Linear regression
SVM（support vector machines）
Advantages：
·Effective in high dimensional spaces.
·Still effective in
标签：人工智能
目录
写在前面
常用feature scaling方法
计算方式上对比分析
feature scaling 需要还是不需要什么时候需要feature scaling？
什么时候不需要Feat
二叉排序树
引入
基本性质：
二叉排序树（又叫二叉搜索、查找树)
若左子树不空，则左子树上所有结点的值均小于它的根结点的值；
若右子树不空，则右子树上所有结点的值均大于它的根结点的值；
左、右子树也分别为二叉排序树。
不允许有键值相同结点。
二分查找与二叉排序树
二分查找也称为折半查找
一、背景介绍
作为运维，在公司经常遇到一些机械性重复工作要做，例如：为新机器装系统，一台两台机器装系统，可以用光盘、U盘等介质安装，1小时也完成了，但是如果有成百台的服务器还要用光盘、U盘去安装，就显得有些力不从心了。PXE技术就能很好的解决这个问题，本文将会对PXE的工作原理有所介绍
统计字符串的相关操作
统计字符出现次数
/*统计串S中字符的种类和个数*/
#include<cstring>
#include<iostream>
using namespace std;
#define OK 1
#define ERROR 0
#defi
算力和数据是影响深度学习的两个关键因素。在算力满足的情况下，为了达到更好的效果，我们就需要提供海量优质素材数据给神经网络，以求训练出来高精度的网络模型。在平时的测试过程中，也发现基于深度学习的算法，素材的数量、素材的均衡度和标注的质量对训练出来的模型精度影响非常大。
常见的
“最近刚好在用ERNIE写毕业论文”
“感觉还挺厉害的”
“为什么叫ERNIE啊，这名字有什么深意吗？”
“我想让艾尼帮我写作业”
看了上面火热的讨论，你一定很好奇“艾尼”、“ERNIE”到底是个啥？
自然语言处理(
摘要: 本文是吴恩达 (Andrew Ng)老师《机器学习》课程，第二章《单变量线性回归》中第7课时《代价函数》的视频原文字幕。为本人在视频学习过程中逐字逐句记录下来以便日后查阅使用。现分享给大家。如有错误，欢迎大家批评指正，在此表示诚挚地感谢！同时希望对大家的学习能有所帮助。
摘要: 本文是吴恩达 (Andrew Ng)老师《机器学习》课程，第一章《绪论：初识机器学习》中第4课时《无监督学习》的视频原文字幕。为本人在视频学习过程中逐字逐句记录下来以便日后查阅使用。现分享给大家。如有错误，欢迎大家批评指正，在此表示诚挚地感谢！同时希望对大家的学习能有所帮助。
摘要: 本文是吴恩达 (Andrew Ng)老师《机器学习》课程，第一章《绪论：初识机器学习》中第2课时《什么是机器学习？》的视频原文字幕。为本人在视频学习过程中逐字逐句记录下来以便日后查阅使用。现分享给大家。如有错误，欢迎大家批评指正，在此表示诚挚地感谢！同时希望对大家的学习能有所帮助。
]]>]]>]]>]]>
注：本系列所有博客将持续更新并发布在github和gitee上，您可以通过github、gitee下载本系列所有文章笔记文件。
1 聚类¶
本文我们来总结K-means算法。
与之前介绍过的诸多分类算法不同，K-mea
所有 DNA 都由一系列缩写为 A，C，G 和 T 的核苷酸组成，例如：“ACGAATTCCG”。在研究 DNA 时，识别 DNA 中的重复序列有时会对研究非常有帮助。
编写一个函数来查找 DNA 分子中所有出现超过一次的 10 个字母长的序列（子串）。
示例：
输入：s = "AAA
Kaldi是基于C++开发并遵守Apache License v2.0的一款语音识别工具包，是目前最流行的ASR工具之一，本文基于Ubuntu 18.04 LTS介绍了如何安装Kaldi。
首先按照官网提示，将Kaldi项目克隆至本地:
~$ git clone https://gith
Keras是一套基于Tensorflow、Theano及CNTK后端的高层神经网络API，可以非常友好地支持快速实验，本文从零开始介绍了如何使用Keras搭建MLP并给出两个示例。
基于Ubuntu安装Keras
具体安装过程在官方中英文文档中有详细说明
中文 https://keras
2019年7月，百度ERNIE再升级，发布持续学习的语义理解框架ERNIE 2.0，及基于此框架的ERNIE 2.0预训练模型, 它利用百度海量数据和飞桨（PaddlePaddle）多机多卡高效训练优势，通过深度神经网络与多任务学习等技术，持续学习海量数据和知识。基于该框架的艾尼（ERNI
前言
最近在学深度学习HyperLPR项目时，由于一直没有比较合适的设备训练深度学习的模型，所以在网上想找到提供模型训练，经过一段时间的搜索，最终发现了一个谷歌的产品--Google Colaboratory。它几乎可以实现零成本玩转深度学习，达到快速训练模型的目的。
背景
都说随机是AB实验的核心，为什么随机这么重要呢？有人说因为随机所以AB组整体不存在差异，这样才能准确估计实验效果（ATE）
[
ATE = E(Y_t(1) - Y_c(0))
]
那究竟随机是如何定义的呢？ 根据Rubin Causal Model， 想要让上述估计无偏，随机实验需
WAV是一种以RIFF为基础的无压缩音频编码格式，该格式以Header、Format Chunk及Data Chunk三部分构成。
本文简要解析了各部分的构成要素，概述了如何使用C++对文件头进行解析以及提取音频数据。
上图展示了WAV文件格式，包括每一field的大小与端序
Heade
随着数据的暴增和计算机硬件技术的发展，也催生了AI技术在各行各业的应用渗透。而想将AI技术应用到各行各业，数据是必需品。因为数据直接影响到AI最终训练出来的模型好坏。AI建模没有太大门槛，但数据才是真正的门槛。因此，目前业界流传着一段话有多少人工智能，就有多少人工。前一篇讲述了数据
conda安装的国内镜像配置，实现快速下载
anaconda的所有的软件包全部在国外，安装起来很麻烦，关键是下载速度慢，而且经常中断，所以需要配置国内安装的镜像，下载速度就很快了。
一、conda换国内源
1.1 查看源
命令
conda config --show-source
客服
