算法
冒泡排序原理： 因为每一轮都可以找到一个最大的数，且将这个数放置队列的末尾，就像不停地冒泡泡一样，所以这种算法称为冒泡排序。 冒泡排序的优化： 冒泡排序由于使用了两层循环嵌套，所以时间复杂度是O(n^2)。 C实现冒泡排序： #include<stdio.h> void bubblesort(int arr[],int len) { for (int i = 0; i < len - 1; i++)//确定循环轮数 { for (int j = 0; j < len - 1 - i; j++)//确定每轮需要比较的次数 { if (arr[j] >
算法
深度学习实战77-基于CNN+BiLSTM的异常用电行为的识别算法研究与实战 一、研究背景与意义 1.1 研究背景 在当今社会，电力供应已经成为人们生活和生产活动不可或缺的基础。然而，随着电力需求的增长...
算法
深度学习实战76-基于目标检测YOLOv5模型的迁移学习使用方法，YOLOv5的原理与结构 YOLOv5（You Only Look Once version 5）是一种先进的目标检测算法，基于深度学习的单阶段目标检测模型。它的主要原理是通过一次前向传播就同时预测图像中所有目标的位置和类别，大大提高了检测速度。 在迁移学习中，YOLOv5的优势在于其预训练的权重已经在大规模数据集上进行了优化，如COCO等，这使得它能够快速适应新的任务。用户可以下载预训练的YOLOv5模型，然后在自己的小数据集上进行微调，只需调整部分层的参数，以识别特定领域的物体。这种迁移学习方法减少了从头开始训练模型所需的计算资源和时间，同时也能保持较高的检测性能。 文章目录 一、YOLOv5原理与结构简介
AI
深度学习实战75-SwinTransformer模型的算法原理与结构，并利用pytorch框架搭建 SwinTransformer是一种基于Transformer架构的新型视觉模型，它在传统的Transformer中引入了空间局部性（Swin）的概念，以解决Transformer在处理图像数据时的计算效率和性能问题。其核心原理是将图像分割成多个不重叠的窗口，每个窗口内的信息通过自注意力机制进行交互，同时在窗内进行局部计算，减少了跨窗口的通信，提高了并行度。 SwinTransformer采用了多层的Swin块，每个块包括一个前馈网络、一个子采样层、一个局部注意力模块和一个跨窗全局注意力模块，这些模块交替执行，实现对不同尺度特征的捕捉。 算法结构上，SwinTransformer包含多级的特征金字塔，从低分辨率到高分辨率，捕获了丰富的空间信息。它使用了深度可分离卷积来替代标准的自注意力，降低了计算复杂度。此外，它还引入了相对位置编码，使得模型能够更好地理解图像中的相对位置关系。通过这些创新设计，SwinTransformer在ImageNet等大规模视觉任务上取得了优异的性能，同时保持了
算法
机器学习实战18-机器学习中XGBClassifier分类器模型的应用实战，以及XGBClassifier分类器的调优策略 文章目录 XGBClassifier介绍 XGBClassifier是基于eXtreme Gradient Boosting (XGBoost)算法的分类器模型，在机器学习领域有着广泛应用。作为一种迭代的决策树提升方法，XGBClassifier通过集成多个弱学习器（通常是 CART 决策树）来构建强学习器，以实现对各类分类问题的高效预测。 模型结构 在模型结构上，XGBClassifier采用梯度提升框架，通过优化损失函数来逐步训练一系列决策树。每一步，模型都会拟合前一步骤残差，从而减小整体预测误差。此外，它引入了正则化项以控制模型复杂度，防止过拟合，包括L1和L2正则化，以及列抽样（column subsampling）和行抽样（row subsampling）等技术。 评价指标与超参数 XGBClassifier支持多种评价指标，如准确率、精确率、召回率、F1值等，并且具备自定义损失函数的能力，使其能够灵活适应多类别分类、二分类以及其他各种分类任务。同时，该
算法
机器学习实战17-高斯朴素贝叶斯(GaussianNB)模型的实际应用 一、GaussianNB模型概述 高斯朴素贝叶斯模型基本原理 GaussianNB，即高斯朴素贝叶斯模型，是一种基于概率论的分类算法。该模型假设特征之间相互独立，并且每个特征服从高斯分布（正态分布），通过学习训练数据集中的先验概率和条件概率来实现对未知数据的预测。 在模型结构上，GaussianNB主要由两部分构成：一是各类别的先验概率，通过统计训练集中各类样本的数量得到；二是给定类别条件下各特征的概率分布参数，包括均值和方差，用于描述特征符合高斯分布的情况。在实际应用中，由于其算法简单、易于理解和实现，且对于大规模数据集有较高的处理效率，GaussianNB常被用于文本分类、情感分析、疾病诊断等多个场景。 然而，该模型对输入数据的独立性假设较为严格，对于非线性或者相关性强的数据拟合效果可能不佳。
