大家好，今天小编关注到一个比较有意思的话题，就是关于python编程经典算法的问题，于是小编就整理了4个相关介绍Python编程经典算法的解答，让我们一起看看吧。
python初学者必备十大算法？
1. K均值聚类算法（K-Means Clustering）
2. 逻辑回归（Logistic Regression）
3. 决策树（Decision Tree）
4. 支持向量机（Support Vector Machine）
5. 朴素贝叶斯（Naive Bayes）
6. 随机森林（Random Forest）
7. XGBoost（Extreme Gradient Boosting）
8. AdaBoost（Adaptive Boosting）
9. 卷积神经网络（Convolutional Neural Network）
10. 长短期记忆（Long Short Term Memory）
请教大神：能否用python这个工具，把现成的算法改写？
很高兴回答你的问题：
Python作为一门公认的胶水编程语言，可想而知没有它不能做的。
之前我学习数据结构及基本算法都是用C做过，像最喜欢考的冒泡排序、二分查找、等等，其实后来学了Python后，也尝试过用Python来实现算法编码，效果吧也还不错。
一起来看看吧！之前做的冒泡排序小算法。
例如：又这么个列表list =[1,3,2,7,9,4,2,6,100,89,34,12,38],用冒泡算法排序。
后来又学了人工智能，其实说白了，就是通过算法设计对大量的数据进行分析分类，并调用这些分类的数据与测试数据进行匹配，然后生成想要的新数据或者辨别新数据。
对于神经网络生成新的图片、图像已经不是什么秘密了，但基本上都是些人脸识别、生成人脸啥的。之前得到消息说，古代名画也可以利用计算机生成。可想生成建筑图纸也不是难事。
以图像生成为例，看能否给你启示，需要源码也可以给你。
很高兴收到你的邀请。
首先,Python是一门编程语言，理论上是支持所有算法的改写。
针对你的问题描述，想要通过GANs应用在建筑行业，并且让其根据设定的已知条件来生成对应的图纸。理论上是可行的，这个也仅仅存在于理论上。原因如下。
首先由于机器和人的存在真正的视觉差异，并且机器的深度学习依赖于对抗样本，即真实样本略加扰动而构造出的合成样本。这样就会产生一种现象，***如我们提供一个真实样本，机器通过对抗样本产生对抗网络。这样机器就会将一些原本不存在或者我们没有验证过得一些样本进行归类，我们无法对这一类样本的安全性，准确性进行校验，但是机器却会高度信赖这些样本。其次，真实建筑行业很多都是需要进行各种计算才能得出图纸，比如架构，承重等等。因此***设我们完成了这一算法的研究，那么机器给出的图纸到底可信与否才是我们最终要解决的问题。
另外，关于GANs的相关文献或者资料可以选择去国内外的专题论文文献中查看，如果没权限可以在GitHub上搜索the-gan-zoo。然后直接查看 README.md。可以选择自己想要了解的文献内容去寻找相关答案，目前我的答案或许只是很入门级的观点，希望给你提供的资料能够帮助你一些。
最后，如果这个设想能够成功，这一研究经费恐怕无法想象,这一技术也是历史性的突破，希望我有机会见证。
可以训练这样的模型，生成的结果符合设定规则，但是不太可能实用，因为在实际设计中有很多理论以外的条件和经验，这些并不能通过模型来实现，如果只是利用这个模型生成一些思路的话倒是可以参考。
python冒泡算法的详解？
首先比较相邻元素。然后根据这个代码def bubble_sort(nums):
for i in range(len(nums) - 1):
for j in range(len(nums) - i - 1):
if nums[j] > nums[j + 1]:
nums[j], nums[j + 1] = nums[j + 1], nums[j]
return nums
以此类推，重复以上操作。
Python哪些可以代替递归的算法？
递归方法有些时候是不太好理解，不过递归的意义就是把解决问题n变成解决n-1的问题，最终变成解决1个问题。
***设有n个盘子，从上到下依次编号，最下面的盘子编号是大写的N。到此，以上就是小编对于python编程经典算法的问题就介绍到这了，希望介绍关于python编程经典算法的4点解答对大家有用。
