【CMU 15-213 CSAPP】详解lab1——datalab
前言终于开始学大名鼎鼎的CSAPP，一开始配环境就把我配得想退坑。。幸亏配好了
lab1真的很难想，实在想不出来就瞅眼别人的思路，然后又再嗯造自己的
所有注释都是作者一点一点想一点一点敲出来的喵
环境配置参考：CSAPP LAB —— 0. 实验环境搭建_何人听我楚狂声 csdn-CSDN博客
代码思路参考：CSAPP 之 DataLab详解，没有比这更详细的了 - 知乎 (zhihu.com)cSAPP lab1 datalab - 知乎 (zhihu.com)
完整代码1. bitXor123456789101112/* * bitXor - x^y using only ~ and & * Example: bitXor(4, 5) = 1 * Legal ops: ~ & * Max ops: 14 * Rating: 1 */int bitXor(int x, int y) { // 按位异或 即 (x & y) | (~x & ~y) // 由德摩根律 return (~(x & y)) & ...
CS145 Intro to databases 学习笔记5——递归查询、OLAP、NoSQL
前言好耶！终于刷完了。看到进阶课程CS245还挺有意思的，就是找不到公开课，啥时候再去啃啃pdf。
本文是作者学习standford CS145 Introduction to Databases系列视频的第五篇笔记辣，估计是最后一篇，主要包括了第十五章到第十七章的内容：
递归查询
OLAP
NoSQL
相关参考资料：
OLTP和OLAP的区别：OLAP和OLTP的区别是什么？ - 知乎 (zhihu.com)
With Cude 和 With Rollup：Hive中with cube、with rollup、grouping sets用法 - 简书 (jianshu.com)
NoSQL数据库的代表：一文打尽，主流 NoSQL 及应用场景详解～ - 知乎 (zhihu.com)
一、递归查询1. 基本介绍1.1 WITH AS语句利用WITH AS语句为查询语句指定一个标识符，方便其他查询去调用1234With RI As (query_1) R2 As (query_2) Rn As (query_n)<query involving Rl, ... ...
CS145 Intro to databases 学习笔记4——索引、约束、触发器、事务、视图、授权
前言已经是学习standford CS145 Introduction to Databases系列视频的第四篇笔记，这篇几乎要把SQL中重要的概念都涵盖了。。。
本文主要包括第十章到第十四章的内容：
索引
约束和触发器
事务
视图
授权
相关参考资料：
视频链接：Introduction to Databases - Jennifer Widom - Stanford
黑马的视频也是很实用啊：黑马程序员 MySQL数据库入门到精通，从mysql安装到mysql高级、mysql优化全囊括
一、索引(Indexes)1. 基本介绍对关系表的某个或某些属性构建索引，能够提高查询的效率。
然而，维护索引也需要开销：
索引需要占用空间(最微不足道的开销，空间换时间咱还是愿意的)
创建索引需要时间(中等的开销，创建索引确实是耗时的操作)
索引需要维护，特别是在频繁对数据做修改时开销很大(几乎可以抵消索引带来的好处)
因此评价索引需要考虑到查询和修改的负荷(Query vs. Update)
2. 索引的结构索引可以有两种结构，分别是：
B树或B+树(B trees or B+ tr ...
CS145 Intro to databases 学习笔记3——关系型数据库设计、XML的查询、UML
前言晚上床上玩手机有点上头，导致一整天下午之前都没怎么精神刷课，于是调整了下学这套课程的排期，多排了一天嘻嘻，这下轻松多了。
本文是学习standford CS145 Introduction to Databases系列视频的第三篇笔记，主要包括第七章到第九章的内容：
关系型数据库设计
XML的查询
统一建模语言(Unified Modeling Language， or UML)
相关参考资料：
视频链接：Introduction to Databases - Jennifer Widom - Stanford
函数依赖、部分依赖、传递依赖等准备知识：范式通俗理解：1NF、2NF、3NF和BNCF-CSDN博客
关系模式的分解原则：【数据库原理】（18）关系模式的分解 - 知乎 (zhihu.com)
三范式和BCNF的举例：数据库三范式和BCNF范式的理解：生动举例-CSDN博客
3NF和BCNF的区别：Difference Between 3NF and BCNF (with Comparison Chart) - Tech Differences
组合和聚合：UML一一 ...
CS145 Intro to databases 学习笔记2——Relational Algebra、SQL
前言本文是学习standford CS145 Introduction to Databases系列视频的第二篇笔记，内容主要包括第五章和第六章查询Relational Model的两种表达形式:
关系代数(Relational Algebra)
SQL
视频链接：Introduction to Databases - Jennifer Widom - Stanford
一、Relational Algebra1. 基本的运算符在下述表述中，$E$代表表达式，可以为任意下述符号和关系（也就是表）的组合
$\Pi_{A_1, A_2, …, A_n} (E)$： project运算，$A_1, A_2, …, A_n$为列名，用于取出特定的几列
$\sigma_{condition} (E)$：select运算，$condition$表示应当满足的条件，用于筛选特定的几行
$E_1 \times E_2$：叉积运算，取$E_1$的所有元组和$E_2$的所有元组做组合，结果行数为两者行数的乘积，列数为两者列数之和
$E_1 \cup E_2$：并运算，为二元运算符，其中，$E_1$和$ ...
