创建并关联仓库 以下是在 macOS 上配置 Git 并创建、关联 GitHub 仓库的详细教程，同时默认分支名为 main： 1. 安装 Git 如果你的 macOS 还未安装 Git，可通过 Homebrew 进行安装。若已安装，可跳过此步骤。 12345# 安装 Homebrew/bin/bash -c "$(curl -fsSL https://raw.githubusercon

本地生成ssh公钥与私钥 1ssh-keygen -t ed25519 -f ~/.ssh/aliyun-ecs2 可以通过 1open ./.ssh 打开 .ssh文件夹查看密钥情况 进入阿里云ecs界面 进入密钥对创建界面 创建密钥，导入已有密钥对，并粘贴公钥内容。 20250405205825 密钥对进行绑定操作 20250405210008 按照提示重启服务器，服务器段的配置

快排 一般使用c++ stl即可，同时可以使用自定义cmp函数。std::sort在最坏情况下保持O(nlogn)时间复杂度，主流编译器采用introsort（快速排序+堆排序混合算法）实现 1234bool cmp(int a, int b) { return a%3 < b%3; // 按模3余数升序}sort(a, a+n, cmp); 归并排序 所谓归并，先

性质与创建 简述 ndarray（N-dimensional array，即N维数组）是NumPy的核心数据结构。可将ndarray看作是一个“智能容器”。相比于python原生数据结构，他有更好的特性，因此性能更优。他在数学上等同于一个张量，不过有些性质为了程序设计的合理性，并不符合数学直觉，后面会一一谈到。 ndarray之所以比python原生数据结构更高效，主要由以下三个性质决定，从这里也

第二章：需求供给和均衡价格 符号说明 P表示price，价格 Q表示Quantity，数量 需求 需求是在一定的时期，在一既定的价格水平下，消费者愿意并且能够购买的商品数量 假定其它条件不变，需求量与价格之间成反方向变动 影响需求量的因素 需求是一个函数，一条曲线，需求量是函数上的一个点 需求量的变动：“沿着需求曲线的移动” Movements along Demand Curves 这

本文介绍了一种在 l1 惩罚最小二乘法回归（或 LASSO）问题中消除特征（变量）的快速方法。消除特征可大幅缩短运行时间，尤其是在惩罚参数值较大的情况下。这个方法不是启发式的：它只消除在求解 LASSO 问题后保证不存在的特征。特征消除步骤易于并行化，可以独立测试每个特征的消除情况。此外，与求解 LASSO 问题相比，这一方法的计算量可以忽略不计–大致相当于单梯度步骤。这个方法扩展了现有 LASS

动态筛选的提出 以往的安全筛选法则，都是脱离训练过程所存在的筛选。我们称之为静态筛选规则(We will refer to such safe rules as static safe rules)他大致分为全局的(利用λ0)和递归的(加速筛选一系列λ),动态筛选规则为我们提供了新的思路。作者用简单的伪代码为我们展示了何为动态筛选：(字典D就是上篇里的X，x是上篇的w) 它通过在优化过程中迭代减少

树的dfs dfs俗称爆搜，用于搜索所有情况 dfs需要维护的数据结构：表征当前遍历位置的u，表征某个状态是否被遍历过的st[N],（可能）当前遍历路径下的方案。 输出n个数的全排列 12345678910111213141516171819202122232425262728293031#include<iostream>using namespace std;const int N

这一系列源自西瓜书，目的是对机器学习全局有大概的把握，重点不在于数学推导的细节，而在于了解各个经典模型的核心思想与insight，形成一张自己的地图，企望日后按图索骥。 引言 机器学习是什么？从数据中学习，基于数据产生模型去预测未知数据 基本术语/假设 独立同分布：我们认为样本空间全体样本服从一个未知分布，我们获得的每一个样本都满足独立同分布，细细一想这一结果未必总是成立，样本之间高度共线性的情况

双链表 12345678910111213141516171819202122232425262728#include<iostream>using namespace std;const int N = 100010;int m;int e[N],l[N],r[N],idx;void insert(int k,int x) //第k个节点右边插入一个数{ e[idx