排序

发表于 2020-08-28 | 分类于算法 |

十大经典排序算法动图演示
https://www.cnblogs.com/onepixel/p/7674659.html

N皇后

发表于 2020-08-25 |

位运算

发表于 2020-08-24 |

负数的二进制表示
十进制5在计算机中表示为 int类型占4个字节
00000000 00000000 00000000 00000101
那么-5在计算机中应该怎么表示呢？

在计算机中，负数以其正值的补码形式表达
什么叫补码呢？这得从原码，反码说起。
原码：一个整数，按照绝对值大小转换成的二进制数，称为原码。
比如 00000000 00000000 00000000 00000101 是 5的原码。
反码：将二进制数按位取反，所得的新二进制数称为原二进制数的反码。
原码 00000000 00000000 00000000 00000101
反码 11111111 11111111 11111111 11111010
补码 11111111 11111111 11111111 11111011
补码：反码+1称为补码
所以， -5在计算机中表达为：
11111111 11111111 11111111 11111011
转换为16进制： 0xFFFFFFFB

-1在计算机中如何表示
1的原码
00000000 00000000 00000000 00000001
1的反码
11111111 11111111 11111111 11111110
补码
11111111 11111111 11111111 11111111
可见， -1在计算机里用二进制表达就是全1
16进制为：0xFFFFFF

内容来自：https://www.jianshu.com/p/6c518e7b4690

并查集

发表于 2020-08-22 |

class UF {
// 记录连通分量
private int count
// 节点x的父节点是parent[x]
private int[] parent;
// 新增一个数组来记录树的“重量” 为了避免造成树的不平衡
private int[] size;

/*构造函数， n为图的节点总数*/
public UF(int n) {
    // 一开始互不相通
    this.count = n; // 连通分量的个数    
    // 父节点指针指向自己
    parent = new int[n];
    // 最初每棵树只有一个节点
    // 重量应该初始化为1
    size = new int[n];
    for (int i=0; i<n; i++) {
        parent[i] = i;
        size[i] = 1;  // 初始状态的节点个数为1
    }
}

/* 将p和q连接 */
public void union(int p, int q) {
    int rootP = find(p);
    int rootQ = find(q);
    if (rootP == rootQ) 
        return;
    // 将两棵树合并为一颗
    // 小树接到大树下面，较平衡
    if (size[rootP] > size[rootQ]) {
        parent[rootQ] = rootP;
        size[rootP] += size[rootQ];
    } else {
        parent[rootP] = rootQ;
        size[rootQ] += rootP; 
    }
    count--; // 两个分量合二为一 
}

/* 返回某个节点x的根节点 */
private int find(int x) {
    // 根节点parent[x] == x
    while (parent[x] != x) {
        // 进行路径压缩
        parent[x] = parent[parent[x]];
        x = parent[x];
    }
    return x;
}

/* 判断p和q是否连通*/
public boolean connected(int p, int q) {
    int rootP = find(p);
    int rootQ = find(q);
    return rootP == rootQ;
}

/* 返回图中有多少个联通分量 */
public int count() {
    return count;
}

}

Minimax-Algorithm

发表于 2020-08-14 |

—

title: Minimax Algorithm

date: 2020-08-14 20:03:12

categories: Algorithm

—

https://segmentfault.com/a/1190000013527949
const maxDepth = 4;
let counter = 1;

const dataTree = [
[
[
[3, 17], [2, 12]
],
[
[15], [25, 0]
]
],
[
[
[2, 5], [3]
]
[
[2, 14]
]
]
];

constructor(data, type, depth) {
this.data = data;
this.type = type; // 区分此节点的种类是max或min
this.depth = depth;
}

function changeType(type) {
return type === ‘max’ ? ‘min’ : ‘max’;
}

score() {
// 到达了最大深度后，此时的data是数组最内层的数字
if (this.depth >= 4) {
return this.data;
}

// 对于max节点，返回的是子节点中的最大值
if (this.type === 'max') {
    let maxScore = -1000;

    for (let i=0; i < this.data.length; i++) {
        const d = this.data[i];
        // 生成新的节点，子节点的type会和父节点不同
        const childNode = new Node(d, changeType(this.type), this.depth+1);
        // 递归获取其分数
        const childScore = childNode.score();

        if (childScore > maxScore) {
            maxScore = childScore;
        }
    }
    return maxScore;
}

