Java中一般认为有23种设计模式，当然暂时不需要所有的都会，但是其中常见的几种设计模式应该去掌握。 总体来说设计模式分为三大类： 创建型模式，共五种：工厂方法模式、抽象工厂模式、单例模式、建造者模式、原型模式。 结构型模式，共七种：适配器模式、装饰器模式、代理模式、外观模式、桥接模式、组合模式、享元模式。 行为型模式，共十一种：策略模式、模板方法模式、观察者模式、迭代子模式、责任链模式、命令模式、备忘录模式、状态模式、访问者模式、中介者模式、解释器模式。 创建型设计模式 1.单例模式 所谓的单例设计指的是一个类只允许产生一个实例化对象。 最好理解的一种设计模式，分为懒汉式和饿汉式。 饿汉式：...

1、一行代码实现1-100之和利用sum()函数求和 sum(range(1,101)) 2、如何在一个函数内部修改全局变量 利用global将函数内的变量指定成全局变量 a=5 deffn(): globala a=4 fn() print(a) 结果是4，不加global，则解决是5 3、列出5个python标准库 sys：提供了不少与操作系统相关联的函数 os：通常用于命令行参数 threading：提供了线程操作工具 multiprocessing：提供多进程的工具 re：提供正则表达式的库 math：提供数学库工具 datetime：提供时间工具 4、字典如何删除键和合并两个...

随机变量 累积分布函数 这个函数对随机变量甚至整个概率体系的数学化都是最基本的基础。 概率密度函数 举例 高斯分布 一元概率密度： 多元概率密度:  中心极限定理 贝叶斯公式(机器学习中最重要的公式) 通常，，但是如何确定两者的关系？（溯源） ，同样有，因此 有P(A|B)P(B)=P(A∩B)=P(B|A)P(A) 可得和 先验概率，后验概率解释 二则一： 故有： 概率密度形式：

误差反向传播（Back-propagation,BP）算法的出现是神经网络发展的重大突破，也是现在众多深度学习训练方法的基础。该方法会计算神经网络中损失函数对各参数的梯度，配合优化方法更新参数，降低损失函数。 BP本来只指损失函数对参数的梯度通过网络反向流动的过程，但现在也常被理解成神经网络整个的训练方法，由误差传播、参数更新两个环节循环迭代组成。 本文将以最基础的全连接深度前馈网络为例，详细展示Back-propagation的全过程，并以Numpy进行实现。 通常我们以神经元来计量“层”，但本文将权重抽象为“层”，个人认为这样更有助于反向传播的理解和代码的编写。如上图所示的网络就被抽象为...

函数f在x0处的极限为L 数学语言记作： 对于任意的正数ε>0,存在正数,使得任何满足的x,都有 Definition(无穷小阶数) 当 时，如果而且那么此时f(x)为n阶以上无穷小，记为 当 时，如果而且 存在且不等于零，那么此时f(x)为n阶无穷小，记为 为了方便，在不至于引起误解的时候我们回省略掉 所谓无穷小的阶数，就是用我们比较熟悉的多项式类型的无穷小量来衡量其他的无穷小量.

GAN概述 在讲GAN之前，先讲一个小趣事，你知道GAN是怎么被发明的吗？据IanGoodfellow自己说：之前他一直在研究生成模型，可能是一时兴起，有一天他在酒吧喝酒时，在酒吧里跟朋友讨论起生成模型。然后IanGoodfellow想到GAN的思想，跟朋友说你应该这么做这么做这么做，我打赌一定会有用。但是朋友不信，于是他直接从酒吧回去开始做实验，一晚上就写出了GAN论文。。。 这个故事告诉我们，喝酒，不仅能打醉拳，也能写出顶级论文..... 说完故事，就直接开始干（GAN）：GAN包含有两个模型，一个是生成模型（generativemodel），一个是判别模型(discriminativ...

监督学习 在监督式学习下，输入数据被称为“训练数据”，每组训练数据有一个明确的标识或结果，如对防垃圾邮件系统中“垃圾邮件”“非垃圾邮件”，对手写数字识别中的“1“，”2“，”3“，”4“等。在建立预测模型的时候，监督式学习建立一个学习过程，将预测结果与“训练数据”的实际结果进行比较，不断的调整预测模型，直到模型的预测结果达到一个预期的准确率。 监督式学习的常见应用场景 分类问题：目标值离散 回归问题：目标值连续 无监督学习 在非监督式学习中，数据并不被特别标识，学习模型是为了推断出数据的一些内在结构。常见的应用场景包括关联规则的学习以及聚类等。常见算法包括Apriori算法以及k-Means算...

