每周完成一个 ARTS：
Algorithm: 每周至少做一个 LeetCode 的算法题
Review: 阅读并点评至少一篇英文技术文章
Tips: 学习至少一个技术技巧
Share: 分享一篇有观点和思考的技术文章
scp 命令在 Linux 上通过 ssh 的方式传输文件题目：1. Two Sum
难度：Easy
题意：给定一个整数数组 nums，找出其中两个和为给定目标的数字，并返回其下标。假定每个输入都只有一个确定的答案，但是要求数字的下标不能重复。
例子：
Given nums = [2, 7, 11, 15], target = 9,
Because nums[0] + nums[1] = 2 + 7 = 9,
return [0, 1].
解法：
for 循环找出对应的 i 和 j 使得 nums[i] + nums[j] == target 即可。for i in range(len(nums) - 1):
for j in range(i + 1, len(nums)):
if nums[i] + nums[j] == target:
return [i, j]
很明显，这样的做法是非常耗时的，两遍嵌套循环的时间复杂度为 O(n^2)，如果想减小时间复杂度，应该考虑使用牺牲空间换取时间的方法。
values 的空字典，第一遍遍历 nums，存储 nums 中所有的值和它们对应的位置，第二遍在 values 中寻找 target - nums[i]，并且判断符合条件的两个值的坐标是否相同（比如输入 nums = [2, 7, 11, 15], target = 4，那么 result 不应为 [0, 0]），如果相同就 continue。values = {}
for i in range(len(nums)):
values[nums[i]] = i
for i in range(len(nums)):
if target - nums[i] in values:
if i == values[target - nums[i]]:
continue
else:
return[i, values[target - nums[i]]]
从 OJ 的结果来看还是相对比较耗时，在第一步我们存入了所有的数字，那么空间复杂度是 O(n)，牺牲了空间去换时间（这也是为什么提交的答案在「内存消耗」上之只超过了 5.08% 的用户的原因，因为大部分人都是使用的暴力解法，而暴力解法的空间复杂度是 O(1)）。
nums[i]，如果不在 values 中，那么就将 target - nums[i] 存进 values 中，那么如果下一次查找，nums[i] 正好在 values 中，即之前存进来过的 nums[某个i]，那么直接返回。这样不用遍历所有的数字就可找出答案。返回的时候，应先返回存进 values 中的值，再返回当前的 i。values = {}
for i in range(len(nums)):
if nums[i] not in values:
values[target - nums[i]] = i
else:
return [values[nums[i]], i]
这是我在 LeetCode 上做的第一道算法题，其实一开始并不知道如何去选择题目，就从第一题开始做了。在做完这道题目之后，我发现自己数据结构的基础非常不好，应该有意识地去针对性做练习，于是我找到了这个网站，它对 LeetCode 的题目进行了总结和排列。我打算之后按照 array，string，tree，linkedlist，math 的顺序来做题。请问大家是如何利用 LeetCode 进行练习的呢？
这周的文章我选择的是 CohortPlus 上的一篇讲述常用的机器学习算法和应用的文章。
作者在文章开头就指出，拥有机器学习技术的工程师在市场上非常受欢迎，机器学习工程师和数据科学家拥有非常有竞争力的薪水。作者所有的工程师都应该尝试学习掌握机器学习技术。
那么对于初学者来说，应该掌握哪些常用的机器学习算法呢？对于一个实际问题，应该如何有针对性地选择高效的机器学习算法呢？对于某个确定的“过程”（即算法）来说，它又有哪些特点、优点和缺点呢？作者在后文给出了答案。
常用的机器学习算法分为四大类：
有监督学习 Supervised Learning
有监督学习算法包含了典型的分类（classification）和回归（regression）问题。从标注数据（训练集）中我们推测出（infer）一个合适的函数或模型，用它对输入数据（即测试集或者真实待求的数据）进行赋值（labeling）：如果结果为一个真实的数字，那么这个过程被称为回归；反之如果结果来自一些特定值的集合（set of values），这个过程被称为分类。
无监督学习 Unsupervised Learning
和有监督学习正相反，在无监督学习中，我们并没有标注好的数据。我们对数据的相似性进行观察，并找出一些拥有相似数据的集合，将他们分为合适的聚类（cluster），当某些数据无法被分到某个类中时，将它们分为异常点或离群点（anomalies or outlines）。
