使用线性模型有很多缺点，比如Model Bias（模型偏差） 红色的曲线可以表示为一系列蓝色曲线的和 对于连续曲线函数，可以用一条分段线性函数来近似。为了有好的相似，我们需要足够多的片段 我们可以用sigmoid函数来近似表示分段函数$$y,=,c \frac{1}{1,+,e^{-(b+wx_1)}}$$ 也就是说，对于蓝色的曲线，我们有：$$曲线1：c_1sigmoid(b_1,+,w_1x_1)$$$$曲线2：c_2sigmoid(b_2,+,w_2x_2)$$$$…$$$$曲线i:...

得到权重的值以下是一个 单层神经网络（感知机） 的完整示例，通过 手动模拟训练过程，展示如何从数据中学习权重。我们以 房价预测 为例，假设数据仅包含一个样本，目标是让模型学会调整权重和偏置。 问题设定输入特征 $ x_1 $（面积）：1（标准化后的值，如100平方米） $ x_2 $（房龄）：1（标准化后的值，如5年） 真实输出 $ y_{\text{true}} = 3 $（单位：万元） 模型结构 线性模型：$ y_{\text{pred}} = w_1 x_1 + w_2 x_2 + b $ 初始参数（随机初始化）： 权重：$ w_1...

哈希两数之和1. 两数之和 - 力扣（LeetCode） 暴力解题 解题思路不难想到，只要遍历两个不同元素相加的和，就能知道答案 代码实现 1234567891011121314class Solution {public: vector<int> twoSum(vector<int>& nums, int target) { int n = nums.size(); for (int i = 0; i < n; i++) { for (int j =...

程序员延寿指南 1. 术语 2. 目标 3. 关键结果 4. 分析 5. 行动 6. 证据 6.1. 输入 6.1.1. 固体 6.1.2. 液体 6.1.3. 气体 6.1.4. 光照 6.1.5. 药物 6.2. 输出 6.2.1. 挥拍运动 6.2.2. 剧烈运动 6.2.3. 走路 6.2.4. 刷牙 6.2.5. 泡澡 6.2.6. 做家务（老年男性） 6.2.7. 睡眠 6.2.8. 久坐 6.3. 上下文 6.3.1. 情绪 6.3.2. 贫富 6.3.3. 体重 6.3.4. 新冠 1. 术语 ACM: All-Cause Mortality /...

STLSTL四大核心组件：容器(Containers)、算法(Algorithms)、迭代器(Iterators)和函数对象(Functors) 容器： 复制存储数据 如动态数组、链表、哈希表等 算法： 负责操作数据 如排序、查找、遍历等 迭代器： 容器和算法之间的桥梁 让算法统一操作不同容器 函数对象： 用于自定义算法行为 顺序容器顺序容器是STL中按元素顺序存储数据的容器，允许通过位置（如索引或迭代器）访问元素。它们不自动排序，元素的逻辑顺序与插入顺序一致。 vector使用场景 当你需要一个可以动态增长和缩小的数组时。 当你需要频繁地在序列的末尾添加或移除元素时。 当你需要一个...

机器学习约等于寻找一个函数。比如： speech recognition: 输入一段“How are you”的语音，我们得到$f(音频) = “How are you”$ image recognition: 输入一张猫的图片，我们得到$f(cat.jpg)= “cat”$ 函数的不同类型有： regression：回归函数。该函数输出一个标量。比如，当我们预测第二天的$PM2.5$，我们输入：$PM2.5today, temperature, Concentration of O_3$，经过一个函数得到$PM2.5 of...

与GitHub仓库建立连接并提交修改 SSH密钥配备完成且有相关权限 初始化本地仓库：git init 关联远程仓库： HTTPS: git remote add origin https://github.com/username/repositoryname.git SSH:git remote add origin git@github.com:username/repositoryname.git 首次拉取文件：git pull origin main 更改文件 提交更改到本地： 添加所有更改：git add . 添加提交说明：git commit -m...