前面文章中，我们讲到，希望最终的模型在训练集上有很好的拟合（训练误差小），同时对测试集也要有较好的拟合（泛化误差小） 那么针对模型的拟合，这里引入两个概念：过拟合，欠拟合。 过拟合：是指我们在训练集上的误差较小，但在测试集上的误差较大； 欠拟合：在训练集上的效果就很差。 对于二分类数据，我们可以用下面三个图更直观的理解过拟合与欠拟合： 一、欠拟合 首先来说欠拟合，欠拟合主要是由于学习不足造成的，那么我们可以通过以下方法解决此问题 1、增加特征 增加新的特征，或者衍生特征（对特征进行变换，特征组合） 2、使用较复杂的模型，或者减少正则项 其次讨论过拟合，为什么我们的模型会过拟合呢？这里，我总...

回归模型的性能的评价指标主要有：MAE(平均绝对误差)、MSE(平均平方误差)、RMSE(平方根误差)、R2_score。但是当量纲不同时，RMSE、MAE、MSE难以衡量模型效果好坏，这就需要用到R2_score。 平均绝对误差(MAEMeanAbsoluteError) 是绝对误差的平均值，能更好地反映预测值误差的实际情况。 均方误差(MSEmean-squareerror) 该统计参数是预测数据和原始数据对应点误差的平方和的均值。 根均方根误差(RMSERootMeanSquareError) 求均方误差的根号 决定系数(R-SquaredScore） 决定系数R2score(coeff...

Matplotlib是一个Python的2D绘图库，它以各种硬拷贝格式和跨平台的交互式环境生成出版质量级别的图形。通过Matplotlib，开发者可以仅需要几行代码，便可以生成绘图，直方图，功率谱，条形图，错误图，散点图等。 第一个示例 使用Matplotlib画正弦和余弦函数 importnumpyasnp importmatplotlib.pyplotasplt X=np.linspace(-np.pi,np.pi,256,endpoint=True) C,S=np.cos(X),np.sin(X) plt.plot(X,C) plt.plot(X,S) plt.show() 显...

Numpy介绍 Numpy（NumericalPython）是一个开源的Python科学计算库，用于快速处理任意维度的数组。 Numpy支持常见的数组和矩阵操作。对于同样的数值计算任务，使用Numpy比直接使用Python要简洁的多。 Numpy使用ndarray对象来处理多维数组，该对象是一个快速而灵活的大数据容器。 ndarray介绍 NumPy提供了一个N维数组类型ndarray，它描述了相同类型的“items”的集合。 用ndarray进行存储： importnumpyasnp 创建ndarray score=np.array([[80,89,86,67,79], [78,97,...

人工智能的定义 人工智能是指通过计算机模拟人类智能，以达到类似人类智能的表现和行为的技术和理论。通俗地说，人工智能就是让计算机具有像人类一样的思考、判断、决策、学习、交流等能力。人工智能的研究范围极广，包括机器学习、深度学习、自然语言处理、计算机视觉、机器人技术等多个方向。 人工智能的起源 1、萌芽期 人工智能的思想萌芽可以追溯到十七世纪的巴斯卡和莱布尼茨，他们较早萌生了有智能的机器的想法。十九世纪，英国数学家布尔和德o摩尔根提出了“思维定律“，这些可谓是人工智能的开端。十九世纪二十年代，英国科学家巴贝奇设计了第一架“计算机器“，它被认为是计算机硬件，也是人工智能硬件的前身。电子计算机的问世...

什么是机器学习 机器学习是从数据中自动分析获得模型，并利用模型对未知数据进行预测。 机器学习工作流程 1.获取数据集 2.数据基本处理 3.特征工程 4.机器学习（模型训练） 5.模型评估 结果达到要求，上线服务 没有达到要求，重新上面步骤 获取数据集 在数据集中一般： 一行数据我们称为一个样本 一列数据我们成为一个特征 有些数据有目标值（标签值），有些数据没有目标值（如上表中，电影类型就是这个数据集的目标值） 数据类型构成： 数据类型一：特征值+目标值（目标值是连续的和离散的） 数据类型二：只有特征值，没有目标值 数据分割： 机器学习一般的数据集会划分为两个部分： 训练数据：用于训练，构建模...

