【算法专题】贪心算法
算法专题之贪心算法
冒泡排序、选择排序、计数排序、插入排序、快速排序、堆排序、归并排序JAVA实现
冒泡排序、选择排序、计数排序、插入排序、快速排序、堆排序、归并排序JAVA实现。
算法——BP神经网络
BP神经网络（Backpropagation Neural Network），也称为反向传播神经网络，是一种最常见和广泛应用的前馈型人工神经网络模型。BP神经网络由多个层次组成，包括输入层、隐藏层和输出层。每个层级都由多个神经元构成，它们通过带有权重的连接相互连接。信息在网络中从输入层向前传递，通过
算法【Java】—— 动态规划之简单多状态 dp 问题
算法【Java】—— 动态规划之简单多状态 dp 问题
【动态规划】【map】【C++算法】1289. 下降路径最小和 II
给你一个 n x n 整数矩阵 grid ，请你返回 非零偏移下降路径 数字和的最小值。非零偏移下降路径 定义为：从 grid 数组中的每一行选择一个数字，且按顺序选出来的数字中，相邻数字不在原数组的同一列。
【初阶数据结构】顺序表
本节内容开启新篇章，将为大家带来数据结构，数据结构分为两个阶段一个是初阶另一个是进阶。我首先给大家先介绍初阶数据结构，虽然内容看起来难但沉下心来学并没有你想象中的难学。给大家详细介绍了顺序表的定义和分类以及实现顺序表的方法，希望这篇文章能够为您带来一些有价值的信息和启示。
聚类分析算法——层次聚类 详解
层次聚类（Hierarchical Clustering）是一种无监督的机器学习方法，通过递归地对数据进行合并（或拆分），构建一个类似树的聚类结构，称为“树状图”（Dendrogram）。该算法通常用于探索数据的层次结构。根据聚类方向的不同，层次聚类可以分为“自底向上”（凝聚式聚类）和“自顶向下”（
【数据结构与算法】：选择排序与快速排序
🔥个人主页🔥欢迎来到排序的第二个部分：选择排序与快速排序！
【初阶数据结构】归并排序 - 分而治之的排序魔法
本文讲解的排序算法是归并排序，作为归并算法，其有着快速排序算法没有的特性，也是面试比较常考的算法之一。本文会重点讲解思路以及代码的实现。
【算法】动态规划
动态规划、最长公共子序列
动态规划（最长公共子序列）
最长公共子序列：1.备忘录方法（数组c和数组b）动态规划； 2.不使用表b，用O(m+n)的运行时间重构LCS； 3.用更少的空间复杂度实现LCS_LENGTH;
算法：双指针系列（二）——对撞指针
分享有趣的题目，算法技巧
【算法】双指针算法（全），题目详解，图文并茂。
这篇文章介绍了双指针算法的概念和应用。作者首先说明了双指针算法通过使用两个指针在数组或链表中按特定方式移动，来解决多种问题的优势，并且具有较低的时间复杂度，能够提高算法效率。接着，文章详细介绍了三类常见的双指针算法：快慢指针、左右指针和对撞指针，每种指针移动方式都适用于不同类型的问题，需要根据具体情
重讲Diffusion Policy(从公式和代码角度): 个人最看好的机器人操控算法
之前发布过一篇讲解Diffusion Policy 的blog文章，近期看到越来越多基于这个工作的衍生论文都表现出不错的效果（当然都还不稳定），不过做一些固定的任务可以实现目前为止所有方法中相对比较好的泛化性能。所以今天再对照代码介绍下关键的实现环节，没有特别复杂的数学且论文给出了基于colab的2
优先算法 —— 双指针系列 - 快乐数
202. 快乐数 - 力扣（LeetCode）
机器学习之特征提取
自编码器就像是一个神奇的魔术师，它能将复杂的数据压缩成简洁的低维表示，同时还能从这个压缩后的表示中重构出原始数据。想象一下，把一堆杂乱无章的东西塞进一个小盒子里，然后还能再把它们完好无损地取出来，这就是自编码器的魅力所在。
位图的学习
位图是一种通过像素矩阵来表达图像的方式，适合存储高质量的图像，广泛应用于数字图像处理、网页设计、摄影等领域。它的文件大小较大，不适合于图像的频繁缩放，而矢量图则在这方面表现得更好。
Scaling Law的“终结“还是新起点?——开源实践者的深度思考
作者：宋大宝，与大宝同学因那篇《回顾·总结·展望「融合RL与LLM思想，探寻世界模型以迈向AGI」》结识于今年春天，虽我们当时某些思想观念有些出入，也碰撞出了很多火花与共鸣，并持续地相互启发的走到了现在。他是AI领域创业先行者，拥有着令人惊艳的的思想观念，博学多才，被我誉为百科全书式AI探索者，貌(
手搓人工智能-最优化算法（1）最速梯度下降法，及推导过程
对于复杂函数来说，直接求解矢量方程得到优化函数的极值点往往非常困难。在这种情况下，可以考虑采用迭代的方法从某个初始值开始，逐渐逼近极值点，即——梯度法
联邦学习安全聚合算法综述（论文解析）以及如何确定自己研究方向的方法
摘要：随着深度学习技术的发展，人工智能在社会的各个方面有着重要的应用，但缺少数据已经成为制约人工智能进一步发展 的重要因素。联邦学习通过共享梯度的方式可以有效利用边缘节点数据，有效解决人工智能模型训练的数据问题。但在联邦学 习中，由于攻击者可以利用共享的梯度发动恶意攻击来窃取用户隐私，所以如何安全上
