sisui的博客助理

sisui的博客

C语言基础知识点和练习题，包括条件语句、循环、switch语句、变量赋值与表达式的使用

Day4-6

本文介绍了如何使用 Conda 创建与管理 Python 环境，并在 VS Code、PyCharm 和 Jupyter Notebook 中快速完成解释器配置、常用插件安装及调试运行设置。

 Conda 环境配置及 IDE 开发环境搭建

本文详细介绍了Python的基本变量类型，重点阐述了字符串(str)和数字类型(int、float、complex)的特性和操作方法。同时对比了可变类型(list、dict、set等)和不可变类型(str、tuple等)的区别，并通过代码示例展示了各类型的常用操作，包括增删改查等基础操作。

1.Python-基础变量类型之字符串和数字类型

本文全面总结了Python中的复合类型，包括序列类型、映射类型和集合类型，详细介绍了各类运算符、推导式语法和常用语句，并通过实例代码展示了实际应用场景。

2.Python-复合类型之序列类型、映射类型和集合类型总结

本文梳理了 Python 编程基础知识，包括推导式、异常处理、断言与异常抛出、函数定义与调用、文件操作及常见内置函数。每日一题 3169“无需开会的工作日”，详细分析了处理会议区间、计算无会议工作日的解题思路与代码实现，并对官方题解进行了比较和思考。

3.py-Python推导式及常见语句和内置函数总结

本文梳理了 Python 函数参数的可变性与解包、lambda 及高阶函数 map/filter/sorted 的用法

4.py-函数的位置传参、关键词传参及其可变性和解包操作


本篇博文系统介绍了 Python 中递归函数、装饰器、类与对象等核心知识。包括递归的基本原理与示例、装饰器的语法糖用法及实战、类和对象的定义与使用方法、init 和 self 的作用，以及属性和方法的区别。

5.py-递归函数及装饰器函数

本文通过AI收集了leetcode刷题线路，可以根据建议以及每天所学知识进行对应的刷题

Leetcode刷题建议

本文简明介绍了 Python 面向对象中属性、方法、魔术方法和三大特性的核心用法，配有易懂代码示例。后半部分针对 LeetCode 第 3201 题“找出有效子序列的最大长度 I”做了题意拆解和思路剖析，并给出了贪心和枚举两种解法。文中重点强调了如何将复杂子序列问题归纳为找全奇、全偶、奇偶交替三种情形，并附有完整 AC 代码及官方题解对比。

6.py-类和对象的基本概念及属性和方法的常见分类和使用场景

本文回顾了OOP三大特性，讲解了Python中Iterable和Iterator的区别与实现，重点介绍了生成器的用法及其在大数据、流水线处理中的高效与内存友好。结合实际案例，说明了如何用生成器处理和保存数据，并强调了模块化开发和常用标准库的应用。注意编程中的数据类型、路径和写入细节，有效提升了代码的规范性和实用性。

7.py-迭代器和生成器的区别及其各自实现方式和使用场景

本文系统梳理了Python模块化编程的核心概念，使用爬虫爬取了百度图片，讲解了模块与包的区别及导入方式，总结了常见标准库和第三方模块的管理方法，并结合NumPy实例演示了模块化开发和科学计算的高效实践，强调了良好代码结构和依赖管理对提升开发效率和代码质量的重要作用

8.py-模块化编程概念（模块、包、导入）及常见系统模块总结和第三方模块管理

本文全面介绍了 OpenCV‑Python 的基础知识：包括环境安装、图像的像素/位深与颜色空间（BGR/RGB）、图像读取/保存、数组切片与缩放、以及在图像上绘制基本图形（直线、矩形、圆形）。附有清晰的代码示例，帮助读者快速上手计算机视觉的核心操作。后半部分为“每日一题”环节，讲解了 LeetCode 1695 题“删除子数组的最大得分”，通过暴力法、双指针 + set 优化，到基于布尔数组(has)的极致优化，清晰展示了不同思路的性能差异，提供了完整 AC 代码，并分析了集成 set 与 has 两种结构在查重和空间上的权衡。

