BAT机器学习面试1000题系列1前言1BAT机器学习面试1000题系列21归一化为什么能提高梯度下降法求解最优解的速度？222归一化有可能提高精度223归一化的类型231）线性归一化232）标准差标准化233）非线性归一化2335.什么是熵。
机器学习ML基础易27熵的引入273.1无偏原则2956.什么是卷积。
深度学习DL基础易38池化，简言之，即取区域平均或最大，如下图所示（图引自cs231n）40随机梯度下降46批量梯度下降47随机梯度下降48具体步骤：50引言721.深度有监督学习在计算机视觉领域的进展731.1图像分类（ImageClassification）731.2图像检测（ImageDection）731.3图像分割（SemanticSegmentation）741.4图像标注–看图说话（ImageCaptioning）751.5图像生成–文字转图像（ImageGenerator）762.强化学习（ReinforcementLearning）773深度无监督学习（DeepUnsupervisedLearning）–预测学习783.1条件生成对抗网络（ConditionalGenerativeAdversarialNets，CGAN）793.2视频预测824总结845参考文献84一、从单层网络谈起96二、经典的RNN结构（NvsN）97三、NVS1100四、1VSN100五、NvsM102RecurrentNeuralNetworks105长期依赖（Long-TermDependencies）问题106LSTM网络106LSTM的核心思想107逐步理解LSTM108LSTM的变体109结论110196.L1与L2范数。
机器学习ML基础易163218.梯度下降法的神经网络容易收敛到局部最优，为什么应用广泛？深度学习DL基础中178@李振华，https://www.zhihu.com/question/68109802/answer/262143638179219.请比较下EM算法、HMM、CRF。
机器学习ML模型中179223.Boosting和Bagging181224.逻辑回归相关问题182225.用贝叶斯机率说明Dropout的原理183227.什么是共线性,跟过拟合有什么关联?184共线性：多变量线性回归中，变量之间由于存在高度相关关系而使回归估计不准确。
184共线性会造成冗余，导致过拟合。
184解决方法：排除变量的相关性／加入权重正则。
184勘误记216后记219

人工免疫算法，用于计算函数的极值问题，收敛性极佳，迭代不到10次就可以找到最优解，而且与理论解完全吻合

1stOpt（FirstOptimization）是七维高科有限公司（7D-SoftHighTechnologyInc.）独立开发，拥有完全自主知识产权的一套数学优化分析综合工具软件包。
在非线性回归，曲线拟合，非线性复杂工程模型参数估算求解等领域傲视群雄，首屈一指，居世界领先地位。
除去简单易用的界面，其计算核心是基于七维高科有限公司科研人员十数年的革命性研究成果【通用全局优化算法】(UniversalGlobalOptimization-UGO)，该算法之最大特点是克服了当今世界上在优化计算领域中使用迭代法必须给出合适初始值的难题，即用户勿需给出参数初始值，而由1stOpt随机给出，通过其独特的全局优化算法，最终找出最优解。
以非线性回归为例，目前世界上在该领域最有名的软件工具包诸如OriginPro，Matlab，SAS，SPSS，DataFit，GraphPad，TableCurve2D，TableCurve3D等，均需用户提供适当的参数初始值以便计算能够收敛并找到最优解。
如果设定的参数初始值不当则计算难以收敛，其结果是无法求得正确结果。
而在实际应用当中，对大多数用户来说，给出(猜出)恰当的初始值是件相当困难的事，特别是在参数量较多的情况下，更无异于是场噩梦。
而1stOpt凭借其超强的寻优，容错能力，在大多数情况下（大于90%)，从任一随机初始值开始，都能求得正确结果。

RGV动态调度问题，通过严格限定其单步时间操作完成时间最短而得到的最优化方案，在无故障率的前提下，只要限定初始RGV机车位置，便可以得到唯一的行驶轨迹和规律，通过对其初始下料顺序全排列进行优化，得到的最理想解即为接近最优解。
而在有故障率的情况下，通过weibull曲线可以得出其故障时间相关期望，由期望结合实况模拟仿真，并不断循环，可以得到无数确定初始下料顺序下的调度优解，反应出RGV运行过程在不同场景下的不同规律。

