Loading [MathJax]/jax/output/HTML-CSS/jax.js

1 笨笨的孩子慢慢学 stay hungry stay foolish 2 学习,思考,实践,改变

0%

1,项目介绍

首先自我介绍。再介绍异常检测项目。在介绍广告 CTR 项目。

1,对每个项目的细节梳理清楚:

如 lightGBM 如何对类别特征进行节点分裂的?(lightGBM 论文

2,然后就是要仔细思考进一步的优化的地方在哪。

如何进一步提高点云的识别率呢?当时做了实验加多卷积层并没有明显的提升效果了,物体结构的特征点已经提取充分,所以并没用更深的网络。另一方面继续优化的点可以考虑点与点之间的领域结构,就像图像主要是考虑了相对位置关系,才可以用一些高反差核之类的卷积核提取图像的局部信息。

阅读全文 »

1 图像基础

1.1 位图与矢量图

位图称为点阵图像、像素图或栅格图像,是由称作像素(图片元素)的单个点组成。他的单位是像素。位图有个缺点是放大后看到边缘是有些模糊的,这就是因为像素点组成的缘故。

位图的参数有:

像素:像素大小决定图像大小。

深度:色彩位数,每个像素使用的信息位数越多,可用的颜色就越多

通道:通常把 RGB 三种颜色信息称为红通道、绿通道和蓝通道,相应的把透明度称为 Alpha 通道,alpha 通道存储图片的明暗信息等

阅读全文 »

概述

从最开始的神经元开始,1943 年 MP 单个神经元诞生。y=f(ni=1wixiθ)

20200223MP_nerual

1958 年,感知机 perception 提出。感知机能很好的实现逻辑与、或、非运算。与、或、非本来也是线性可分问题。若两类模式是线性可分的,即存在一个线性超平面将它们分开。

阅读全文 »

1 概述

1.1 梯度下降

梯度下降是经典的局部优化算法。在 2000 年 L Bottou 使得随机梯度下降再次被提出。

对于数据 {(Xj,Yj)}Mj=1 需要求解:

minθRnJ(θ),J(θ)=1MMj=1L(θ;Xj,Yj)
阅读全文 »

leecode5291 统计位数为偶数的数字

给你一个整数数组 nums,请你返回其中位数为 偶数 的数字的个数。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
输入:nums = [12,345,2,6,7896]
输出:2
解释:
12 是 2 位数字(位数为偶数) 
345 是 3 位数字(位数为奇数)  
2 是 1 位数字(位数为奇数) 
6 是 1 位数字 位数为奇数) 
7896 是 4 位数字(位数为偶数)  
因此只有 12 和 7896 是位数为偶数的数字

输入:nums = [555,901,482,1771]
输出:1
解释:
只有 1771 是位数为偶数的数字。

1 <= nums.length <= 500
1 <= nums[i] <= 10^5
阅读全文 »

1 题目

leecode142,给定一个链表,返回链表开始入环的第一个节点。 如果链表无环,则返回 NULL。

2 hash 法与快慢指针法

快慢指针法有意思的推导:

x:link 起点到入环点距离

y: 入环点到相遇点距离

c:circle 的长度

相遇时候,慢指针走了 x+n1 c + y (n1 假设走了 n1 圈),快指针走了 2 倍 (x+ n1c+y)

阅读全文 »

1,一面

第一次面试,居然去面了目前北京最火的一家公司,虽然不是我想去的算法岗。emmm,真的是胆大。不过一面的面试官超级可爱,很温和,我也太幸运了吧。先让自我介绍,然后问项目,然后出了一个很简单的算法题。

1.1 图论问题

项目是我大三做的一个图论赛题,回顾总结一下。

问题:“服务器选址问题”,从图中选出一些节点安放服务器(图中绿色节点 表示为 Si),服务器输出流量供给消费节点(图中红色节点,表示为 Ci

阅读全文 »

1 基类结构

首先看异常检测基类 base.py,所有检测器都是由它继承而来:

1,init () :初始化 dataSet,probationaryPercent 数据的最初一部分数据不做测试。inputMin, inputMax 初始化最大最小值。

2,initialize ():多进程问题。进程池 pool(它默认调用的是 CPU 的核数)

阅读全文 »

博文中要写公式是难免的,因为配置 hexo 支持数学公式是必要的。 Next 主题提供了两个渲染引擎,分别是 mathjax 和 katex,后者相对前者来说渲染速度更快,而且支持更丰富的公式。我这里 hexo 是 4.0 版本了,因此又折腾了下。

1,更改 next 下的 config

配置 next 主题里的_config 如下,只需要改一个地方就是 mathjax 的 enable 为 true。

阅读全文 »

1, Numenta 的 HTM 简介

Hierarchical Temporal Memeory (HTM, 层级时间记忆,皮质学习) 是一种基于脑神经科学来模拟大脑进行学习和信息处理的神经网络。新皮质就是大脑里褶皱的皮层部分(图 1),这只有哺乳动物有。将皮层纵向切开,不论是视觉还是听觉部分,切开后的结构是相似的(图 2),很有可能大脑处理不同信息的方法是类似的。

阅读全文 »