希尔排序（Shellsort）的名称源于它的发明者DonaldShell，该算法是冲破二次时间屏障的第一批算法之一，不过，从它的发现之日起，又过了若干年后才证明它的亚二次时间界。它通过比较相距一定间隔的元素来工作，各躺比较所用的距离随着算法的进行而减小，直到只比较相邻元素的最后一趟排序为止。由于这个原因，希尔排序有时也叫作缩小增量排序（diminishingincrementsort）。希尔排序使用一个序列，叫作增量序列（incrementsequence）。在使用增量的一趟排序之后，对于每一个就有（这里它是有意义的），所有相隔的元素都被排序。排序的一般做法是，对于中每一个位置，把其上的元素放
先说「二项分布（binomialdistribution）」，因为它是多项分布的特殊情况。二项分布就是抛硬币。现投次硬币，记正面朝上的次数为，反面朝上的次数为，每次投币正面朝上的可能性为，反面朝上的可能性为。最终，有次实验硬币投出正面、有次实验硬币投出反面的可能性为：因为、，该式也可化为我们更熟悉的形式：「多项分布（multinomialdistribution）」，简单来说就是投骰子。这个骰子可以不止有6个面（如果你见过那种神奇的多边形骰子的话；我甚至见过32个面的）。有一种美，叫做数学演绎美，它让我们凭直觉写出正确的表达式——多项分布的联合概率分布：其中，，表示骰子有多少面。一、参数估计：
论文标题：GraphContrastiveLearningwithAdaptiveAugmentation论文链接：https://arxiv.org/abs/2010.14945论文来源：WWW2021一、概述图对比学习中的数据增强在近来的方法中被证明是一个关键的部分，然而对于图数据增强的方法的研究却是不充分的。对于图像和文本来说，数据增强有很多种方式，然而对于图数据来说，数据增强是不容易的，这是由图数据的非欧几里得特性引起的。本文认为过去的图数据增强方法有两个缺点：①简单的数据增强，比如DGI中的特征打乱，对于生成节点多样化的邻域（也就是上下文）是不充分的，尤其是节点特征较为稀疏时，会导致
从初等数学到高等数学，再到现代数学的主要变化。包含一些专题，初等数学，算术，方程，三角函数，高等数学，线性代数，微积分，微分方程，现代数学，抽象代数，泛函分析，测度论算术加减乘除，最基本的运算，自然数，有理数，实数，复数。是一切数量概念的基础。a+b-cd/e=？1+2=3；5-4=1；45=20；6/3=21/2+1/2=1；1-1/3=2/3；62/3=4；4/6=2/3√2+2√2=3√2；3π-π=2π；√2√6=2√3；√10/√2=√51+2i+(3+4i)=4+6i；3+3i-(1+2i)=2+i；i*i=-1；3/i=-3i方程在计算中引入未知量，求未知量的数值a+2=3，a=
原创：程祥国1.XGBoost概述XGBoost是陈天奇提出的一个端对端的梯度提升树系统，该算法在GBDT【关于GBDT这里不再展开叙述，可以参考李航老师统计学习方法一书中对该算法的讲述】的基础之上，在算法层面和系统设计层面都做了一些创新性的改进，可以把XGBoost看作是GBDT更好更快的实现。XGBoost在许多机器学习以及数据挖掘的任务中表现惊艳，2015年，kaggle竞赛平台上发布了29个挑战获胜的解决方案，其中17个解决方案用了XGBoost。由于XGBoost在实际任务中的良好表现，因此搞清XGBoost的实现细节对于在实践中应用XGBoost是非常有帮助的。因此本文基于陈天奇的
2018年理数全国卷C题21已知函数.（1）若，证明∶当时，；当时，;（2）若是的极大值点，求.【解答问题1】函数的定义域为.若，则函数单调递减，单调递增，;函数单调递增，单调递增，;证明完毕.【解答问题2】令，则若是的极大值点，则存在,使得在区间内，单调递增，在区间内，单调递减.相应地，其一阶导函数的值有以下特征：;;;其二阶导函数存在两种情况：①;②;本题中，,情况①不成立，所以情况②成立。换言之，同时也是的极值点，必要条件是：解得：又∵∴当,存在,使得综上所述，既是必要条件，也是充分条件.【提炼与提高】对于极值问题，求导是个好办法。如果一次不行，还可以两次、三次。需要注意的是：仅仅是函数
先说「二项分布（binomialdistribution）」，因为它是多项分布的特殊情况。二项分布就是抛硬币。现投次硬币，记正面朝上的次数为，反面朝上的次数为，每次投币正面朝上的可能性为，反面朝上的可能性为。最终，有次实验硬币投出正面、有次实验硬币投出反面的可能性为：因为、，该式也可化为我们更熟悉的形式：「多项分布（multinomialdistribution）」，简单来说就是投骰子。这个骰子可以不止有6个面（如果你见过那种神奇的多边形骰子的话；我甚至见过32个面的）。有一种美，叫做数学演绎美，它让我们凭直觉写出正确的表达式——多项分布的联合概率分布：其中，，表示骰子有多少面。一、参数估计：
论文标题：GraphContrastiveLearningwithAdaptiveAugmentation论文链接：https://arxiv.org/abs/2010.14945论文来源：WWW2021一、概述图对比学习中的数据增强在近来的方法中被证明是一个关键的部分，然而对于图数据增强的方法的研究却是不充分的。对于图像和文本来说，数据增强有很多种方式，然而对于图数据来说，数据增强是不容易的，这是由图数据的非欧几里得特性引起的。本文认为过去的图数据增强方法有两个缺点：①简单的数据增强，比如DGI中的特征打乱，对于生成节点多样化的邻域（也就是上下文）是不充分的，尤其是节点特征较为稀疏时，会导致
从初等数学到高等数学，再到现代数学的主要变化。包含一些专题，初等数学，算术，方程，三角函数，高等数学，线性代数，微积分，微分方程，现代数学，抽象代数，泛函分析，测度论算术加减乘除，最基本的运算，自然数，有理数，实数，复数。是一切数量概念的基础。a+b-cd/e=？1+2=3；5-4=1；45=20；6/3=21/2+1/2=1；1-1/3=2/3；62/3=4；4/6=2/3√2+2√2=3√2；3π-π=2π；√2√6=2√3；√10/√2=√51+2i+(3+4i)=4+6i；3+3i-(1+2i)=2+i；i*i=-1；3/i=-3i方程在计算中引入未知量，求未知量的数值a+2=3，a=
原创：程祥国1.XGBoost概述XGBoost是陈天奇提出的一个端对端的梯度提升树系统，该算法在GBDT【关于GBDT这里不再展开叙述，可以参考李航老师统计学习方法一书中对该算法的讲述】的基础之上，在算法层面和系统设计层面都做了一些创新性的改进，可以把XGBoost看作是GBDT更好更快的实现。XGBoost在许多机器学习以及数据挖掘的任务中表现惊艳，2015年，kaggle竞赛平台上发布了29个挑战获胜的解决方案，其中17个解决方案用了XGBoost。由于XGBoost在实际任务中的良好表现，因此搞清XGBoost的实现细节对于在实践中应用XGBoost是非常有帮助的。因此本文基于陈天奇的
