引自 wikipedia 冒泡排序（英语：Bubble Sort，台湾另外一种译名为：泡沫排序）是一种简单的排序算法。它重复地走访过要排序的数列，一次比较两个元素，如果他们的顺序错误就把他们交换过来。走访数列的工作是重复地进行直到没有再需要交换，也就是说该数列已经排序完成。这个算法的名字由来是因为越小的元素会经由交换慢慢 “浮” 到数列的顶端。

这是极客公园「极客公开课 · Live」2017 年第一期的活动，来自 Hulu 北京研发中心的研发总监周涵宁 Eric，和我们分享了在视频产品中的推荐系统模型，以及他在 Hulu 的相关技术产品经验。

专栏 | 九章算法网址 | www.jiuzhang.com 今天，九章算法为大家悉心准备了史上最强的位运算知识点大总结！ 1. 位运算基本操作知识小结 1.1 左移操作 a << b 将A的二进制表示的每一位向左移B位，左边超出的位截掉，右边不足的位补0 A = 1100 B…

读者自行尝试可以想看源码戳这，博主在github建了个库，欢迎star.读者可以Clone下来本地尝试。此博文配合源码体验更棒哦~~~ 输出：n个数的排列:a1',a2',a3',...,an'，使得a1'<=a2'<=a3'<=...<=an'。 再讲的形象点就是排排坐，调座…

文/LeanCloud 工程师 王子亭 在春节前后，经常在社区中看到有关年会抽奖程序的讨论，其中抽奖的公平性是被大家讨论得最多的点。可能有的人会说可以用 random.org 来取随机数，的确这个网站可以保证数字的随机性，但如果访问 random.org 的浏览器位于一台计算机…

一个梨很甜，用数学的语言可以表述为糖分含量 90%，但只有亲自咬一口，你才能真正感觉到这个梨有多甜，也才能真正理解数学上的 90% 的糖分究竟是怎么样的。如果 EM 是个梨，这篇文章的目的就是带领大家咬一口。

淘宝的搜索引擎涉及对上亿商品的毫秒级处理响应，而淘宝的用户不仅数量巨大，其行为特点以及对商品的偏好也具有丰富性和多样性。因此，要让搜索引擎对不同特点的用户作出针对性的排序，并以此带动搜索引导的成交提升，是一个极具挑战性的问题。传统的 Learning to Rank（LTR）方法主要是在商品维度进行学习，根据商品的点击、成交数据构造学习样本，回归出排序权重。LTR 学习的是当前线上已经展示出来商品排序的现象，对已出现的结果集合最好的排序效果，受到了本身排序策略的影响，我们有大量的样本是不可见的，所以 LTR 模型从某种意义上说是解释了过去现象，并不一定真正全局最优的。针对这个问题，有两类的方法，其中一类尝试在离线训练中解决 online 和 offline 不一致的问题，衍生出 Counterfactural Machine Learning 的领域。另外一类就是在线 trial-and-error 进行学习，如 Bandit Learning 和 Reinforcement Learning。

插入排序、选择排序、归并排序、堆排序、快速排序、计数排序、桶排序、基数排序、冒泡排序、希尔排序、梳排序