9.py-图像基础：使用 OpenCV 探索计算机视觉

本文系统介绍了使用 Python-OpenCV 进行图像处理的基础核心操作，包括颜色空间转换、多种图像阈值法、仿射变换（平移、旋转、缩放）、图像翻转及颜色算术运算。通过丰富的代码案例和详细解析，本文旨在帮助初学者快速掌握图像处理的基本技能和实践经验。

10.py-OpenCV入门：图像处理核心操作全面指南

本文通过六个核心案例，系统讲解了使用 Python 和 OpenCV 进行图像处理的基础技术，涵盖几何变换、颜色操作与滤波降噪。每个案例都附有完整代码和详细解析，旨在帮助初学者快速掌握图像处理的实用技巧

11.py-OpenCV 实用图像处理：从几何变换到滤波降噪入门指南

本文是系统地介绍了从基础的图像梯度（Sobel、Laplacian）、Canny 边缘检测，到核心的轮廓查找、特征分析（凸包、多种外接图形），最后延伸至图像的统计学特征（直方图），通过丰富的代码实例和清晰的原理解释，为初学者铺设了一条从像素级处理到高级图像理解的完整学习路径。

12.py-OpenCV核心教程：从边缘检测、轮廓分析到直方图

本文详细介绍了机器学习的定义与发展历程（包括监督、无监督、半监督与强化学习）、所需数学与编程基础及项目开发流程，scikit-learn 库的安装方法、模块组成（分类、回归、聚类、降维、模型选择与预处理）及统一 Estimator API 设计；展示了使用内置玩具与现实世界数据集、本地 CSV 加载与训练/测试集划分，以及 DictVectorizer、CountVectorizer、TfidfVectorizer、MinMaxScaler、normalize、StandardScaler、VarianceThreshold 和 PCA 等特征工程技术的实战用法；并依次讲解了 KNN、朴素贝叶斯、决策树、随机森林、线性回归（最小二乘、梯度下降、SGD、Mini-batch）、Lasso、Ridge 与逻辑回归等算法的原理、优缺点、sklearn API 调用及示例，同时涵盖模型评估（score、交叉验证）与超参数调优（GridSearchCV）全流程

Python-Scikit-learn 机器学习完全指南：从理论基础到算法实践

本文从人工智能由数学、算力和算法构成的本质讲起，阐释了PyTorch凭借其灵活的动态计算图、强大的自动微分机制（Autograd）和易用性成为主流深度学习框架的原因。文章详细介绍了其核心数据结构——张量（Tensor）的创建、关键操作（如矩阵运算、形状调整及广播机制），并重点解释了自动微分如何通过计算图和反向传播来驱动模型训练。最后，通过一个完整的线性回归案例，文章将所有理论知识融会贯通，演示了从定义模型、计算损失到更新参数的全过程

Python-深度学习-torch框架学习

本文系统梳理了全连接神经网络（FCNN）：先说明 AI→ML→DL 的层级与区别，并按时间线回顾从感知机、BP 到 AlexNet、Transformer 与大模型的发展；强调激活函数带来的非线性能力；随后从生物神经元出发讲清人工神经元的组成与数学表达、网络层次与全连接计算；给出 PyTorch 中 nn.Linear/nn.Sequential 与常见激活函数的用法；最后总结数据准备流程、PyTorch 的 Dataset/DataLoader 以及常见预处理与图像增强。适合零基础做概念与实践前的快速梳理。

Python-深度学习-全连接神经网络1

本文全面梳理了构建全连接神经网络（FCNN）的核心技术，系统讲解了激活函数、参数初始化、损失函数、反向传播优化器及正则化等关键概念，并通过代码案例和项目实战，帮助初学者掌握从理论到实践的全过程。

Python-深度学习-全连接神经网络2

本文从 Tokenizer 基础（如 BPE、WordPiece）讲起，系统梳理了 Transformer 模型的核心架构，重点剖析了自注意力与多头注意力机制的原理、计算过程及 PyTorch 代码实现，并涵盖了层归一化、位置编码与掩码等关键技术