CS145 Intro to databases 学习笔记1——Relational Model、XML、JSON
零、前言1. 碎碎念前几天真是煎熬啊，也可能是没写博客输出内容，学的有些不安QwQ。。学计算机网络在哈工大和湖科大两个视频之间左右横跳，概念的东西有些太多了看的很不爽，耐心濒临崩溃。。又去做一下GAN的实战案例，自己是写不出来的，跑别人的代码也死慢死慢的。最后决定先放一放，来看数据库系统好了
2. 本文概述本文是学习standford CS145 Introduction to Databases系列视频的第一篇笔记，内容主要包括第二章第四章的三种数据模型：
Relational Model
XML
JSON
视频链接：Introduction to Databases - Jennifer Widom - Stanford
一、Relational Model1. Relational Model的介绍1.1 Relational Model的定义Schema是指对数据库结构的描述Instance是指在数据库运作时出现的真实数据
Schema——structural description of relations in databaseInstance——actual con ...
挑战杯网申培训讲座
前言听了个学校双创训练营的挑战杯网申培训讲座，把截下来的ppt整理一下水一篇博客咦嘻嘻嘻
侵删
一、赛道盘点1. 往届“挑战杯”获奖盘点:
共有来自3011所高校的142.4万名学生参赛，累计提交33万余个创新创业项目，其中金奖项目154个，银奖项目309个，铜奖项目1079个
各赛道获奖情况：1、科技创新和未来产业: 42项金奖 (职业院校8项);2、乡村振兴和农业农村现代化:31项(院校6项)3、社会治理和公共服务: 36项 (职业院校6项);无人机检测防控2、桥梁/山区弯道/基建3、医疗项目5(胃肠道检测/病理诊断/用药/癌症预防等)、乡村健康/女性健康3、留守儿童/孤独症2、防火减灾2、海洋河流检测2数据隐私1、中小学科普1、非遗14、生态环保和可持续发展: 25项 (院校4项)双碳4、防生阻燃、催化剂4、结构纤维、水下机器人、喷雾、新能源、固废、降解及再生循环5、文化创意和区城合作:20项 (业院校4项)
高校获奖情况共有113所高校荣获金奖，北京理工大学以7金1银，金奖总数第一、总分第一的优异成绩捧得“挑战杯”，问鼎中国大学生创新创业竞赛最高集体荣誉5、华中科技大学 ...
深度学习笔记——卷积神经网络、自编码器
前言发现虽然玩了一次卷积神经网络，但还没有写文章分析下它在干什么。
and今天瞅了眼自编码器和深度生成模型，生成宝可梦感觉真好玩啊（x
视频链接：李宏毅机器学习中文课程 - 网易云课堂 (163.com)
一、卷积神经网络1. 应用场景
在图片处理中，我们想要捕捉的特征远比整张图片的尺寸要小，无需对所有像素作线性组合
我们想要捕捉的特征可以在图片的不同位置出现，因此一些hidden layer的参数会相等导致冗余
降低图片的分辨率几乎不会影响判断结果，可以降低数据维度加快计算
我们将以上三点更加抽象地描述为：
1. 特定信息只存在于完整数据中的一部分2. 特定信息在完整数据中多次出现3. 降采样对结果不会有影响
2. 解决方案
在卷积层：利用卷积核抽取我们需要的特定信息，卷积核只作用于输入数据中的一定区域（解决了问题1），并以一定步长在输入数据上移动（解决了问题2）。
在池化层：用某个数值代表特定区域的数值，成倍地降低数据地空间大小（解决了问题3）
3. 更多示例当一个问题满足上述的三个条件时，就可以利用卷积神经网络来train一个合适的模型。
实际上，卷积和池化不一定要同时出 ...
深入分解机器学习实战作业模板代码——二分类、卷积神经网络
前言刷完理论课去找实战打，找了李宏毅的课程实战，教的是Keras，代码能一行行分析明白，但是是真的一点都不会写。于是去b站找视频补了点实战知识。
本篇文章将分解作业2和作业3提供的模板代码，提炼出模型训练时的常用操作，包括csv文件的输入输出，numpy的数组操作，keras训练模型的步骤等。
实战来自李宏毅的机器学习课程：李宏毅机器学习中文课程 - 网易云课堂 (163.com)
Keras实战视频链接：深度学习框架【Keras项目实战】
作业Kaggle链接：
收入预测：ML2019SPRING-hw2 | Kaggle
图片情绪分类：ML2019SPRING-hw3 | Kaggle
一、问题描述1. 收入预测根据给定的个人资讯，预测此人的收入能否大于50K。
数据集X_train包含许多个人信息，Y_train对应他们年收入是否大于50K。训练一个二分类模型，对X_test作预测。
模板代码：
概率生成模型(Probabilistic Generative Model)： ProbabilisticGenerativeModel (ntumlta2019.github.io ...
机器学习笔记——概率生成模型
前言吴恩达的视频里没提到概率生成模型，在李宏毅的作业2看到了，感觉挺有必要理解的，可以很自然而然地引出逻辑回归的模型。
参考：李宏毅机器学习中文课程 - 网易云课堂：分类：概率生成模型
一、问题描述已知m组数据$x^{(1)}, x^{(2)}, …, x^{(m)}$，每组数据表示n个特征,可写为一个n维的向量即：(x^{(i)})^T = ( x^{(i)}_1, ..., x^{(i)}_n)且每组数据的真实值$y^{(i)}$只能为0或1
给定一个数据$x$，预测$x$对应的$y$值。
二、解决方案1. 贝叶斯公式求概率表达式由题可知，我们根据真实值将$m$组数据分为两类$C_0$和$C_1$，其中$C_0$代表真实值为$0$的数据的集合，一共有$m_0$组，$C_1$代表真实值为$1$的数据的集合，一共有$m_1$组
那么给定数据$x$，由贝叶斯公式，$x$出现在$C_0$的概率为
P(C_0 | x) = \frac{P(x | C_0) P(C_0)} { P(x | C_0) P(C_0) + P(x | C_1) P(C_1) }P(C_0 | x) = \frac{ ...