深度学习模型训练过程中数据均衡策略SMOTE的详细介绍 文章目录 一、SMOTE算法简介 SMOTE（Synthetic Minority Oversampling Technique），即合成数类过采技，是一种基于增强方法，主要用于处理数据不平衡问题。它通过分析少数类样本之间的关系，在这些样本之间进行插值，从而合成新的少数类样本，以此来平衡数据集，提高模型的泛化能力。 二、SMOTE算法原理 SMOTE算法的数学表示 SMOTE是一种用于处理分类数据不平衡问题的过采样方法。它的主要思想是在少数类的样本之间插值来创建新的样本，从而增加少数类的样本数量，进而达到类别平衡的目的。
算法
深度学习实战72-图神经网络(GNN)与相关算法在线上教育领域中实际应用 文章目录 一、前言背景 1.1 图神经网络研究背景和意义 在当今数字化时代，线上职业教育正逐渐成为人们获取知识和技能的重要途径。然而，面对海量的课程资源，如何为学习者提供个性化、高质量的推荐，成为了一个亟待解决的问题。图神经网络（Graph Neural Network，GNN）作为一种新兴的深度学习技术，具有强大的表达能力和泛化能力。
大前端
技术栈：java、Vue、elementUI等 根据相应的账号的用户角色登录时显示不同的用户端； 用户端 点击课程播放 后台管理
大前端
简单线性回归或多元线性回归中的误差项假设 简单线性回归 图： [简单线性回归] 多元线性回归 图： [多元线性回归] 假设条件 误差均值为零 误差具有恒定方差（同方差性） 误差不相关 误差呈正态分布 同方差vs异方差 图： [同方差vs异方差] 异方差的可能原因 数据集中存在异常值 模型未正确指定 观察结果与不同尺度度量混合 使用不正确的数据转换执行回归 偏度是回归量分布中的特征 异方差的影响 线性回归的假设之一（假设2）是不存在异方差。 估计器不再是最佳/有效的。 假设检验（如t检验、F检验）不再有效。 使用残差图识别异方差 异方差在残差图中产生向外开口的漏斗或向外闭合的漏斗形状。 通过统计检验识别异方差 Breusch-Pagan测试： 测试回归误差的方差是否依赖于自变量的值。 White 检验： 确定回归模型中误差的方差是否为常数。使用辅助回归分析来确定恒定方差。 异方差修正 使用不同规范的模型 加权最小二乘法（普通最小二乘和线性回归的推广） MINQUE：Minimum Norm Quadratic Unbiased
算法
机器学习实战15-推荐算法-协同过滤在电影推荐中的应用实践 随着互联网的发展，信息过载问题日益严重，推荐系统应运而生。本文将详细介绍推荐算法在电影推荐领域的应用实践，以及其背后的数学原理。 背景与应用场景 推荐系统是一种信息过滤系统，旨在解决信息过载问题。在电影推荐领域，推荐系统能够根据用户的兴趣和历史行为，为用户推荐可能感兴趣的电影。例如，当用户在电影平台上浏览电影时，推荐系统可以根据用户的观看历史、评分、搜索记录等信息，为用户推荐相似或相关的电影。 推荐算法的数学原理 推荐算法主要分为协同过滤和基于内容的推荐两种方法。下面我们将分别介绍这两种方法的数学原理。 2.1 协同过滤 协同过滤（Collaborative Filtering, CF）是一种基于用户历史行为数据的推荐方法。其基本思想是：
微信小程序开发工具和uniapp的区别 微信小程序开发工具 定义：微信小程序开发工具是由微信官方提供的集成开发环境（IDE），用于创建、编辑、调试和发布微信小程序。 特点： 推荐的开发方式。 提供丰富的工具和资源，帮助开发者轻松地创建小程序。 支持原生小程序开发和基于小程序框架的开发方式（如Vue.js、React等）。 uniapp 定义：uniapp（前身为Weex）是一个跨平台的前端框架，允许开发者使用一套代码基于Vue.js语法来创建多个平台的应用，包括微信小程序、App（iOS和Android）、H5等。 特点： 提供了一种更灵活的开发方式，使开发者能够使用相同的代码库构建多个平台的应用，节省了开发成本和时间。 支持在微信小程序开发工具中使用相同的代码库进行开发和调试。 关系 微信小程序开发工具是用于原生微信小程序开发的开发环境。 uniapp是一个跨平台的前端框架，允许在微信小程序开发工具中使用相同的代码库来创建多个平台的应用，其中之一就是微信小程序。 开发者可以根据项目需求选择使用原生微信小程序开发方式或使用uniapp框架来进行开发。