ML-czy的小组任务

两道链表算法题:
1.删除链表的节点:
链接: 题目链接

这道题的做法就是单链表的删除操作思想,看完题目条件后,首先,当链表只存有一个数据时,直接返回next,变为空链表;其次就是找到链表所删数据的前一个节点,进行删除操作就行了,代码注释如下:

/*** Definition for singly-linked list.* struct ListNode {*     int val;*     struct ListNode *next;* };*/struct ListNode* deleteNode(struct ListNode* head, int val){if(head->val == val)//当只存有一个数据时{return head->next;//返回next空链表}struct ListNode *p=head;while((p->next!=NULL) && (p->next->val!=val))//循环找到输出节点的前一个{p=p->next;}if(p->next != NULL){p->next = p->next->next;//进行删除操作,力扣不需要Free哦,也可以重新定义一个q指针,q = p->next,p->next=q->next也可以,不过比较麻烦~}return head;//题目说明返回head即可}

2.反转链表:
链接: 题目链接

这道题的做法就是将数据"倒放",但是显然单链表不支持访问前驱节点,所以这里咱们需要一个newhead与一个old head,让oldhead->next=new->head实现"头插法",再令temp=old->next,实现头指针的移动,代码如下:

/*** Definition for singly-linked list.* struct ListNode {*     int val;*     struct ListNode *next;* };*/struct ListNode* reverseList(struct ListNode* head){typedef struct ListNode *Node;Node new_head, old_head, temp;old_head=head;        //初始化当前旧表头为headnew_head=NULL;      //初始化逆转后新表头为空while(old_head){   //当旧表头不为空时temp=old_head->next;old_head->next=new_head;new_head=old_head;old_head=temp;}head=new_head;        //更新headreturn head;
}

核心代码图解:

2.思考题:
1.神经网络中激活函数的作用:
当我们处理一个线性可分数据时,用单层感知机是可以进行数据的分类的,但是如果数据是线性不可分的话:

不带激活函数的单层感知机就有点吃力了,怎么分都有数据"站错"位置,这是激活函数就显得尤为重要了,它的作用可大着呢,加入非线性因素,直接:

这里的曲线即为非线性因素,通过神经网络输入层带有权重的输入,再经过隐藏层与输出层的激活函数,就将数据分开了.如果不用激活函数，神经网络的每一层的输入都是上一层的线性输出,即 f(x) = x，因此，无论该神经网络有多少层，最终的输出都是输入的线性组合,隐藏层的效果就无了.
2.机器学习中验证集和测试集的区别:
首先给出下面一图:

训练集：用于训练模型(拟合参数),即模型拟合的数据样本集合，如通过训练拟合一些参数来建立一个分类器.
验证集：是模型训练过程中单独留出的样本集，它可以用于调整模型的超参数和用于对模型的能力进行初步评估。主要目的是为了挑选在验证集上表现最好的模型.
测试集：使用测试数据评估模型的好坏,用于评估该模型泛化能力的数据集.
3.机器学习的基本流程:
首先进行数据的采集,即数据集的获取,然后对数据进行预处理(将有用的数据集提取出来,无用的剔除,或者转换数据类型等),然后确定处理问题的模型,即函数,优化函数以及损失函数等,还有参数的学习(误差率,学习率,偏项,权重等)参数的优化,使其不断逼近我们想要的预期值,然后进行模型的评估,基于评估的好与坏,可能会再次进行模型参数的优化,最后进行数据集的测试,完成一个机器学习任务.

ML-czy的小组任务相关推荐

一文告诉你，NIPS 2017有多火爆 | 附PPT、视频、代码大总结
原文来源:Medium.GitHub 作者:TarasSereda 「雷克世界」编译:嗯~阿童木呀.KABUDA 今年的NIPS是一场盛大的.极富教育意义和探索精神的.魅力十足且人数众多的会议. 第一 ...
90 后美女学霸：出身清华姚班，成斯坦福 AI 实验室负责人高徒！
出品 | AI 科技大本营(ID: rgznai100) 今天给大家介绍一位斯坦福博士毕业生的传奇人生,她的一篇名为"Neural Reading Comprehension and Bey ...
90后美女学霸：出身清华姚班，成斯坦福AI实验室负责人高徒
https://www.toutiao.com/a6663025237497479692/ 出品 | AI科技大本营(ID: rgznai100) 今天给大家介绍一位斯坦福博士毕业生的传奇人生. 她的 ...
ml不是内部或外部命令_美国飞机制造商波音公司采用VR技术训练宇航员； Snap Lens Studio推出支持自定义ML驱动的Snapchat镜头...
看日报是个好习惯! Valve宣布为Steam开发者推出OpenXR预览版本,支持跨平台VR/AR内容开发 Valve在为Steam游戏开发人员迎接OpenXR面世的准备方面迈出了重要的一步,开发 ...
一天狂揽2000+星，微软面向初学者ML课程来了，完全免费
点击上方"视学算法",选择加"星标"或"置顶" 重磅干货,第一时间送达来源丨机器之心编辑丨极市平台导读适合所有初学者的经典机器学习课 ...
为ML开发、部署提供靠谱的系统工程方法，NASA、牛津、微软等多家机构提出MLTRL框架
MLTRL 框架具备鲁棒性好.可靠性强等优点,并定义了一种通用语言,支持不同团队和组织的人员协同工作. 选自arXiv,作者:Alexander Lavin等,机器之心编译,编辑:陈萍使用现代工具可 ...
不再受限于数据集和硬件，下一代 ML 软件如何构建？
在不久以前,数据科学团队需要一些东西来有效地利用深度学习: 一种新颖的模型结构,这个结构可能是内部设计的访问大型且.专有的数据集大型模型训练的硬件或资金这些条件将深度局限于满足它们的少数项目中, ...
ML之XGBoost：XGBoost参数调优的优秀外文翻译—《XGBoost中的参数调优完整指南(带python中的代码)》(三)
ML之XGBoost:XGBoost参数调优的优秀外文翻译-<XGBoost中的参数调优完整指南(带python中的代码)>(三) 目录 3. 参数微调案例/Parameter Tunin ...
深度学习笔记第三门课结构化机器学习项目第一周机器学习（ML）策略（1）...
本文是吴恩达老师的深度学习课程[1]笔记部分. 作者:黄海广[2] 主要编写人员:黄海广.林兴木(第四所有底稿,第五课第一二周,第三周前三节).祝彦森:(第三课所有底稿).贺志尧(第五课第三周底稿). ...
ai/ml_您本周应阅读的有趣的AI / ML文章（8月9日）
ai/ml 分析与意见 (ANALYSIS AND OPINION) I want to start my weekly compilation list of AI/ML articles with ...

ML-czy的小组任务

ML-czy的小组任务相关推荐

最新文章

热门文章