半监督学习 Semi-supervised Learning
半监督学习算法将有监督学习和无监督学习结合，使用很少的标注数据和一些未标注数据共同对模型进行训练，可以极大地提高训练的准确性。
强化学习 Reinforcement Learning
和上面三种算法不同，在强化学习中，智能体（agent）根据奖赏（reward, positive reinforcement）或惩罚（penalty, negative reinforcement）进行学习并决定在某种情况下采取何种行为。
接下下作者列出了一些常用的机器学习算法并进行了简要的介绍：
线性回归 Linear Regression： 回归算法中最简单的机器学习算法，在大型数据集上表现非常好，可以使用梯度下降法来降低计算量。
逻辑回归 Logistic Regression： 用于二分类问题，逻辑回归算法计算每个数据属于某一类的概率，再根据概率进行分类。从某种角度来说，逻辑回归属于神经网络的一个非常小的例子。
决策树 Decision Tree： 决策树是一个非常系统的机器学习算法，决策的过程非常直观，很容易理解。决策树既可以做分类也可以做回归，分别使用交叉熵（或基尼纯度）或最小二乘法进行计算。
神经网络 Neural Network： 神经网络模仿人类大脑的结构，在层与层之间进行线性的连接，这赋予了网络非线性特征。对于图像和视频，深度卷积神经网络（Deep Convolutional Neural Networks）给出了最好的结果，对于自然语言处理（Natural Language Processing）问题，循环神经网络（Recurrent Neural Network）的表现最好。
支持向量机 Support Vector Machine： 支持向量机是一个非常经典的分类算法（当然也可以用于回归），它将待分类数据通过核函数（Kernel Function）映射到一个更高的维度，这样在更高的维度上数据就是线性可分的，使用一个超平面就可以对数据进行分类。
K 近邻算法 K-Nearest Neighbour： K 近邻算法是另一个既可以做分类又可以做回归的机器学习算法，K 近邻算法通过来自数据点的 K 个最近邻居的多数表决来识别新的分类。K 近邻算法的计算量非常大（computationally expensive），所以在使用过程中应该尽量使数据最小化。
朴素贝叶斯模型 Naïve Bayes Model： 朴素贝叶斯模型是一个非常简单的分类算法，它使用经典的贝叶斯公式，对每一个数据属于某个类的概率进行计算（条件概率或后验概率），再根据概率进行分类判断。“朴素”的含义是，该算法假定数据的特征之间是相互独立的。
最后作者对何种情况应选择何种算法进行了总结：
在数据量很大时，我们倾向于使用线性回归模型处理回归问题，因为其他的算法容易受到过拟合的影响；我们倾向使用逻辑回归来处理二分类问题。
当计算量不是一个问题的时候，这也就意味着我们对模型的精细度有了更高的要求，那么神经网络是一个非常好的选择（理论上只要有足够多的神经元，神经网络就可以以任意精度逼近任意复杂度的连续函数）。
当已知数据的特征是相互独立的时候，尽管数据集很大或者很复杂，我们依然可以选择朴素贝叶斯模型。
在 Linux 下一般用 scp 这个命令来通过 ssh 传输文件。
从服务器上下载文件 scp username@servername:/path/filename /var/www/local_dir
例如：scp root@192.168.0.101:/var/www/test.txt /var/www/local_dir
把 192.168.0.101 上的 /var/www/test.txt 的文件下载到 /var/www/local_dir（本地目录）。
上传本地文件到服务器
scp /path/filename username@servername:/path
例如：scp /var/www/test.php root@192.168.0.101:/var/www/
把本机 /var/www/ 目录下的 test.php 文件上传到 192.168.0.101 这台服务器上的 /var/www/ 目录中。
从服务器下载整个目录
scp -r username@servername:/var/www/remote_dir/ /var/www/local_dir/
例如：
scp -r root@192.168.0.101:/var/www/test/ /var/www/
上传目录到服务器
scp -r local_dir username@servername:remote_dir
例如：
scp -r test root@192.168.0.101:/var/www/
把当前目录下的 test 目录上传到服务器的 /var/www/ 目录。
注：目标服务器要开启写入权限。
一篇只完成了一半的旧文，是我自己学习《数据分析实战 45 讲》第 3 讲的笔记，对 Python 基础部分进行了不少补充，算是自己的一个复习过程。