注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 五笔字型训练软件 V4.00

  2. 　　本软件是一套在windows环境下进行中文五笔字型（86版）训练和英文指法训练的辅助学习软件。　　与其他同类软件相比，本软件有以下特点：　　(1)界面绿色环保。从V1.00版开始，软件界面就考虑了环保的要求，界面中大量采用亮度适中、对比度小的图片和文字，以降低因长时间训练对用户视力的影响。 　　(2)对机器硬件的要求低，磁盘和内存空间的占用小，运行速度快。　　(3)不需借助外部输入法，通过软件内部集成的五笔输入功能就可进行训练。　　(4)功能不断提升。从V1.00版升级至V4.XX版，实际

  3. 所属分类：专业指导

    • 发布日期：2007-08-27
    • 文件大小：5mb
    • 提供者：xiongjun

  1. 五笔字型训练软件V4.10

  2. 　　本软件是一套在windows环境下进行中文五笔字型（86版）训练和英文指法训练的辅助学习软件。　　与其他同类软件相比，本软件有以下特点：　　(1)界面绿色环保。从V1.00版开始，软件界面就考虑了环保的要求，界面中大量采用亮度适中、对比度小的图片和文字，以降低因长时间训练对用户视力的影响。 　　(2)对机器硬件的要求低，磁盘和内存空间的占用小，运行速度快。　　(3)不需借助外部输入法，通过软件内部集成的五笔输入功能就可进行训练。　　(4)功能不断提升。从V1.00版升级至V4.XX版，实际

  3. 所属分类：专业指导

    • 发布日期：2007-09-16
    • 文件大小：5mb
    • 提供者：xiongjun

  1. SQL2000学习教程

  2. 本学校的SQL语句教学，比较容易理解, 本学校的SQL2000图解内容，机器习题

  3. 所属分类：其它

    • 发布日期：2009-04-02
    • 文件大小：977kb
    • 提供者：mp5ly

  1. 图解Spark++核心技术与案例实战

  2. 1） 大数据爱好者 随着大数据时代的来临，无论传统行业、IT行业以及互联网等行业都将涉及到大数据技术，本书能够帮助这些行业的大数据爱好者了解Spark生态圈和发展演进趋势。通过本书可以了解到Spark特点和使用的场景，如果希望继续深入学习Spark知识，该书也是很好的入门选择。 （2） Spark开发人员 如果要进行Spark应用的开发，仅仅掌握Spark基本使用方法是不够的，还需深入了解Spark的设计原理、架构和运行机制。在本书中将深入浅出地讲解Spark的编程模型、作业运行机制、存储原理

  3. 所属分类：其它

    • 发布日期：2018-04-25
    • 文件大小：67mb
    • 提供者：hmliy_hao

  1. 学习机器的总大纲，知识图解

  2. 学习机器的算法知识，系统性总结，方便理解，构建知识图谱，事半功倍

  3. 所属分类：机器学习

    • 发布日期：2018-10-02
    • 文件大小：467kb
    • 提供者：hezhen283999767

  1. 《机器学习 100 天》-Siraj Raval-中文版！

  2. 100-Days-Of-ML-Code 是 Avik-Jain 的机器学习项目，超赞的配图，清晰的知识点梳理，是入门机器学习非常好的项目。内容包括：数据预处理、线性回归、逻辑回归、K最邻近算法、支持向量机、深度学习专项课程等.特色非常鲜明，每天的计划都基本配备了一张高清图解，浓缩的知识总结非常便于消化吸收，而且项目还配备了数据集和代码。下面是一些超赞的配图示例：有人经过原作者的授权，对该项目进行了汉化和编译,此为汉化文件，便于国人学习。

  3. 所属分类：机器学习

    • 发布日期：2019-03-12
    • 文件大小：34mb
    • 提供者：rfhjty

  1. MySQL5.0安装图解.docx

  2. mysql详细安装说明文档，大家都知道MySQL是一款中、小型关系型数据库管理系统，很具有实用性，对于我们学习很多技术都有帮助，前几天我分别装了SQL Server 2008和Oracle 10g数据库，也用了JDBC去连接他们，都没有出现乱码。昨天看同学用Java连接MySQL数据库的时候，出现了乱码，这是我不知道的，我马上上网去查JDBC连接MySQL的操作，发现在用JDBC方式连接MySQL数据库的时候要传递一个能解决乱码的参数，才能将不是乱码的数据插入到数据库中.这是我要安装MySQL