什么是分类模型评估 分类模型是机器学习的一种类型，它的任务是通过学习样本的特征来预测样本的类别。 分类模型通常用于那些输出变量是分类或者离散值的任务，例如，判断一封邮件是垃圾邮件还是非垃圾邮件，或者预测一个患者是否患有某种疾病。在训练过程中，分类模型会从标记好的训练数据中学习到如何判断一个样本属于哪个类别，然后在面对新的数据时，根据学习到的知识进行预测。 评估分类模型的性能非常重要，因为它能帮助我们了解模型的表现如何，以及模型在实际应用中的可能表现。通过使用不同的评估指标，可以从不同的角度理解模型的性能。 作为使用场景最为广泛的机器学习模型，其评估指标也随着使用场景的拓展而不断丰富，例如，可以...

简介 决策树思想的来源非常朴素，程序设计中的条件分支结构就是if-else结构，最早的决策树就是利用这类结构分割数据的一种分类学习方法 决策树：是一种树形结构，其中每个内部节点表示一个属性上的判断，每个分支代表一个判断结果的输出，最后每个叶节点代表一种分类结果，本质是一颗由多个判断节点组成的树。 怎么理解这句话？通过一个对话例子 想一想这个女生为什么把年龄放在最上面判断！！！！！！！！！ 上面案例是女生通过定性的主观意识，把年龄放到最上面，那么如果需要对这一过程进行量化，该如何处理呢？ 此时需要用到信息论中的知识：信息熵，信息增益 熵 物理学上，熵Entropy 是“混乱”程度的量...

一、执行上下文 1.什么是执行上下文？ 简单来说，执行上下文就是当前javascript代码解析和执行时的环境的抽象概念。javascript任何代码的运行都是在执行上下文中进行的。 2.执行上下文的类型 全局执行下文：全局执行上下文是最基础的执行上下文。不存在于任何函数中的代码都属于全局执行上下文。全局执行上下文做了两件事：1.创建一个变量对象，将window对象赋值给该变量对象（变量对象=window）。2.确定this的指向。全局执行上下文只会存在一个。全局上下文只有在应用关闭或者浏览器关闭的时候才会被销毁。 函数执行上下文：每个函数都有自己的执行上下文，当函数被调用时才会创建执行上下...

Express简介 Express是一个简洁而灵活的node.jsWeb应用框架,提供了一系列强大特性帮助你创建各种Web应用，和丰富的HTTP工具。 使用Express可以快速地搭建一个完整功能的网站。 Express框架核心特性： 可以设置中间件来响应HTTP请求。 定义了路由表用于执行不同的HTTP请求动作。 可以通过向模板传递参数来动态渲染HTML页面。 安装Express 安装Express并将其保存到依赖列表中： pnpminstallexpress--save 以上命令会将Express框架安装在当前目录的 node_modules 目录中，&nbs...

Promise 对象表示异步操作最终的完成（或失败）以及其结果值。 描述 一个 Promise 是一个代理，它代表一个在创建promise时不一定已知的值。它允许你将处理程序与异步操作的最终成功值或失败原因关联起来。这使得异步方法可以像同步方法一样返回值：异步方法不会立即返回最终值，而是返回一个 promise，以便在将来的某个时间点提供该值。 一个 Promise 必然处于以下几种状态之一： 待定（pending）：初始状态，既没有被兑现，也没有被拒绝。 已兑现（fulfilled）：意味着操作成功完成。 已拒绝（rejected...

json-server基础 json-server简介 json-server是一款json数据服务器，它运行Express服务器，可以对json文件、js脚本生成的json数据、远程json数据进行restful风格的增删改查操作，通过指定一个json文件作为api数据源，可以进行分页、排序、关联查询、范围查询等各种查询操作，是一套完整的模拟RESTAPI接口 在开始之前，需要先安装json-server。 $npmijson-server 💦此处给的方法是全局安装，当然，也建议最好全局安装。此外，请保证node.js版本在12以上。 如何切换版本或下载node.js请移步nvm-n...

原文地址：Three.js之相机Camera知乎(zhihu.com) Three.js相机包含四种相机 ArrayCamera包含着一组子摄像机，常用于多人同屏的渲染，更好地提升VR场景的渲染性能 StereoCamera双透视摄像机（立体相机），常用于创建3D立体影像，比如3D电影之类或VR CubeCamera有6个渲染，分别是立方体的6个面，常用于渲染环境、反光等 OrthographicCamera正交相机，在这种投影模式下，无论物体距离相机距离远或者近，在最终渲染的图片中物体的大小都保持不变。这对于渲染2D场景或者UI元素是非常有用的。 PerspectiveCamera透视相...