Welcom to my home page -- > ❤️S's Home❤️
- 数组结构:静态动态数组和堆栈/栈stack相关问题
- 数组算法:Kadane算法
- 数组算法:滑动窗口/SlidingWindow相关问题
- 数组算法:双指针
- 数组算法:前缀和
- 数组算法:二分查找
- 链表结构:单链双链和队列/反转单链表及其变体问题
- 链表算法:快慢指针
- 排序算法:排序全家桶/K-way Merge排序融合/循环排序CyclicSort
- 递归算法:递归**和基础问题
- 树结构:树和二分树BST
- 树结构:树映射TreeMap
- 树算法:前缀树/Trie相关问题
- 树算法:并查集/并查集相关问题
- 树算法:段树
- 树算法:迭代深度优先搜索
- 堆算法:堆和优先队列的实现/TopK-Elements
- 堆算法:两个堆
- 回溯算法:树迷宫路径问题
- 回溯算法:子集/子集subsets相关练习问题
- 回溯算法:Backtracking相关问题
- 回溯算法:排列
- 回溯算法:组合
- 哈希结构:代码实现/hashmap的相关问题/hashmap&tracking的相关问题
- 树图算法:深度优先和广度优先算法/深度优先搜索相关问题
- 图结构:矩阵和邻接表的DFS和BFS/图结构:矩阵MATRIX
- 图算法:最短路径Dijkstra
- 图算法:最小生成树Prim&Kruskal
- 图算法:拓扑排序/拓扑排序拓展问题
- 图算法:区间合并问题merge-intervals/Graphs相关算法问题
- 贪心算法:相关算法问题
- 动态规划:1D&2D基础问题
- 动态规划:0-1背包问题
- 动态规划:无限背包问题
- 动态规划:最长公共子序列/动态规划相关问题
- 位运算:bit操作/bit运算相关问题
- 自定义数据结构:数据结构的调整和组合
- 对大语言模型的简单解释/日文版
- Prompt-Engineering-Framework
- LangChain大模型框架
- 机器学习以及它的分类总结
- 机器学习算法之线性回归:特征选择方法,评估方法,非常用回归模型
- *机器学习算法之分类问题:逻辑回归,集成算法
- *机器学习算法之无监督学习:聚类和降维
- *图像识别技术:使用Tensorflow和PIL库的ImageRecognition流程
- Scikit-learn建模学习:回归,分类,调参,聚类
- 数据预处理:ML中最重要的步骤
- 防止过拟合的技术:正规化&Dropout&EarlyStopping
- 容易混淆的几个概念:缩放,标准化,归一化,正则化
- 梯度消失和梯度爆炸
- *评估方法:混淆矩阵family
- PCA:降维算法原理学习
- 梯度提升算法XGBoost过程示例
- 神经网络:从维度的角度重新解构
- 神经网络:优化算法的进化
- 神经网络:激活函数
- Tensorflow解决数据分类问题
- Tensorflow计算机视觉问题
- *NLP:词嵌入WordEmbeddings
- *NLP:LSTM语言模型构架
- *NLP:文本分类-灾难文本分类项目ZTM
- Pytorch初见就有点爱
- Pytorch框架模板
- 迁移学习:站在巨魔的肩膀上
- CNN:卷积神经网络Tensorflow
- CNN:深入构架&空间正规化&防过拟合&跳跃连接
- CNN:Pytorch图像预处理ImageFolder解析
- CNN:AlexNet-VGG-GoogleNet构架
- *CNN:SqueezeNet和CIFAR10数据集
- *CNN:ResNet和ImageNet超大数据集
- RNN:循环神经网络RNN&LSTM代码实现
- 生成式AI:概览和项目搭建代码
- 生成式AI:模型原理,自动编码器和变分自编码器
- 生成式AI:生成对抗网络GAN解析
- 生成式AI项目实践:简单的数据增强之基于GANs实现
- Transformers:注意力,自注意力和多头注意力
- Transformers关键组件:以及和认知科学关联的思考
- Transformers编码器构架各个模块的代码实践
- *GNN:图基础和图论的数学-Graph-Neural-Networks,
- *GCN图卷积神经网络和它的实现-Graph-Convolutional-Networks
- Databricks-ML-spark-考试
- ✨Spark✨&Databricks学习和文档阅读笔记
- 机器学习系统设计:设计流程,特征工程,和Pipeline技巧
- 软件工程师101学习笔记
- 编程的历史和分类:声明式和命令式
- 用Python进行统计分析
- 网络基础:使用Python实现的套接字编程
- Python代码单元测试