  3. 所属分类：JavaME

    • 发布日期：2019-06-04
    • 文件大小：1mb
    • 提供者：qq_40545208

  1. 机器学习500问()

  2. 通过问答的形式对常用的概率知识、线性代数、机器学习、深度学习、计算机视觉等热点问题进行阐述，以帮助自己及有需要的读者 227计算图的导数计算图解?37 228线性判别分析(LDA)思想总结

  3. 所属分类：深度学习

    • 发布日期：2020-10-04
    • 文件大小：21mb
    • 提供者：qq_30121457

  1. Win7系统安装MySQL5.5.21图解教程

  2. 大家都知道MySQL是一款中、小型关系型数据库管理系统，很具有实用性，对于我们学习很多技术都有帮助，前几天我分别装了SQL Server 2008和Oracle 10g数据库，也用了JDBC去连接他们，都没有出现乱码。昨天看同学用java连接MySQL数据库的时候，出现了乱码，这是我不知道的，我马上上网去查JDBC连接MySQL的操作，发现在用JDBC方式连接MySQL数据库的时候要传递一个能解决乱码的参数，才能将不是乱码的数据插入到数据库中。而这都是因为在安装数据库的时候，没有选择正确的编码造

  3. 所属分类：其它

  1. 自建算法图解的思维导图

  2. 最近看完了算法图解，做个了思维导图，附上来大家看看，作者从机器学习开始讲的就不是很具体了，但是背包问题，动态规划我认为讲的特别好，受益匪浅。现将pdf上传，大家有需要的拿走。

  3. 所属分类：专业指导

    • 发布日期：2020-12-21
    • 文件大小：468kb
    • 提供者：weixin_42456051

  1. 自建算法图解的思维导图

  2. 最近看完了算法图解，做个了思维导图，附上来大家看看，作者从机器学习开始讲的就不是很具体了，但是背包问题，动态规划我认为讲的特别好，受益匪浅。现将xmind上传，大家有需要的拿走。

  3. 所属分类：讲义

    • 发布日期：2020-12-21
    • 文件大小：166kb
    • 提供者：weixin_42456051

  1. 机器学习入门 — K-means、DBSCAN聚类算法（概念、图解、代码示例）

  2. 聚类概念 聚类是把相似的东西分到一组，它是一个无监督问题，没有标签使用 难点： 对于有标签的有监督学习问题，标签可以便于我们来评估模型，无监督学习问题在评估上比较难一点 对于不同的参数组合，得到的学习结果，因为比较难对模型做评估，所以不能通过一个精确度的好坏来选择参数组合 K-MEANS算法 K-MEANS算法是聚类问题中，最简单，也是最实用的一个算法 基本概念 一个数据放进来，需要指定K值，来声明要得到簇的个数 质心：一个簇的数据均值，即向量各维取平均即可（迭代时使用） 距离的度量：常用欧几里

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：438kb
    • 提供者：weixin_38674124

  1. 【图解例说机器学习】模型选择：偏差与方差 (Bias vs. Variance)

  2. 机器学习的过程大致分为三步：1）模型假设，比如我们假设模型是线性回归，还是多项式回归，以及其阶数的选择；2）误差函数定义，比如我们假设误差函数是均方误差，还是交叉熵；3）参数求解，比如使用正规方程，还是梯度下降等。 这篇文章主要讨论模型的选择问题，下面以多项式回归为例进行说明 一个例子：多项式回归中的阶数选择 在前面的文章【图解例说机器学习】线性回归中，我们定义了广义的线性回归模型，其表达式为： y^=ω0+∑j=1Mωjϕj(x)=ω0+wTϕ(x)(1) \hat y=\omega_0+\s

  3. 所属分类：其它

    • 发布日期：2020-12-21
    • 文件大小：137kb
    • 提供者：weixin_38701640

  1. XGBoost——机器学习（理论+图解+安装方法+python代码）

  2. 文章目录一瞥一、集成算法思想二、XGBoost基本思想三、MacOS安装XGBoost四、用python实现XGBoost算法五、xgboost的优化：六、xgboost的优势：1、正则化2、并行处理3、高度的灵活性4、缺失值处理5、剪枝6、内置交叉验证7、在已有的模型基础上继续七、常用API 介绍1.数据接口 Data Interface2. 参数设置Setting Parameters3.开始训练Training 保存模型4.提前停止Early Stopping5.预测Prediction

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：915kb
    • 提供者：weixin_38711149

