2 plancer16

尚未进行身份认证

终身学习

等级
TA的排名 38w+

MySQL Workbench之Server Administration

管理MySQL用户1.在Server Administration下点击Manage Server Instances.2.输入名称和要连接的数据库Connection。3.双击Server Administration下新出现的Server Instances,,出现数据库管理界面。4.点击左侧Users and Privileges,点击右下Add Account,添加用户。5.点击...

2019-11-30 11:38:10

MySQL Workbench之Data Modeling

建立ER模型Date Modeling下点击Create New EER Model。新建Schema,再点击Add Diagram。3.点击左侧表格图标,在右边空白处点击,出现Table,双击Table,即可对Table进行编辑。4.点击1:1,或者1:n(实际取决于两表之间的逻辑关系),创建子表的外键对父表主键的引用。点击顺序:先点的为子表。导出ER模型点击File,Expo...

2019-11-30 11:20:48

MySQL Workbench之SQL Development

SQL Development基本操作创建数据库连接以及数据库SQL Development选择New connection输入Connection Name,点击okQuery1为执行sql语句窗口点击圆桶图标,即创建数据库,输入名称,Apply创建,删除数据表对Tables右键,点击Create。在弹出的表格对表进行设计3.一路Apply。在Table下即可看到新建...

2019-11-30 11:04:21

数据结构——树的同构

题目给定两棵树T1和T2。如果T1可以通过若干次左右孩子互换就变成T2,则我们称两棵树是“同构”的。例如图1给出的两棵树就是同构的,因为我们把其中一棵树的结点A、B、G的左右孩子互换后,就得到另外一棵树。而图2就不是同构的。图一图二输入格式:输入给出2棵二叉树树的信息。对于每棵树,首先在一行中给出一个非负整数N (≤10),即该树的结点数(此时假设结点从0到N−1编号);随后N行,第...

2019-11-01 19:09:37

数据结构——链表

题目要求设计函数分别求两个一元多项式的乘积与和。输入格式:输入分2行,每行分别先给出多项式非零项的个数,再以指数递降方式输入一个多项式非零项系数和指数(绝对值均为不超过1000的整数)。数字间以空格分隔。输出格式:输出分2行,分别以指数递降方式输出乘积多项式以及和多项式非零项的系数和指数。数字间以空格分隔,但结尾不能有多余空格。零多项式应输出0 0。输入样例:4 3 4 -5 2 ...

2019-10-13 20:01:00

Java基础(一)

Java基础知识(一)Java整体框架命令行命令Java语言中的名称命名规范细小的知识点1.从键盘读入不同类型的变量2.不同数据类型的数组元素初始值内存的简化结构Java整体框架仅记录所看到的的重点。语言格式,语法,特性,框架等。命令行命令对于非科班一开始可能这些都不知道~dir:查看当前盘符内容cd 目录:进入指定目录cd … :回到上一级目录cd\ :回到根目录cls:...

2019-10-11 20:49:42

李宏毅机器学习笔记)(七)

Backpropagation(反向传播)对神经网络进行梯度下降求解时要用到bp算法。目的在于更有效率。这里要计算Loss function对w的偏微分。分成两个部分,前一部分计算z对w的偏微分,与w相连的输入x是多少,其偏微分就是多少。下面考虑后者:拆成两个部分,sigmoid function(a)对z的微分可以求得,只剩L对a的微分。拆成两个部分,假设后者知道。由得...

2019-07-18 10:31:30

李宏毅机器学习笔记(六)

深度学习简介深度学习三个步骤1.构建神经元的组合构造就是完成第一步:建立模型有一个常用的组合方式,完全连接前馈网络:输入层,隐含层和输出层,将每层的单位成为神经元。2.评价模型,计算交叉熵对所有训练集的交叉熵求和,找出使之最小的参数。3.找出最佳模型,仍然使用梯度下降的方法...

2019-07-07 09:05:39

李宏毅机器学习笔记(五)

逻辑回归(Logistc Regression)Step1:模型评价模型训练集的标签共有两类,f表示x属于第一类的概率:Likelihood如下:使得L最大,即让-lnL最小,将左边写成右边的形式,-lnL即为两个伯努利分布的交叉熵(cross entropy)。找出最佳函数-lnL(w,b)对w求偏导,以梯度下降的方式更新w:这与损失函数为平方差之和时得到...

2019-07-06 15:46:55

李宏毅机器学习笔记(四)

1.分类(Classification)预测种类举例:损失函数为冲击函数之和:如果将分类问题当做回归问题求解,就会遇到问题:回归的分界线会向远大于1的点偏移,使得那些人离1近一点。生成模型由贝叶斯公式求得蓝圈属于B1的概率。类似两类中,x属于其中一类的概率如下:两种类别占总数的数量被称为先验概率(prior probality):现取样到一只pokemon,其属于水系的...

2019-07-05 09:52:38

李宏毅机器学习笔记(三)

1.梯度下降(Gradient Descent)在求解使得损失函数(L:loss function)最小的过程中,使用到了梯度下降,即:若参数有两个维度,则两个维度的不同的参数按以下得到:其中:下一次的梯度移动方向为前一次梯度方向的反方向:对于梯度下降的三个建议调整 learning rate不同的学习率,LOSS随着参数更新的变化情况不一样:适应性地调整learn...

2019-07-04 21:27:09

李宏毅机器学习笔记(二)

机器学习笔记(二)1.误差的来源测试集上的误差来源于bias和variance样本值的均值不等于总体分布的均值,其期望为总体分布的均值:2.样本值的样本方差的期望与总体方差不一致:2.减少误差的方法随着采样数量N的增加,两者会愈发接近。估测f的中心点为bias,分散程度为variance。bias和variance造成的影响越简单的模型受采样数据的影响也就越小。...

2019-07-03 12:36:36

李宏毅机器学习笔记(一)

机器学习笔记(一)谨以此记录自己的学习笔记,小结以及心得。1.RegressionRegression分为三个步骤建立模型评价函数的优劣(从Function set中找出best function)用训练集输入模型,评价函数的优劣,找出最好的函数(其中评价函数的好坏用损失函数(Loss function,以下简称L)的数值来评分。)求最小损失函数的方法之一:梯度下降法(Gradi...

2019-07-01 20:30:15
勋章 我的勋章
  • GitHub
    GitHub
    绑定GitHub第三方账户获取
  • 持之以恒
    持之以恒
    授予每个自然月内发布4篇或4篇以上原创或翻译IT博文的用户。不积跬步无以至千里,不积小流无以成江海,程序人生的精彩需要坚持不懈地积累!
  • 勤写标兵Lv1
    勤写标兵Lv1
    授予每个自然周发布1篇到3篇原创IT博文的用户。本勋章将于次周周三上午根据用户上周的博文发布情况由系统自动颁发。