基础名词 数据库： 保存有组织数据的容器，一般是一个或一组文件 表： 表在数据库中，用来进行分类存储各式各样的信息。如果把数据库看为一个柜子，那么表就是一个个抽屉，里面装着一些文件。表在实际应用中可以是顾客清单，产品目录等。 列： 表是由列和行构成。例如一个城市信息表，它的列可以使地址，城市，州，邮政编码等等。 行： 行是表中的一个记录。例如一个学生信息表，一个行包含一个学生的名字、年龄、性别等信

RNNRNN的特点是上一次输入会对下一次产生影响，相当于有了记忆功能，常用于自然语言处理。 这是RNN的结构图，它与传统神经网络的区别是在隐藏层有了一个循环。 这张图的含义是每一个时间点都可以有输出o，也可以没有。每一个时间点隐藏层输出作为下一个隐藏层的输入，也就是说该次训练对下一次训练会产生影响。 网上演示的时候隐藏层只有一层，这里就以一层为例。 隐藏层计算：12z(h)(t)=U⋅x(t)

基础算法pagerank算法假设不返回已经浏览过的页面。假设给定一个页面按照页面跳转到该页面下其他页面的概率为q，浏览厌烦后随机跳转到其他页面的概率为1-q R(u) = (1-q) + q * \sum_{v \in B_u}\frac{R(v)}{N_v}其中$N_v$是v网页外链个数。1-q的含义是点击这个页面的概率，后面一部分是从其他页面跳转到这个页面的概率。 这种计算方式的问题是速度太

结构 引脚名称 引脚功能 I/$O_0$ - I/$O_7$ 数据输入输出 CLE 命令锁存使能 ALE 地址锁存使能 $\overset{-}{CE}$ 芯片使能 $\overset{-}{RE}$ 读使能 $\overset{-}{WE}$ 写使能 $\overset{-}{WP}$ 写保护 $R/\bar{B}$ 就绪/忙输出信号 $V_{cc

概念k-means算法属于非监督学习，也就是事先不知道给的数据属于那一类，需要自己去分类。它的基本思想是把数据点密集的一群分成一类。 具体过程： 随机选择k个类的初始中心 在c次迭代中，对任意一个样本，求到各中心点之间的距离，将该样本归类到最近中心的那个类 使用均值等方法更新中心点。 如果两次更新匪类相同也结束 例如划分三个点(1, 1) (2, 3) (4, 6)是一类，那么新的中心点是((

缘起B树属于动态查找树，二叉树，平衡二叉树，红黑树都是动态查找树。关于查找的基础内容可看。他们的查找效率都可以达到$log_2^n$，其中n是树的深度。 虽然他们的查找效率和遍历相比已经有很大提升了，但是和哈希相比又大大不如。QMap（红黑树为数据结构）在n=10之后效率就比不过QHash(哈希为数据结构)，越到后面差距越大。但是在数据库中却是使用B树作为数据结构。因为数据库除了考虑速度还要考虑空

8数码问题8数码问题是在一个九宫格上有8个数，初始中间一个空缺，外围随机排布，最终要8个数按顺序排列1234567891011121314初始3281 4567中间的格子可以利用，也就是说可以328 14567最终1238 4765可以使用广度优先搜索进行遍历，那么第一层有四种情况（将上下左右4个移动到中间)，然后第二层有8种12345678910111213第二层的一个例子328 14567第一

语法分析基础编译的第一步是词法分析，第二步是语法分析。词法分析产生的结果是标识符，第二步是判断源程序文法是否合法。例如if{...}就是不合法的文法，但是他产生的标识符都是正确的。 工作原理： 通过上下文无关文法产生的文法式，识别输入字符串是否是一个句子。从左至右每次读入一个字符进行规则匹配。 问题及解决左递归例如 1234规则为P->Pa字符串为a起始非终结符为P读入a

字符串匹配是在一个长度为s的t串中找到和长度为m的p串相同的部分。t串是匹配串，p串是模式串 Pabin-Karp算法它的基本思想是哈希。即将匹配串中每一个长度为m的子串进行哈希并与p串的哈希值进行比较。 假设模式串p[1…m]，得到哈希值的算法为 p = （p[m] + 10(p[m-1] + 10(p[m-2] + … + 10(p[2] + 10(p[1]))…)） % q — 霍纳法则

支配 支配集： 挑选出一些顶点组成支配集，使得所有其他的点都和这个集合中的点相连。 极小支配集： 支配集删去任意顶点之后不是支配集 最小支配集： 支配集中顶点数量最小的 只配速： 最小支配集中点的个数 例如图中两个都是极小支配集，其中第一个是最小支配集。 定理： 无向图无孤立点，$V_1^$是极小支配集，则存在$V_2^$也是极小支配集，且$V_1^ \cap V_2^ = \oslash$