  1. 机器学习十大经典算法——线性回归

  2. 前言：为什么要做这期博客呢，主要有两个意愿，一个是想买米10，希望各位帅哥美女支持一下，觉得不错就打赏下，另为一个是想将十大经典算法的推导以及思路清清楚楚的理下，希望这整期教程对大家有帮助，第一期咱们讲线性回归。这期不似之前的实践或者接的单子，主要是将之前北风网学到的东西做一个汇总，若有不对或者缺点，希望大家提出，大家一起进步。 1：什么是线性回归 用来构建一个算法模型(函数)来做属性(x)与标签之间的映射关系，在算法的学习过程中，试图寻找函数，使得参数之间的关系拟合性最好。 2：图解 图中的

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：403kb
    • 提供者：weixin_38550605

  1. 图解机器学习

  2. 每当提到机器学习，大家总是被其中的各种各样的算法和方法搞晕，觉得无从下手。确实，机器学习的各种套路确实不少，但是如果掌握了正确的路径和方法，其实还是有迹可循的，这里我推荐SAS的LiHui的这篇博客，讲述了如何选择机器学习的各种方法。另外，Scikit-learn也提供了一幅清晰的路线图给大家选择：其实机器学习的基本算法都很简单，下面我们就利用二维数据和交互图形来看看机器学习中的一些基本算法以及它们的原理。（另外向BretVictor致敬，他的Inventingonprinciple深深的影响了

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：700kb
    • 提供者：weixin_38698311

  1. XGBoost——机器学习（理论+图解+安装方法+python代码）

  2. 一、集成算法思想二、XGBoost基本思想三、MacOS安装XGBoost四、用python实现XGBoost算法在竞赛题中经常会用到XGBoost算法，用这个算法通常会使我们模型的准确率有一个较大的提升。既然它效果这么好，那么它从头到尾做了一件什么事呢？以及它是怎么样去做的呢？我们先来直观的理解一下什么是XGBoost。XGBoost算法是和决策树算法联系到一起的。在决策树中，我们知道一个样本往左边分或者往右边分，最终到达叶子结点，这样来进行一个分类任务。其实也可以做回归任务。看上面一个图例左

  3. 所属分类：其它

  1. 图解机器学习

  2. 每当提到机器学习，大家总是被其中的各种各样的算法和方法搞晕，觉得无从下手。确实，机器学习的各种套路确实不少，但是如果掌握了正确的路径和方法，其实还是有迹可循的，这里我推荐SAS的LiHui的这篇博客，讲述了如何选择机器学习的各种方法。另外，Scikit-learn也提供了一幅清晰的路线图给大家选择：其实机器学习的基本算法都很简单，下面我们就利用二维数据和交互图形来看看机器学习中的一些基本算法以及它们的原理。（另外向BretVictor致敬，他的Inventingonprinciple深深的影响了

  3. 所属分类：其它

    • 发布日期：2021-02-20
    • 文件大小：700kb
    • 提供者：weixin_38746951

  1. XGBoost——机器学习（理论+图解+安装方法+python代码）

  2. 一、集成算法思想二、XGBoost基本思想三、MacOS安装XGBoost四、用python实现XGBoost算法在竞赛题中经常会用到XGBoost算法，用这个算法通常会使我们模型的准确率有一个较大的提升。既然它效果这么好，那么它从头到尾做了一件什么事呢？以及它是怎么样去做的呢？我们先来直观的理解一下什么是XGBoost。XGBoost算法是和决策树算法联系到一起的。在决策树中，我们知道一个样本往左边分或者往右边分，最终到达叶子结点，这样来进行一个分类任务。 其实也可以做回归任务。看上面一个图例

  3. 所属分类：其它

  1. 机器学习入门——决策树图解(附代码)

  2. 引言 本文介绍了决策树，它和KNN一样，也是一个非参数学习算法；决策树可以解决多分类问题，同时也可以解决回归问题。 决策树具有非常好的可解释性。 决策树 先来看下什么是决策树。决策树描述了一些规则，根据这些规则可以做出决策。比如某公司想招聘机器学习算法工程师，他们可能会先看应聘者是否在顶级会议上发表过论文，如果发表过的话则直接录用；否则看应聘者是否为研究生，如果是并且读研期间做的项目是和机器学习有关的，则录用；无关的则留待考察；若不是研究生，则看成绩是否是年纪前10，是的话则录用否则留待考察。

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：80kb
    • 提供者：weixin_38657465
« 12 »