【算法设计与分析】是计算机科学中的核心课程，主要探讨如何有效地解决问题并设计高效计算过程。
这门课程由中国大学MOOC提供，由北京航空航天大学（北航）的专家讲授，旨在帮助学生理解和掌握基础算法及其分析方法。
通过学习这门课程，学生将能够运用所学知识解决实际问题，提升编程能力，以及对复杂度理论有深入的理解。
课程内容可能涵盖以下几个方面：1.**排序算法**：包括经典的冒泡排序、插入排序、选择排序、快速排序、归并排序和堆排序等，以及更高效的算法如计数排序、桶排序和基数排序。
这些算法的比较和分析有助于理解不同情况下的最佳选择。
2.**搜索算法**：如深度优先搜索(DFS)、广度优先搜索(BFS)、Dijkstra算法和Floyd-Warshall算法，用于解决图论问题和最短路径寻找。
3.**动态规划**：这是解决多阶段决策问题的有效方法，例如斐波那契序列、背包问题、最长公共子序列和最短编辑距离等。
4.**贪心算法**：在每一步都选择局部最优解，以期达到全局最优。
典型应用如霍夫曼编码和Prim或Kruskal的最小生成树算法。
5.**分治策略**：将大问题分解为小问题，然后递归地解决。
典型的例子有归并排序、快速排序和大整数乘法。
6.**回溯法与分支限界**：用于在大规模搜索空间中找到解决方案，如八皇后问题和N皇后问题。
7.**图论与网络流**：包括最大流问题、最小割问题，以及Ford-Fulkerson和Edmonds-Karp算法。
8.**数据结构**：如链表、队列、栈、树（二叉树、平衡树如AVL和红黑树）、哈希表等，它们是算法的基础。
9.**复杂度理论**：介绍时间复杂度和空间复杂度的概念，以及P类和NP类问题，理解算法效率的重要性。
课程链接提供的博客可能包含课程的代码实现，这对于理解算法的实际操作和优化至关重要。
实践是检验和加深理论知识的最好方式。
学生可以通过这些代码实现来锻炼编程技能，同时理解算法在真实场景中的表现。
"中国大学MOOC-算法设计与分析"是一门全面介绍算法和分析技巧的课程，对于计算机科学专业的学生以及对算法感兴趣的任何人都极具价值。
通过学习，不仅可以掌握多种算法，还能培养问题解决和分析能力，为未来的学术研究或职业发展奠定坚实基础。

一方面采用遗传算法进行全局搜索，一方面采用非线性规划算法进行局部搜索，得到问题的全局最优解。

英文原版，英文好的可以看一下良好的理论分析特性，高效的实际可计算性和强大的建模能力是大家选择凸建模的原因。
注意，我这里说的是凸建模！科学研究的第一步是对实际问题抽象近似，建模成数学问题，这里有巨大的选择自由度！虽然非凸建模具有最强的表达能力，也最省事，代价却是理论上难以分析和实际中无法可靠计算！近十年来火的一塌糊涂的压缩感知，稀疏表示和低秩恢复都是由凸建模带动起来的！研究者们通过分析凸问题的性质来解释和理解真实世界的机理！要注意，很多这样的问题几十年前就已经有非凸的表达形式了，只有用凸建模才焕然一新！更进一步，通过对凸建模的深入理解，大家对具体的非凸问题，注意不是所有，开始利用特殊的结构特点做分析，得出了一些很深刻的结果，比如神经网络收敛到局部最优解，而不是平稳点，随机算法有助于逃离鞍点。
但是，非凸分析几乎都是casebycase，没有统一有效的手段，这与凸分析差别甚大。
从这个角度来说，凸建模和凸优化是研究实际问题的首选！作者：知乎用户链接：https://www.zhihu.com/question/24641575/answer/136736625来源：知乎著作权归作者所有。
商业转载请联系作者获得授权，非商业转载请注明出处。

遗传算法（GeneticAlgorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。
遗传算法可以解决多种优化问题，如：TSP问题、生产调度问题、轨道优化问题等，在现代优化算法中占据了重要的地位，本例使用遗传算法求解最优解。

1基于遗传算法的TSP算法（王辉）2基于遗传算法和非线性规划的函数寻优算法（史峰）3基于遗传算法的BP神经网络优化算法（王辉）4设菲尔德大学的MATLAB遗传算法工具箱（王辉）5基于遗传算法的LQR控制优化算法（胡斐）6遗传算法工具箱详解及应用（胡斐）7多种群遗传算法的函数优化算法（王辉）8基于量子遗传算法的函数寻优算法（王辉）9多目标Pareto最优解搜索算法（胡斐）10基于多目标Pareto的二维背包搜索算法（史峰）11基于免疫算法的柔性车间调度算法（史峰）12基于免疫算法的运输中心规划算法（史峰）13基于粒子群算法的函数寻优算法（史峰）14基于粒子群算法的PID控制优化算法（史峰）15基于混合粒子群算法的TSP寻优算法（史峰）16基于动态粒子群算法的动态环境寻优算法（史峰）17粒子群算法工具箱（史峰）18基于鱼群算法的函数寻优算法（王辉）19基于模拟退火算法的TSP算法（王辉）20基于遗传模拟退火算法的聚类算法（王辉）21基于模拟退火算法的HEV能量管理策略参数优化（胡斐）22蚁群算法的优化计算——旅行商问题（TSP）优化（郁磊）23基于蚁群算法的二维路径规划算法（史峰）24基于蚁群算法的三维路径规划算法（史峰）25有导师学习神经网络的回归拟合——基于近红外光谱的汽油辛烷值预测（郁磊）26有导师学习神经网络的分类——鸢尾花种类识别（郁磊）27无导师学习神经网络的分类——矿井突水水源判别（郁磊）28支持向量机的分类——基于乳腺组织电阻抗特性的乳腺癌诊断（郁磊）29支持向量机的回归拟合——混凝土抗压强度预测（郁磊）30极限学习机的回归拟合及分类——对比实验研究（郁磊）

随机给定一个3×3的矩阵，其元素为8个不同的数码，起始状态为S0，目标状态为Sg，要求用两种或以上的方法设计优先队列式分支限界法，寻找从初始状态变换到目标状态的最优解，说明不同的优先选择策略变换到最终状态用了多少步，并对获得的结果做出比较分析。
最终状态均如Sg表示。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。