本人整理的机器学习的一些比较通俗和基础的笔记。后续都会把笔记记录上来。一、决策树机器学习 之 尽可能通俗易懂的决策树算法机器学习 之 决策树理解进阶决策树代码详解——真正地一行一行来解读二、逻辑回归机器学习 之 逻辑回归代码解读三、BP...

虽然我更倾向于使用邻接矩阵来实现图的算法，但是邻接表也不得不用一下，这里整理了一个可以直接运行查看结果的版本：输入数据：4 5为顶点数和边数，然后是5行数据，每行前两个代表边的顶点索引，第三个代表边的权重4 50 1 11 3 20 3 40 2 22 3 1函数列表：GGraph* CreateGraph(int VertexNum) 创建一个图void Inse...

全部每周作业和视频思考题答案和解析 见浙江大学 数据结构 思考题+每周练习答案汇总判断题：答案：F T F T F T F F T F1-1 若一个结点是某二叉树的中序遍历序列的最后一个结点，则它必是该树的前序遍历序列中的最后一个结点。(3分)TF如果该树根只有左子树，则根节点为最后遍历到的节点，且是前序遍历的第一个节点。1-2 一棵有124个结点...

测试程序也是很简单。首先创建计算图：with tf.Graph().as_default() as g:计算图的输入和输出占位与之前反向传播的函数一样：x = tf.placeholder(tf.float32, [mnist.test.num_examples,mnist_lenet5_forward.IMA...

首先先贴一下百科上关于决策树的基本概念：决策树(Decision Tree）是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。Entropy = 系统..

机器学习文章目录EP算法的特点是自适应。演化算法需要搜索，问题在变的时候，算法预测也会改变（方程改变）。与遗传算法相比，该算法只有变异，没有交叉。经典的EP算法流程：父代产生子代只能靠变异：自适应中，标准差也会变，写个伪代码来表示一下：初始化变量和参数：（个体表现型(设为X),群体规模(设一个群体有N个个体),迭代次数(演化的次数)C等）随机产生N个个体，并计算这些个体的适应性while(迭代次数

机器学习文章目录整理自中科大何劲松老师的机器学习课件势函数，插值函数，核函数。把多个样本叠加起来，得到的概率分布可以近似为整体的概率分布。

我们新建一个QT类，叫MyTransferFuncDockWidget，继承自QDockWidget。然后在继承mainWindow的类中声明MyTransferFuncDockWidget *mytfDockWidget;然后在其构造函数中new一个实体。因为我们有许多功能，多个功能作为一个功能集体，我们把相同功能的控件都定义在一个GroupBox里面，首先我们先定义一个关于节...

文章翻译总结自Advanced illumination techniques for GPU volume raycasting3.2梯度计算如我们所见，梯度对漫反射和镜面反射都很重要。计算的渐变的质量对于渲染的视觉质量至关重要。特别是在处理高镜面反射时，梯度沿表面平滑变化是很重要的。一般有三种梯度计算方法：正向差分、中值差分和...

因为敲卷积神经网络的代码确实浪费了不少时间，这里我详细地把代码进行解释。只导入一个模块：import tensorflow as tf提前先把变量定义好：这个卷积层是先输入28*28维的图像，图像的通道数是1。第一个卷积核的大小是5，卷积核数量是32.第二个卷积核的大小是5，数量是64。第三层是全连接层的。# 设定神经网络的超参数# 定义神经网络可以接收的图片的尺寸和通道数...