求出小于n的所有质数&合数的质因子
1234567891011121314151617181920212223///类似于动态规划的记忆化搜索 // 求取小于等于n的所有质数 // 并求取所有合数的质因子 vector<bool> isPrime(n+1, true); vector<vector<int>> factor(n+1); for (int i = 2; i <= n; i++) { // 查看i是否是质数 // 不是质数，则下一个 if (!isPrime[i]) continue; // i是质数 // 遍历i的所有倍数，其倍数必定不是质数，并记录对应的质因子i int m = 2; while ((m * i) <= n) { int cur = m * i; isPrime[cur] = false; factor[cur] ...
周志华-机器学习
鼎鼎大名的西瓜书，旁听了同学的读书分享与知识总结，如果能听到周老师的课就好了，可惜没有。
高翔-视觉SLAM十四讲
最深刻的是高博关于状态，观测的极大后验概率与极大似然估计间的关系说明。笼统的来讲，视觉slam可以归纳为，基于当前观测的对于机器人状态的极大似然估计，基于当前的观测去反推出机器人可能的状态，“机器人在什么样的状态下，最有可能出现当前的这个观测”，这就是极大似然。
清华大学-数学建模-写在后面
感觉作为算法设计者，首先要将实际问题转化为自然语言描述的问题，然后再将自然语言问题抽象为数学问题，进行数学建模(目标，评价方法，模型选择，策略选择，优化方法)，然后再将数学模型转化为程序语言，进行一定的算法设计优化，复杂度问题，coding，debug，运行求解.
自己对于第一步，如何将实际问题抽象为数学问题没有太多概念.为了增强这方面的理解，加深抽象能力，选择了这本课程。
花了快个把月快速过了遍，因为是面向本科生的课程，所以都讲的比较浅.里面提到的一些概率模型自己也不是很了解，后续再补一补。整体的收获还是很多的，有空再写写…
MIT-线性代数-写在前面
daf9e1003c8b639b6138b233a8332339098f8ce558af38779bb68126cda99d11e505048ab21d6acc3970316aca5e45c585dbf56749c5e25e543dc9a888c67a7860bc3511cd3e9355c3e8eb0ac7d4072fb75b0a76eac8e626242ee51136bd7f2b5ba4ae972f51a9da4d560c7204e872fe264b65bc88f405417815bd9e95852657408099615a5ff41e03dcef114db61a0418ee18bf3df635573bcb253a1c988c2ac6fc56e2e186fd3f849812ae1fe37d351940382a9f79d0fcbd546e4d984e7570419a80ce8d059ccc8e982f0247e3d5a3892f9dca253b79efa0e90eb1e14b6eca8de04ee9350010dd329f99f8e59cd51a407cad2545dfe10ba ...