数学建模 算法 模型 常用
2024/1/13 算法笔记
1.二分查找的原则 当要查找的值target>mid 就在mid和right中查找 当要查找的值target<mid就在left和mid中查找 对于边界条件的处理： while(l<r) mid的取值是[l,r) 重点是下面部分，直接决定使用哪个二分模板。 1.3 中间值归属问题 这个问题其实比较灵 ......
Python教程(23)——Python类中常用的特殊成员
在Python中，类特殊成员是指以双下划线开头和结尾的属性和方法，也被称为魔术方法（Magic methods）或特殊方法（Special methods）。这些特殊成员在类的定义中具有特殊的语法和功能，用于实现对象的特定行为和操作。 特殊方法一般由Python解释器调用，无需手动调用。通过在类中定 ......
cleaning of llm corpus 大模型语料清洗
cleaning of llm corpus 大模型语料清洗 数据是人工智能领域发展的基础要素之一。随着大规模预训练模型及相关技术不断取得突破，在相应研究中使用高效数据处理工具提升数据质量变得越来越重要。llm_corpus_quality集成了包含清洗、敏感词过滤、广告词过滤、语料质量自动评估等功 ......
Openharmony 跑 CV 算法
最近有个项目，老同学让帮忙验证一个在ARM 板上跑 OpenHarmony，然后再集成一个CV算法上去，写这个文章主要是整理一下思路。如果有思路不对的地方，也烦请指出。 1. 个人做纯软件比较多，所以想着先不用板子，找个仿真环境，网上查了下，Qemu这个工具挺主流，那就先选它了，先跑起来这个 （On ......
.NET中的加密算法总结(自定义加密Helper类续)
.NET中的加密算法总结(自定义加密Helper类续) 1.1.1 摘要 相信许多人都使用过.NET提供的加密算法，而且在使用的过程我们必须了解每种加密算法的特点（对称或非对称，密钥长度和初始化向量等等）。我也看到过很多人写过.NET中加密算法总结，但我发现个别存在一些问题，很多人喜欢罗列每种加密算 ......
算法练习题
目录柯里化实现柯里化函数柯里化函数作用扁平化[双指针]有序数组合并判断一个字符串是否是回文字符串[字符串]两个版本号 version1 和 version2版本号大小比较排序 ['1.45.0','1.5','6','3.3.3.3.3.3.3'] => ['1.5','1.45.0','3.3.3 ......
50个常用的Qt开源库
1. Qwt (https://qwt.sf.net): Qwt是一个基于Qt的数据可视化库，提供了绘制曲线、图表、仪表盘等功能。 2. QJson (https://qjson.sourceforge.net): QJson是一个用于JSON数据解析和生成的库，使Qt应用程序能够方便地处理JSON ......
Eloquent 模型使用详解 Has One Through 远程一对一
远程一对一也好，经过型，穿过型一对一也好，都能表示这种模型的关联方式：一种非直接的关系定义 这里使用官方的例子：👩🔧修理工，🚗车，👨💼车主来说明 上下文解释 👩🔧修理工 mechanics 负责维修 👨💼车主 owners 的 🚗车 cars，这里假设一个车主只有一张车， ......
算法学习Day26组合总和、分割回文串
Day26组合总和、分割回文串 By HQWQF 2024/01/13 笔记 39. 组合总和 给定一个无重复元素的数组 candidates 和一个目标数 target ，找出 candidates 中所有可以使数字和为 target 的组合。 candidates 中的数字可以无限制重复被选取。 ......
（坚持每天写算法）基础算法复习与学习part1基础算法1-7——高精度减法（处理t=1和t>1代码的写法，t为操作次数）
题目： 思路：这一道题其实和高精度加法的思路是差不多的，都是使用算式进行模拟。 重点：关于代码怎么写，在高精度加法那里还看不太出来（我也没有写），但是在高精度减法这里就完全可以看出来了。我们在加法算式里面，一般是A[i]+B[i]+t，但是也可以这么写：t+A[i]+B[i]，我们可以先写进位，然后 ......