// 对于min节点，返回的是子节点中的最小值
if (this.type === 'min') {
    let minScore = 1000;

    for (let i=0; i < this.data.length; i++) {
        const d = this.data[i];
        // 生成新的节点，子节点的type会和父节点不同
        const childNode = new Node(d, changeType(this.type), this.depth+1);
        // 递归获取其分数
        const childScore = childNode.score();

        if (childScore > minScore) {
            minScore = childScore;
        }
    }
    return minScore;
}

}

const testNode = new Node(dataTree, ‘max’, 0);
console.log(testNode.score());

Alpha-beta 剪枝算法的实现
是minimax的改进

class Node{
constructor(data, type, depth) {
this.data = data;
this.type = type; // 区分此节点的种类是max或min
this.depth = depth;

    this.alpha = alpha || -Infinity;
    this.beta = beta || Infinity;
}

score() {

}

}

AI

发表于 2020-08-13 | 分类于 Udacity |

project1数独
约束传播和搜索

project2 Build an AI that play games
minimax alpha-beta pruning
吃豆人
BFS DFS A*
最优路径问题

project3 马尔可夫模型手语字符转化为对应的英文文本

Navigation 导航 A*
智能体动态交互
棋盘的状态搜索树剪枝
对抗搜索 Mini-Max

Monty Hall三门问题
switch
先验概率 P(A) = P(B) = P(C) = 1/3
后验概率 P(B|open_B) = 0
贝叶斯定理
P(C|open_B) = P(open_B|C) * P(C) / P(open_B) = 1 * 1/3 / 1/2 = 2/3

智能的定义是什么？
Agent, Enviroment, State
智能体：是指会根据给定目标采取行动，最大化其预期效用的事物
Perception, Action, Cognition
感知：智能体通过感知环境属性与环境互动
行为：输出行为通常会改变环境的状态
认知：智能体决定采取什么行动的过程，取决于感知输入，这个过程称为认知
我们对AI的大部分讨论都会集中在认知上，特别是推理和决策
有限最优性

Conda与pip相似，不同之处在于可用的软件包集中于数据科学，而pip则用于一般用途。
conda create -n env_name list of packages
conda create -n data python=3.6 numpy pandas
source activate env_name
conda list 查看安装的packages
source deactivate

保存和加载环境
conda env export > enviroment.yaml
write the exported text to a YAML file

从保存的环境文件创建行动环境
conda env create -f enviroment.yaml
create a new enviroment with the same listed in enviroment.yaml

移除环境
conda env remove -n env_name

windows配置Git环境变量
https://blog.csdn.net/C_chuxin/article/details/87880332

搜索、逻辑、规划
概率、贝叶斯网络
Main topics:

Adversarial Search
Minimax Algorithm
Alpha-Beta pruning
Evaluation Functions
Isolation Functions
Multi-player, probabilistic Games

——————————————————————————————————————
路径搜索
Definition of A problem
Initial State -> S0 开始的城市
Actions(S) -> {a1, a2, a3…} 可到达的城市的路径
Result(S, a) -> S’ （到达）新的城市
GoalTest(S) -> True|False 判断是否到达目标城市
Path Cost（Si -aj-> Si+1 -aj+1-> Si+2）–> cost value(n) where i=0,1… j=1,2… 总的cost
Step Cost (S, a, S’) –> n 单步cost

Frontier 已访问的边界
Unexplored 未访问
Explored 已访问

Tree Search
function Tree.Search(problem):
frontier = {[initial]}
loop:
if frontier is empty:
return FAIL
path = remove.choice(frontier)
s = path.end
if s is a goal:
return path
for a in actions:
add[path + a > Result(s, a)] to frontier

Breadth First Search
shortest path first

Graph Search
function Graph.Search(problem):
frontier = {[initial]};
explored = {} // 记录已访问的节点
loop:
if frontier is empty:
return FAIL
path = remove.choice(frontier)
s = path.end; add to explored
if s is a goal:
return path
for a in actions:
add [path + a -> Result(s, a)] to frontier
unless Result(s, a) in frontier or explored // 避免重复

A*搜索算法

HTML & CSS

发表于 2020-08-11 | 分类于 Udacity |

树形结构
h1元素

This is a heading.

