DeepLearning.ai-SummaryDeepLearning.ai专项课程:深度学习的最佳入门之选DeepLearning.ai是由斯坦福大学教授AndrewNg在Coursera平台上推出的一个深度学习专项课程。作为人工智能和机器学习领域的顶级专家,AndrewNg精心设计了这一系列课程,旨在帮助学习者系统地掌握深度学习

一.入门资料完备的AI学习路线，最详细的中英文资源整理 ⭐AiLearning:机器学习-MachineLearning-ML、深度学习-DeepLearning-DL、自然语言处理NLMachine-Learning数学基础矩阵微积分机器学习的数学基础CS229线性代数与概率论基础机器学习基础快速入门

2.1逻辑分类/二元分类 logisticregression经典问题：假如你有一张图片作为输入，你想输出能识别此图的标签，也就是：如果是猫，输出1；如果不是猫，输出0。这是老吴最喜欢的猫检测器；我们用y来表示输出的结果标签；一张图片在计算机中是如何表示的？计算机保存一张图片，要保存三个独立矩阵，分

首先画图假设有两个点，那么去钻石的方案就如上图那么我们就需要比较蓝线的长度与红线的长度先看一下两点之间距离公式\(\sqrt{(x-u)^2+(y-v)^2}\)这个公式就是运用了勾股定理，一直两条边，求第三条接着，我们比较蓝线与红线的长短我们把它分为两个三角形（如图即可）随后，根据三角形

先模拟一下样例125101和2去，耗时21回，耗时35和10去，耗时132回，耗时151和2去，耗时17现在我们把题目化为两种策略策略1：共2人，一起过河，用时较小的将手电筒放回策略2：共4人，耗时较小的两人先过，接着将手电筒送回，用时较大的两人过，最后右侧用时最小的人将手电筒送回，左侧两人一起过

那个F604是干啥的我似乎也不知道思路依旧很简单，右端点排序，这个活动结束得越早留给后面的时间就越多代码：#include<bits/stdc++.h>usingnamespacestd;structnode{ intstart,end;}a[1010];intn,back,ans;boolcmp(nodex,nodey){ returnx.end<y.end;}intmain()

思路：非常简单，按物品的单价排序，商品的单价小，我们就尽量多的选它代码：#include<bits/stdc++.h>usingnamespacestd;structnode{ intcost,num;}a[110];intn,m,ans,money;boolcmp(nodex,nodey){ returnx.cost<y.cost;}intmain(){ cin>>m>>n; for(inti=0;i<

放张图自己体会(doge类似于爬楼梯的递推题动态转移方程，或者说递推式：dp[i]=dp[i-1]+dp[i-k]其中\(i≥k\)代码：#include<bits/stdc++.h>usingnamespacestd;constintmod=1000000007;longlongt,k,a,b;longlongdp[100010],sum[100010];intmain(){cin>>t>>k;

一道动态规划题\(f_{i, j, k}\)表示前i个人里取j个，身高大于等于k的方法数得到状态转移方程为\(f_{i, j, k} = f_{i − 1, j − 1, k − a_i}\)由于这样空间不够，我们需要降维代码：#include<bits/stdc++.h>usingnamespacestd;constintMAXN=2e5+5;intn,m,h

首先明确一下贪心策略：两人必然会从大往小取当自己无法得分时，最优策略就是不让对方得分当自己可以得分时，得分所以，最后只需要便利数组，当A或B能得分时便得分，不能得分就不得分，但是不管能否得分都需要将最大的数取出代码：#include<bits/stdc++.h>usingnamespacestd;intn,a[

神经网络基础线性函数（得分函数）计算每个类别的得分：每个像素点都会影响结果（像素点的权重参数）f(image，parameters)每个像素点都需要有一个权重，每个像素点会按RGB拆分成三个矩阵中的元素单行矩阵（每个像素点的权重）x像素点（所有像素点）=1x1矩阵（得分）f(x,W)=Wx+b简而言之，就是每

安装OpenFace时装了个miniconda，之后就进不去anaconda的其它环境了：(pfld)。。。。。$condaenvlist#condaenvironments:#/home/deeplea

AI有道一个有情怀的公众号本文列出了吴恩达deeplearning.ai专项课程的所有精炼笔记，均是红色石头精心制作的原创内容。主要包括：《神经网络与深度学习》、《优化神