【SPFA】最短路的一种算法
SPFA算法是在bellman-ford算法基础上优化而来，所以我们先讨论bellman-ford算法 bellman-ford算法的核心是‘松弛’。那么什么是松弛呢？以下图为例： 假设数组d[i]表示源点s到达结点i的最短路径长度，那么松弛指的就是当d[a] + w < d[b]，也就是说，这时候 ......
GitHub常用搜索技巧
普通关键词搜索 搜索关键词为javascript的所有项目，可以搜索到数量为 2 百万的项目，数量庞大，不利于筛选。 高级搜索（添加限定词） 搜索写法 含义 in:name XXX 按照项目（仓库）名称搜索 in:description XXX 按照项目（仓库）描述搜索 in:readme XXX ......
JS常用工具：Webpack 和 JShaman分别有什么用？
Webpack和JShaman是两个不同的工具，它们的特点和用途也不同。 Webpack是一个前端资源模块打包工具，主要用于将各种静态资源（如JavaScript、CSS、图片等）视为模块，并将其打包成浏览器可以识别的代码。Webpack的特点包括： 1. 模块化：Webpack将各种资源视为模块， ......
从Bitcask存储模型谈超轻量级KV系统设计与实现
本文从从Bitcask存储模型讲起，谈轻量级KV系统设计与实现。从来没有最好的K-V系统，只有最适合应用业务实际场景的系统，做任何的方案选择，要结合业务当前的实际情况综合权衡，有所取有所舍。 ......
开发篇1：使用原生api和Langchain调用大模型
对大模型的调用通常有以下几种方式：方式一、大模型厂商都会定义http风格的请求接口，在代码中可以直接发起http请求调用；方式二、在开发环境中使用大模型厂商提供的api；方式三、使用开发框架Langchain调用，这个就像java对数据库的调用一样，可以直接用jdbc也可以使用第三方框架，第三方框架 ......
darknet-yolov4训练自己的模型记录
最近又整了一块jetson nano的板子，就拿过来正好用一下，这个跑yolo还是很有用的，这里也记录一下过程。 1、jetson nano变化 之前也玩过jetson nano，但是最近却发现这个nano和之前的不一样了，是这样的 就是原来都是sd卡烧录，但是这个是emmc了 最大的区别就是原来使 ......
基于融合语义信息改进的内容推荐算法。Improved content recommendation algorithm integrating semantic information.
引言 路漫漫其修远兮，吾将上下而求索。每天一篇论文，做更好的自己。 本文读的这篇论文为发表于2023年5月28日的一篇名为《基于融合语义信息改进的内容推荐算法》（基于融合语义信息改进的内容推荐算法）的文章，文章主要介绍了基于内容的推荐技术在电子商务和教育领域的广泛应用，以及传统基于内容推荐技术在语义 ......
扩散模型
有不少介绍扩散模型的资料，其中"Understanding Diffusion Models: A Unified Perspective"论文是我读到的解释最详细也是最易于理解的一个。 数学符号 用粗体字母表示向量, 如\( \mathbf{x}, \mathbf{z}\) 用字母\(\mathb ......
Mysql时间常用函数
查看当前系统的时间 select sysdate(); select curdate(),now(),DATE_FORMAT('2024-01-03', '%Y-%m-%d') 2024-01-13 | 2024-01-13 11:32:28 | 2024-01-03 目前常用的就 curdate ......
机器学习-概率图模型系列-隐含马尔科夫模型-33
目录1. Hidden Markov Model2. HMM模型定义 注：参考链接 https://www.cnblogs.com/pinard/p/6945257.html 1. Hidden Markov Model 隐马尔科夫模型（Hidden Markov Model，以下简称HMM）是比较 ......
秦九韶算法学习笔记
快速求多项式 —— 秦九韶算法 计算 \(\sum^n_i{a_i \times x^i}\) 的值。 1. 朴素算法 算出每一项的值再相加，总共要进行 \(\frac{n(n + 1)}{2}\) 次乘法，\(n\) 次加法。 2. 秦九韶算法 \(a_0 + a_1x + a_2x^2 + \d ......
