<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Aetherrrr的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/Aetherrrr</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; Aetherrrr]]></copyright><item><title><![CDATA[自己实现全连接神经网络（实验篇）]]></title><link>https://blog.csdn.net/Aetherrrr/article/details/125816960</link><guid>https://blog.csdn.net/Aetherrrr/article/details/125816960</guid><author>Aetherrrr</author><pubDate>Sat, 16 Jul 2022 10:55:40 +0800</pubDate><description><![CDATA[全连接神经网络代码的手动实现]]></description><category></category></item><item><title><![CDATA[神经网络基础概念理解]]></title><link>https://blog.csdn.net/Aetherrrr/article/details/125798740</link><guid>https://blog.csdn.net/Aetherrrr/article/details/125798740</guid><author>Aetherrrr</author><pubDate>Fri, 15 Jul 2022 17:53:12 +0800</pubDate><description><![CDATA[神经网络基础概念的理解]]></description><category></category></item><item><title><![CDATA[OpenC中的绘图函数]]></title><link>https://blog.csdn.net/Aetherrrr/article/details/113054810</link><guid>https://blog.csdn.net/Aetherrrr/article/details/113054810</guid><author>Aetherrrr</author><pubDate>Sat, 23 Jan 2021 16:12:01 +0800</pubDate><description><![CDATA[opencv绘图函数代码1.画线2.画矩形3.画圆4.多边形5.展示
代码
 以下代码中的参数含义：



img：绘制图形的图像


color：形状的颜色，以RGB为例（255,0,0）代表蓝色。对于灰度图像来说，只需要传入灰度值即可


thickness：线条的粗细，如果闭合图形设置为-1，则代表这个图像将会被填充。默认为1


linetype：线条的类型，8链接，抗锯齿等等。默认为8链接。cv2.LINE_AA为抗锯齿。


1.画线
img = np.zeros((512, 512, 3), ]]></description><category></category></item><item><title><![CDATA[小白の决策树学习及代码实现]]></title><link>https://blog.csdn.net/Aetherrrr/article/details/110331190</link><guid>https://blog.csdn.net/Aetherrrr/article/details/110331190</guid><author>Aetherrrr</author><pubDate>Sun, 29 Nov 2020 17:48:04 +0800</pubDate><description><![CDATA[决策树の学习一.概述什么是决策树？二.决策树の准备阶段！2.1特征の选择2.1.1 香农熵以及其相应的python函数实现2.1.2信息增益2.2数据集最佳切分函数2.3 切分函数三.用递归法构建决策树3.1 ID3算法3.2 代码实现：四.使用决策树进行分类
一.概述
决策树（Decision Tree）是有监督学习中的一种算法，并且是一种基本的分类与回归的方法。也就是说，决策树有 两种：分类树和回归树。这里先学了分类树，回归树挖个坑，以后学了再更新。
什么是决策树？
我们先来看一看大佬们举的栗子！

在]]></description><category></category></item><item><title><![CDATA[小白のKNN算法理解及代码实现]]></title><link>https://blog.csdn.net/Aetherrrr/article/details/110319820</link><guid>https://blog.csdn.net/Aetherrrr/article/details/110319820</guid><author>Aetherrrr</author><pubDate>Sun, 29 Nov 2020 16:41:14 +0800</pubDate><description><![CDATA[KNN算法一.概述二.代码实现2.1 准备数据2.2数据可视化2.3数据归一化2.4 划分训练集和测试集2.5 KNN分类器的实现三.总结
一.概述

k-近邻算法（k-Nearest Neighbour algorithm），又称为KNN算法，是数据挖掘技术中原理最简单的算法。KNN的工作原理：给定一个已知标签类别的训练数据集，输入没有标签的新数据后，在训练数据集中找到与新数据最邻近的k个实例，如果这k个实例的多数属于某个类别，那么新数据就属于这个类别。可以简单理解为：由那些离X最 近的k个点来投票决定X]]></description><category></category></item><item><title><![CDATA[Apriori算法の学习 附代码实现]]></title><link>https://blog.csdn.net/Aetherrrr/article/details/109960013</link><guid>https://blog.csdn.net/Aetherrrr/article/details/109960013</guid><author>Aetherrrr</author><pubDate>Sun, 22 Nov 2020 22:59:24 +0800</pubDate><description><![CDATA[Apriori算法一.聚类分析概述1.关联分析概述2.频繁项集的评估标准2.1 支持度2.2 置信度2.3 提升度3.关联规则的发现二.Apriori算法原理三.使用Apriori算法发现频繁项集1.生成候选项集2.组织完整的Apriori算法四.挖掘关联规则
一.聚类分析概述
1.关联分析概述
2.频繁项集的评估标准
2.1 支持度
2.2 置信度
2.3 提升度
3.关联规则的发现
二.Apriori算法原理
三.使用Apriori算法发现频繁项集
1.生成候选项集
2.组织完整的Apriori算法
四]]></description><category></category></item><item><title><![CDATA[最具体的K-均值聚类算法及实现！小白也能懂！]]></title><link>https://blog.csdn.net/Aetherrrr/article/details/109956049</link><guid>https://blog.csdn.net/Aetherrrr/article/details/109956049</guid><author>Aetherrrr</author><pubDate>Sun, 22 Nov 2020 17:00:30 +0800</pubDate><description><![CDATA[k-均值聚类算法一.聚类分析概述1.簇的定义2.常用的聚类算法二.K-均值聚类算法1.k-均值算法的python实现1.1 导入数据集
一.聚类分析概述

聚类分析是无监督类机器学习算法中常用的一类，其目的是将数据划分成有意义或有用的组（也被称为簇）。组
内的对象相互之间是相似的（相关的），而不同组中的对象是不同的（不相关的）。组内的相似性 （同质性）越 大，组间差别越大，聚类就越好。

