ETH数据集

数据集链接:https://data.vision.ee.ethz.ch/cvl/aess/ETH数据集1. 数据集大致情况介绍新单词:post-doctoral 博士后scenario 场景,情节interpret 解释,理解assess 评估perspective 角度obtain 获得

#深度学习
软件测试:linux平台部署nginx+mysql+web应用

- 第一步:购买腾讯云服务器由于笔者电脑的双系统ubuntu网卡配置没有装好,VMWare的虚拟机是kali的,因此选择了租用腾讯云的服务器。这一步的可替代性很强,只要选择一个linux平台即可。需要注意的是腾讯云服务器是CentOS的,因此在终端命令上会有一定的区别。- 第二步:云服务器端环境配置利用终端ssh命令链接云服务器由于笔者是win10系统,cmd使用ssh命令需要额外下载,因此直接选

#数据库#linux#nginx +2
Android开发(1)Android Studio平台问题综合

Android开发(1)Android Studio平台问题综合本学期的软件工程课设小组决定做一个安卓平台的触控笔记软件开发。所采用的的IDE为Android Studio,选用语言为java和kotlin。本篇博客为长期更新型博客,会有时间戳进行记录不同事件遇到的IDE问题。2020/10/4日志添加AS平台运行程序问题1,2AS平台运行程序问题1、设备问题由于设备的限制——没有测试机,只能够使

#android#android studio
基于Python的Fisher二分类判别模型实现

1. 完成形式本Fisher二分类判别模型的代码是利用Python独立完成编写的,基本基于上课所讲内容,没有参考网上代码。2. 实现算法思路- 数据集选择与载入初始化电力行业中,比较适合Fisher分类判别模型的数据集为用户画像的分类。然而电力行业由于国家管控的特殊性,导致网络上能够找到的开源的数据集过少,在Dataju平台原先有的十多个能源客户画像数据集在今年下半年也全部由于版权、客户信息保密原

#机器学习#算法
git学习

此博客主要用于记录git学习过程中的知识点,以后遗忘的时候可以快速查询。主要学习资料为git的参考api以及B站网课。系统地学习git这个想法其实是不久之前才萌生的。从大二的时候开始接触到git,只会最简单的git clone,git push,git pull。也一直只会add,commit,push三连。因为那个时候基本只是自己需要从开源网站上获取代码供自己直接使用,以及提交作业,所以学了基本

#git
机器学习(1)归纳偏好和NFL

机器学习(1)归纳偏好和NFL这是萌新小白第一次写博客,也是刚刚开始机器学习的系统学习。第一次的博客主要介绍的是归纳偏好和NFL定理。归纳偏好任何一个有效的机器学习算法都必然有其归纳偏好,否则其就会因为假设空间中在训练集上假设的“等效”而感到困惑无法产生确定的学习结果。譬如面对一个有很多西瓜的验证集,对于同样要素(样本特征)的西瓜算法会有时判定为“好瓜”,有时判定为“坏瓜”。这样子的学习结果显然是

到底了