[RFC6238] TOTP: 基于时间的一次性密码生成算法
原创 给我馍馍 给我馍馍 2019-03-28 22:42 在闲暇时间做了一个TOTP相关的开源项目，在项目初步完成之余，我尝试对[RFC6238]文档进行了翻译，供大家参考与查阅，若有不妥之处，还望各位前辈海涵斧正。 生活中我们会经常使用到TOTP的算法应用，如银行的动态口令器、网络游戏中的将军令 ......
IDEA常用快捷键大全
为方便大家提升IDEA开发操作效率，参考了 IntelliJ IDEA 的官网，列举了IntelliJ IDEA（Windows 版本）的所有快捷键。 一、构建/编译Ctrl + F9：构建项目 使用此快捷键等同于菜单【Build】—>【Build Project】1使用此命令后，IntelliJ ......
[Maven] 02 - POM模型与常见插件
POM 模型 1 依赖关系 Maven 一个核心的特性就是依赖管理。当我们处理多模块的项目（包含成百上千个模块或者子项目），模块间的依赖关系就变得非常复杂，管理也变得很困难。针对此种情形，Maven 提供了一种高度控制的方法。 通俗理解： 依赖谁就是将谁的 jar 包添加到本项目中。可以依赖中央仓库 ......
文心一言 VS 讯飞星火 VS chatgpt （177）-- 算法导论13.3 6题
六、用go语言，说明如果红黑树的表示中不提供父指针，应当如何有效地实现 RB-INSERT。 文心一言： 红黑树是一种自平衡的二叉搜索树，其中每个节点都包含一个颜色属性（红色或黑色），并且满足以下性质： 节点是红色或黑色。 根节点是黑色。 所有叶子节点（NIL或空节点）都是黑色。 如果一个节点是红色 ......
如何开发医疗保险欺诈识别监测模型中的模型选择与构建？
开发医疗保险欺诈识别监测模型时，选择合适的模型和构建有效的模型是至关重要的。以下是一些建议： 模型选择： 逻辑回归： 适用于线性关系，简单、快速，容易解释。 决策树和随机森林： 能够处理非线性关系，对异常值和噪声相对鲁棒，易于解释。 支持向量机（SVM）： 在高维空间中表现良好，对于复杂的非线性关系 ......
如何开发医疗保险欺诈识别监测模型中的模型训练与调优？
医疗保险欺诈识别模型的训练与调优是一个关键的步骤，它直接影响模型的性能。以下是一些建议： 1. 数据准备与预处理： 数据清理： 处理缺失值、异常值，确保数据的质量。 特征工程： 提取有助于欺诈检测的特征，可能需要与领域专家一起进行。 数据平衡： 处理正负样本不平衡，可以考虑欠采样、过采样或使用权重调 ......
如何开发医疗保险欺诈识别监测模型中的特征工程？
在开发医疗保险欺诈识别监测模型时，特征工程是一个关键的步骤，它有助于提取、转换和选择最相关的特征，以改善模型的性能。以下是在开发医疗保险欺诈识别监测模型时进行特征工程的一些建议： 基本特征提取： 提取基本的医疗保险相关特征，如就医次数、就医地点、就医科室、医疗费用等。 时序特征： 如果数据包含时间信 ......
医疗保险欺诈识别监测模型分析
以下是开发医疗保险欺诈识别监测模型的一般性步骤： 数据集分析与预处理： 对给定的16000条数据集进行初步分析，了解数据的结构、特征。 进行数据清洗，处理缺失值、异常值等。 进行多维特征信息分析，以了解医疗保险欺诈的潜在特征。 特征工程： 提取能够描述医疗保险欺诈的特征因子集合。这可能需要领域专业知 ......
开发医疗保险欺诈识别监测模型如何进行数据集分析与预处理
数据集加载： 使用工具如Pandas库加载数据。使用pd.read_csv()等函数加载数据集到DataFrame。 初步数据探索： 使用head()、info()、describe()等方法查看数据的前几行、基本信息和统计摘要。 使用shape属性获取数据集的大小。 处理缺失值： 使用isnull ......