This is a paragraph.

> 标签

This is a paragraph.
span1 一行 span2
命令行启动sublime
MAC 打开终端输入下面的命令并回车即可
ln -s /Applications/Sublime\ Text.app/Contents/SharedSupport/bin/subl /usr/local/bin/subl

添加完系统变量之后，接下来你就可以在命令行里面利用subl命令直接使用Sublime Text了：
subl file : 使用Sublime Text打开file文件
subl folder : 使用Sublime Text打开folder文件夹
subl . : 使用Sublime Text当前文件夹

Chrome
cmd + o 打开文件
Cmd + R 刷新文件

Content
递归嵌套

Article Title

Paragraph of text.

前往 MDN HTML 元素参考中文网站，寻找你要使用的元素。
MDN (Mozilla Developer Network)
cmd + f 寻找关键字
bold 粗体
emphasis 着重

HTML文档模版
描述HTML的类型
Meta information goes here! 描述有关站点的元信息(例如标题)，并提供网页正确渲染和交互，所需的脚本和样式表链接 Content goes here! 描述用户将看到的网页上的实际内容 This is a title

Hello!

按钮标签

标题标签

HomePage

Welcome to my website

about me

SpaceX launched the Falcom Havey

列表标签

HTML
CSS
JavaScript

HTML树

树形结构

你可以使用树形结构整理HTML文件，使它们更具有条理

这不仅有利于可读性，还与CSS、JavaScript的风格和编程形式保持了一致

使用链接元素创建超链接
谷歌
href代表“引用”

使用img元素创建图像图像不需要结束标签
short description

这里是一大段有关 Udacity 的文字。很酷！接下来是图像！

路径指南
绝对路径：世界上任何人都可以使用地址 1600 Pennsylvania Ave NW, Washington DC, USA 20006 找到美国白宫。街道地址是指向某地点的绝对路径。
相对路径：但如果你就在艾森豪行政大楼，那么你还可以使用“隔壁大楼”来查找白宫。 “隔壁大楼”需要依赖当前位置，因此是一个相对路径。

本地文件
外部文件

本地路径
外部路径
相对路径

负责为你提供网站文件的计算机称为 服务器
服务器具有任何人都可以访问的外部路径，这也正是 Web 的工作原理。
不同的网站只不过是不同的文件集合。每个网站其实都只是具有外部地址的服务器（或多个服务器），我们称外部地址为 URL

图片描述

斯托特纪念森林，杰迪戴亚·史密斯红木州立公园，2011 年，由 Chmee2 拍摄。GFDL 或 CC BY-SA 3.0，来自 Wikimedia Commons - source

计算机视觉

发表于 2020-08-10 | 分类于 Udacity |

深度碎片

发表于 2020-08-08 |

np.squeeze() 去除单维度的条目

UdacityDL

发表于 2020-07-29 | 分类于 Udacity |

Anaconda

什么是Anaconda ？
Anaconda实际上是conda，Python和150多个科学软件包及其依赖项附带的软件发行版。应用程序conda是程序包和环境管理器。

安装Anaconda
Anaconda is available for Windows, Mac OS X, and Linux. You can find the installers and installation instructions at https://www.anaconda.com/download/.

安装后，您将自动进入默认的conda环境，并安装了所有软件包，您可以通过在终端中输入conda list来检查自己的安装。

包管理
conda install numpy

创建环境
conda create -n env_name list of packages (-n for name)
conda create -n my_env numpy
指定python版本
conda create -n py38 python=3.8

进入环境
source activate my_env (OSX/Linux)
activate my_env (Windows)

conda create -n data py36 python=3.6 numpy pandas

保存和加载环境
conda env export > enviroment.yaml 保存环境到yaml文件
conda env export
conda env create -f environment.yaml 从yaml文件创建环境

环境列表
conda env list

移除环境
conda env remove -n env_name

Jupyter Notebook

Vincent Zhang

Stay Hungry, Stay Foolish.

GitHub 知乎

排序

N皇后

位运算

并查集