1.簇的定义
簇就是分类结果中的类，其没有确切的定义，也没有客观的标准，我们可以利用这个我网上找来的图来理解一下什么是簇]]></description><category></category></item><item><title><![CDATA[菜鸡acmer理解 【动态规划】数位dp]]></title><link>https://blog.csdn.net/Aetherrrr/article/details/100133820</link><guid>https://blog.csdn.net/Aetherrrr/article/details/100133820</guid><author>Aetherrrr</author><pubDate>Thu, 29 Aug 2019 11:24:35 +0800</pubDate><description><![CDATA[数位 DP 问题往往都是这样的题型，给定一个闭区间[L,R]，让你求这个区间中满足 某种条件的数的总数。 数位DP是一个纯暴力算法，一般用记忆化搜索(DP)实现。 纯暴力： for(int i=le;i&lt;=ri;i++)     if(right(i)) ans++; 优雅的暴力： 控制上界枚举，从最高位开始往下枚举，例如：ri=213，那么我们从百位开始枚举：百位可能的情况有0,1...]]></description><category></category></item><item><title><![CDATA[菜鸡acmer理解 【动态规划】多重背包]]></title><link>https://blog.csdn.net/Aetherrrr/article/details/99829595</link><guid>https://blog.csdn.net/Aetherrrr/article/details/99829595</guid><author>Aetherrrr</author><pubDate>Tue, 20 Aug 2019 11:38:03 +0800</pubDate><description><![CDATA[一、题目
有 n种物品和一个容量为 m 的背包。第 i 种物品最多有 num i 件可用,每件耗费的空间是 vi ,价值是 w i 。求解将哪些物品装入背包可使这些物品的耗费的空间总和不超过背包容量,且价值总和最大。
二、大体思路
第一种思路：
首先这种可以把物品拆开，把相同的num[i]件物品 看成 价值跟重量相同的num[i]件不同的物品，那么！！是不是就转化成了一个规模稍微大一点的01背包了...]]></description><category></category></item><item><title><![CDATA[菜鸡acmer理解 【动态规划】01背包和完全背包一维数组的比较]]></title><link>https://blog.csdn.net/Aetherrrr/article/details/99827628</link><guid>https://blog.csdn.net/Aetherrrr/article/details/99827628</guid><author>Aetherrrr</author><pubDate>Tue, 20 Aug 2019 11:16:10 +0800</pubDate><description><![CDATA[01背包的一维数组代码：
for(int i=1;i&lt;=n;i++)
        for(int j=c;j&gt;=w[i];j--) ///c为总容量
        dp[j]=max(dp[j],dp[j-w[i]]+v[i]);
     printf("%d\n",dp[c]);


代码解释：
声明dp数组，表示面对前i个物品，能获得的最大价值，通过这样的理解我们可以得到他...]]></description><category></category></item><item><title><![CDATA[菜鸡acmer理解   【动态规划】完全背包问题]]></title><link>https://blog.csdn.net/Aetherrrr/article/details/99730036</link><guid>https://blog.csdn.net/Aetherrrr/article/details/99730036</guid><author>Aetherrrr</author><pubDate>Tue, 20 Aug 2019 09:32:33 +0800</pubDate><description><![CDATA[完全背包问题：
有N种物品和一个容量为V的背包，每种物品都有无限件可用。第i种物品的费用是c[i]，价值是w[i]。求解将哪些物品装入背包可使这些物品的费用总和不超过背包容量，且价值总和最大。
因为都是背包问题，我们将01背包和完全背包放在一起理解
0-1背包问题：特点：每种物品仅有一件，可以选择放或不放。
  根据状态转移方程：第 i 次决策取决于第 i - 1次决策。这是 j 逆序遍历的原因。...]]></description><category></category></item><item><title><![CDATA[菜鸡acmer理解   【动态规划】01背包问题]]></title><link>https://blog.csdn.net/Aetherrrr/article/details/99726236</link><guid>https://blog.csdn.net/Aetherrrr/article/details/99726236</guid><author>Aetherrrr</author><pubDate>Mon, 19 Aug 2019 15:07:11 +0800</pubDate><description><![CDATA[下定决心，这次总结完一定要深刻理解，不能再学了忘忘了学了。。。。。。
01背包问题描述
有n个物品，它们有各自的体积和价值，现有给定容量的背包，如何让背包里装入的物品具有最大的价值总和？
大体思路如下：
根据动态规划解题的步骤：问题抽象 -&gt; 建立模型 -&gt;寻找约束条件 -&gt;判断是否满足最优性原理 -&gt; 找大问题与小问题的递推关系式（最重要） -&gt; 填表（模拟试一下）...]]></description><category></category></item><item><title><![CDATA[一些简单的DP题]]></title><link>https://blog.csdn.net/Aetherrrr/article/details/99713522</link><guid>https://blog.csdn.net/Aetherrrr/article/details/99713522</guid><author>Aetherrrr</author><pubDate>Mon, 19 Aug 2019 09:46:03 +0800</pubDate><description><![CDATA[一、01背包问题 (先枚举物品，再逆序枚举容量)
1、Hdu 2602 Bone Collector 非常常规的01背包问题，用一维和二维数组都可以做，一维快相当多。
2、Poj 3624 Charm Bracelet  赤裸裸的01背包问题
3、Hdu 2546 饭卡 n种菜选若干种使剩下的钱最少，背包容量是开始时的钱，物品体积是菜的价格，状态转移时记录答案。
4、Uva 624 CD 常规的0...]]></description><category></category></item></channel></rss>