机器学习介绍与线性模型 目录 机器学习 机器学习算法(ML)，指一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。 相关：推断统计学、近似算法 机器学习的任务 **有监督学习：**提供“正确答案” -> 模型参照

# 夜海生明月🌃 瀚海沉蓝夜宇清， 银波揉浪满潮明。 潮声漫过星河去， 天心明月为谁生？ 夜色蓝得深邃，海宇清宁。 浪叠银辉，潮声阵阵。 长风卷向云深处，或是月光碎在浪尖上 ，悄然入梦…… 潮声里，昼夜相拥。 你所见的光，从来都为你而来……

运算符重载 对已有的运算符赋予多重含义 使得同一运算符作用于不同数据类型时产生不同类型的行为 实质是函数重载，例如operator+(a,b)和a.operator+(a,b) 运算符可以被重载为普通函数和类的成员函数(better) 重载为普通函数时，参数个数就是实际运算符目数； 重载为成员函数时，参数个数为运算符数-1（由于类名.函数相当于已包含自己，更具体的如，a.operator-(b)） 一个成为函数作用的对象，其余成为函数的实参 编译 目录 范式 约定 普通运算符重载实例 运算符重载为友元 下标运算符的高级重载 目标 希望 实现（可变长度数组的实现 赋值运算符的重载 标准操作 前置：浅拷贝和深拷贝 目标（String类实现） 实现（String类实现） 流运算符的重载 流插入运算符重载 流提取运算符重载 强制类型转换运算符重载 重载自增、自减运算符 实现（自增自减） 范式 1234返回值类型 operator 运算符 (形参表){...} 运算符的操作数称为函数调用的实参 ...

类和对象进阶 目录 🚀构造函数&复制构造函数&析构函数 构造函数 基本范式 隐式转换 复制构造函数 范式 重点：被调用的三种情况 1.当用一个对象去初始化同类的另一个对象 2.类A的对象作为某个函数的参数 3.类A的对象作为某个函数的返回值 析构函数 范式 作用情况 重点：生存周期 静态成员(static 关键字) 范式 其他注意点 实战范例 🚀this指针 🚀封闭类 成员对象 封闭类基本定义 经典的例子 初始化列表 封闭类中构造和析构函数执行顺序 友元 友元函数 友元类 **备注：**此处有重要考点：即构造函数、复制构造函数调用顺序（通常 print 测试） 构造函数&复制构造函数&析构函数 ⚠️ Tips： 不定义任何构造函数（包括复制构造函数）的情况下，类会自动生成 构造函数 函数名与类名相同 类生成必须调用（未设计情况下自动生成无参构造函数，否则不生成，不一定需要自己写） 可以重载（即：一个类可有多个构造函数，编译器自动选择可行且唯一的） 无返回值 （⚠️ ...

类和对象初步 目录 🚀补充知识](#补充知识) 引用& 基本定义 引用作为函数返回值 常引用 const 关键字（避免误改） 基本内容 常量方法（常量成员函数） 常量成员函数的重载 mutable 关键字 加快速度与避免改变 动态内存管理 new 关键字 函数重载 函数的缺省值 🚀类的定义和使用 定义类 定义对象 对象占用的空间 🚀访问对象的成员 🚀类成员的访问权限（private 隐藏机制） 🚀内联成员函数](#内联成员函数) 补充知识 引用& 基本定义 类型名 & 引用名=变量名，引用名相当于变量名的一个别名 定义时必须初始化成某个引用变量 只能引用变量，不能引用常量、const变量和表达式 特殊的，对于const 引用（const 类型名 &） 定义时仍然必须初始化 但是可以绑定到变量、常量、const变量或表达式（此时将延长表达式值的周期） 初始化后便一直引用该变量，不会引用其他变量 1234int a = 10;int b = 20;int &ref = ...

软彩凝香 重彩油画（棒）绘画笔记先导 目录 工具介绍 技法展示 叠色 工具介绍 （此处彩研） 油画棒（经典色or 马卡龙色） 刮刀 铅笔（or more彩铅、马克笔） 专业垫板 美纹胶带 美纹纸 揉擦笔 收纳册 技法展示 本手： 薄涂法 厚涂法 过渡法（交界处轻轻上下轻扫） 擦涂法（分界线处用棉签、纸巾、揉擦笔揉擦） 妙手： 简笔画 平涂法 扫涂法 点画法 虚线法 图画法 平铺 刮刀拉 刮刀压 揉、压 刮刀拖 叠色 平铺 搓揉 混色 纸擦笔混色

远山夕阳🌇 赤染长天落晚晴， 金波漾碎一舟轻。 归鸿数点随云去， 石畔潮声伴月明。 天色红得深沉，晚晴庄严。 浪打礁石，波光阵阵。 归鸿飞入云堆，或者潮声留在石畔，何关紧要？ 只是，当月亮升起来的时候，你是否还记得，刚才那场落日究竟是为了谁而灿烂？

HW1：使用numpy实现反向传播算法示例 注：以往届 AI 基础作业为资料、采用任务驱动型方法进行学习 作业内容： 阅读并理解代码 修改 np_mnist_template.py，更改 loss 函数、网络结构、激活函数、完成训练 MLP （多层感知机,Multilayer Perception）网络以识别手写数字 MNIST（modified national institute of standards and technology)数据集 代码理解 numpy 数值调用库（相当于#include) 1import numpy as np 使用np.array以支持矢量化运算如np.array[1,2]+np.array[3,4] 12345X=np.array([0,0,1],[0,1,1],[1,0,1],[1,1,1])# 输入数据y=np.array([0],[1],[1],[1])# 标签数据# 目的是为了让网络发现逻辑门（前两列->标签)，第三列是一个+b 偏置但后面又有偏置向量因此此处似乎冗余 神经元模型 关于偏置 定义激活函数及其导数 12345 ...

关于Gemini使用的火判 动机 使用则皆知，但其实不使用亦然。 纵观从小到大的教育：自己的作业自我完成。如果检索资料能够替代自己的手工打磨和思考，如果抄袭复制模仿能够提升自己的真实能力和掌握水平，那么中小学何不用古早的检索软件替代传统的自习监督呢？ 固然， 在无法进行自我控制之前，禁绝此类容易使用过度而“荒废”的工具大有裨益，然而，现实中又有多少人能完美地执行理想的所谓“自我控制”呢？不过乎，AI 的兴起，水波大兴，作为一种生产工具其带来的效益诚然不可估量，但其在如今学习领域的肆意横行，似乎预示这一种更大范围的坠落——只有少数把自监督能力牢牢掌握的行动和引导才可胜出。 先不谈中国应试教育的好坏，至少从一种方式看来，它具备了知识规范分层、批量输出、定期监督、奖罚机制的流程，成为一种类似 BFS 短期内稳定获取知识的途径。而对于所谓的引导式学习，奖罚监督来源于分块式的成功和失败，输出是随着引导流程而产生的，而其中所学到的每一块知识都是为了服务于最终目标。 分层-获取-监督-递进-……贯穿着各类学习的始终。 毫无分层的杂乱（区别于引导式学习，其分层即一个项目的中间步骤及发散，具备 ...