- 使用Python调用OpenAI的API
- Python的break和continue如何影响循环
- 面向对象编程设计模式Java&Python的Cheatsheet总结
- *Python自动化Automation
- Java基础学习笔记
- 关于云服务构架,系统设计等的上层思考
- AWS机器学习系统的构架和服务
- AWS安全专家认证考试相关内容
- AWSSysOps运维考试内容整理
- AWS高级网络专家相关内容整理
- AWS专业构架师资格相关内容整理
- AWS数据工程师系统学习笔记
- AWS开发和运维专家学习笔记
- GCP机器学习工程师学习笔记
- GCP云构架专家学习笔记
- GCP数据工程师学习笔记
- AWS-Bedrock项目实践1:Code Generation (APIGateway,S3,bedrock)
- AWS-Bedrock项目实践2-3:Notes Summarisation & Image Generation & 模型评估 & RAG
- Google-Gimini-API上手体验和要点总结:目前最爱Gemini
- GCP的ID认证服务:WorkloadIdentity是什么,如何让外部ID可以在GCP内作业
- 关于云上的CI/CD服务,以及IaC服务的总结
- IaC工具Terraform部署Bigquery表的心得笔记
- 操作系统的基础知识和学习笔记
- 软件开发和程序员基础知识/基础情报技术
- 系统设计概念:System Design concepts
- 系统设计模式思考:System Design Interview
- *GithubActions实现workload工作流:自动化GCS部署和notification
- Git和Github复习手册
- *网络安全分类:访问控制、身份管理、数据加密与网络防护的清晰分类
- 数据库:Database&SQL-AtoZ
- 网络基础:自顶向下,基础概念和组件CompTIA
- 网络基础:构架,协议栈,应用层,HTTP,DNS
- 网络基础:传输层,TCP/UDP
- 网络基础:网络层,IP,ARP,DHCP,ICMP,firewall,nat
- 网络基础:链路层,以太网,MAC地址
- 网络限流(throttling),指数退避(ExponentialBackoff)和Python的代码实现
- 网络安全:Cyber Security foundation
- 道德黑客:Ethical Hacking Technology
当我学习计算机网络,那些概念就像是一个一个的点,散落一地,我想我需要一本书或者一些方法,比如计算机网络自顶向下,将他们串联起来,形成一个故事。我想所有的学习体系都是这样,直到将每一个点都搞清楚,并将他们串联起来,并将串联起来的东西都串联起来,世界才是一棵真正的树。
- *WEB3:初步接触比特币,元宇宙,以太坊,智能合约等概念
- G检定深度学习考试相关日语词汇和概念解释
- 外部链接:软件工程师能力模型探讨
- 外部链接:关于DataEnginner-如何成为一个数据工程师-数据处理中重要的事情
- 外部链接:太空冒险在线网页游戏项目-它使用Threejs创建了一个不一样的世界太酷了
- 外部链接:Reflex:真Python全栈网络框架出现了好COOL找机会玩一下
- 外部链接:Fine-Tuning or Retrieval?单纯的RAG可能比RAG加微调更好
- 外部链接:Prompt Design and Engineering: Introduction and Advanced Methods
- 外部链接:竟然有人用Excel实现了GPT2的构架,只要理解了基础,工具只是辅助而已!so coooool!
- 关于知识树的上层思考和总结:视角,应用,抽象,底层原理的重要性
- 数据工程师的思考模型,我为什么总有思维盲点
- 项目过程心得总结-不定期添加
- 航海日志:定期思维检修1-202404
- 航海日志:定期思维检修2-202405
- 航海日志:定期思维检修3-202406
- 成为工程师路上的乱七八糟的思考
- 思考和联系是最重要的事,是快乐的源泉。
- 科技再发展也离不开基础,所有的科技新发展,都是对基础的一种深度挖掘和联结。
- 加密学,区块链,网络安全,信息论,数学,频谱分析,图论等领域,强化学习,遗传算法。
- 这是一个充满API的世界,从程序包到云服务,都是API的连接,组合,一体化。
- 宇宙的编程语言是数学,基础学科永远重要,是知识base的base,是根。
- 种一棵树:算法(计算机算法和ML算法)&数学和基础学科 - 网络&安全&构架&体系 - 工具启发&项目实践&前沿扩展
- 知识,和空气,和水一样,是宇宙中如此平常,触手可得,却又最有价值,却不被重视。