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. 编程 卓有成效的程序员

  2. 　　译者序 　　序 　　前言 　　第1章 简介 9 　　为什么要写一本关于程序员生产力的书？ 9 　　本书包含哪些内容？ 10 　　如何读此书？ 12 　　第2章 加速 　　启动面板 14 　　加速器 18 　　宏 24 　　小结 26 　　第3章 专注 27 　　排除干扰 27 　　搜索优于导航 29 　　找出难找的目标 30 　　使用有根视图 31 　　设好“粘性属性” 32 　　使用基于项目的快捷方式 33 　　使用多显示器 33 　　用虚拟桌面拆分工作空间 33 　　小结 34 　　第

  3. 所属分类：C++

    • 发布日期：2011-06-03
    • 文件大小：9mb
    • 提供者：maibin2008

  1. 移动交互设计

  2. 本资源内容是阐述一些移动产品的设计理念，图文并茂解说了当今移动交互设计的理念，注重用户体验。通过设计例子的对比来直观地反映不同设计理念所带来的效果，以及如何运用古腾堡法则、奥卡姆剃刀原则等，还有菲茨定律、席克定律、格式塔定律、米勒定律等交互设计定律的解析和运用。

  3. 所属分类：其它

    • 发布日期：2013-07-22
    • 文件大小：1mb
    • 提供者：zhuiji7

  1. 产品设计的100个通用法则

  2. 归纳了产品设计的100个通用法则。比如，“奥卡姆剃刀”法则，麦田07年曾经介绍过，现在互联网产品设计界已经比较普遍接受了。该书初版于2003年，2009年下半年会出新版，在100条产品设计法则上再增加25条新的产品设计法则。

  3. 所属分类：IT管理

    • 发布日期：2014-02-28
    • 文件大小：539kb
    • 提供者：yz4121

  1. 技术架构设计原则

  2. 一个好的技术架构设计时要遵循的原则，包含什么是大道至简思想，如何分轴扩展，如何选择正确工具，如何采用奥卡姆剃刀以及缓存为王，前车之鉴，重中之重几个点

  3. 所属分类：Web开发

    • 发布日期：2018-08-10
    • 文件大小：489kb
    • 提供者：qxmlovezn

  1. LCKSVDmatlab

  2. matlab代码，奥卡姆剃刀说：如果两个模型的解释力相同，选择较简洁的那个。稀疏表达就符合这一点

  3. 所属分类：其它

    • 发布日期：2018-08-21
    • 文件大小：15mb
    • 提供者：vivizhangyan

  1. 嵌入式系统/ARM技术中的Force10推出开发式自动化解决方案

  2. 日前，Force10网络公司在业界率先推出“开放式自动化”（Open Automation）解决方案。该解决方案旨在采用简单、基于 标准的网络自动化方案以优化数据中心网络的性能和效率，并可为基于云计算的服务奠定基础。Force10公司将奥卡姆剃刀原理（即14世纪的元理论原理，所谓“如无必要，勿增实体”，切勿浪费较多东西去做用较少的东西同样可以做好的事情）运用到了“开放式自动化”方案的制订过程中，进一步印证了最简单的解决方案通常就是正确可靠的解决方案这一原理。 　　Force10公司新推的“开放式

  3. 所属分类：其它

    • 发布日期：2020-10-23
    • 文件大小：63kb
    • 提供者：weixin_38626080

  1. tensorflow使用L2 regularization正则化修正overfitting过拟合方式

  2. L2正则化原理： 过拟合的原理：在loss下降，进行拟合的过程中（斜线），不同的batch数据样本造成红色曲线的波动大，图中低点也就是过拟合，得到的红线点低于真实的黑线，也就是泛化更差。 可见，要想减小过拟合，减小这个波动，减少w的数值就能办到。 L2正则化训练的原理：在Loss中加入（乘以系数λ的）参数w的平方和，这样训练过程中就会抑制w的值，w的（绝对）值小，模型复杂度低，曲线平滑，过拟合程度低（奥卡姆剃刀），参考公式如下图： （正则化是不阻碍你去拟合曲线的，并不是所有参数都会被无脑抑制

  3. 所属分类：其它

    • 发布日期：2020-12-17
    • 文件大小：98kb
    • 提供者：weixin_38712899

  1. tensorflow使用L2 regularization正则化修正overfitting过拟合方式

  2. L2正则化原理： 过拟合的原理：在loss下降，进行拟合的过程中（斜线），不同的batch数据样本造成红色曲线的波动大，图中低点也就是过拟合，得到的红线点低于真实的黑线，也就是泛化更差。 可见，要想减小过拟合，减小这个波动，减少w的数值就能办到。 L2正则化训练的原理：在Loss中加入（乘以系数λ的）参数w的平方和，这样训练过程中就会抑制w的值，w的（绝对）值小，模型复杂度低，曲线平滑，过拟合程度低（奥卡姆剃刀），参考公式如下图： （正则化是不阻碍你去拟合曲线的，并不是所有参数都会被无脑抑制

  3. 所属分类：其它

    • 发布日期：2020-12-17
    • 文件大小：98kb
    • 提供者：weixin_38556822

  1. 基于Python实现的ID3决策树功能示例

  2. 本文实例讲述了基于Python实现的ID3决策树功能。分享给大家供大家参考，具体如下： ID3算法是决策树的一种，它是基于奥卡姆剃刀原理的，即用尽量用较少的东西做更多的事。ID3算法，即Iterative Dichotomiser 3，迭代二叉树3代，是Ross Quinlan发明的一种决策树算法，这个算法的基础就是上面提到的奥卡姆剃刀原理，越是小型的决策树越优于大的决策树，尽管如此，也不总是生成最小的树型结构，而是一个启发式算法。 如下示例是一个判断海洋生物数据是否是鱼类而构建的基于ID3思想

  3. 所属分类：其它

    • 发布日期：2020-12-25
    • 文件大小：56kb
    • 提供者：weixin_38553466

  1. 决策树剪枝算法的python实现方法详解

  2. 本文实例讲述了决策树剪枝算法的python实现方法。分享给大家供大家参考，具体如下： 决策树是一种依托决策而建立起来的一种树。在机器学习中，决策树是一种预测模型，代表的是一种对象属性与对象值之间的一种映射关系，每一个节点代表某个对象，树中的每一个分叉路径代表某个可能的属性值，而每一个叶子节点则对应从根节点到该叶子节点所经历的路径所表示的对象的值。决策树仅有单一输出，如果有多个输出，可以分别建立独立的决策树以处理不同的输出。 ID3算法:ID3算法是决策树的一种，是基于奥卡姆剃刀原理的，即用尽量

  3. 所属分类：其它

    • 发布日期：2020-12-26
    • 文件大小：137kb
    • 提供者：weixin_38658568

  1. 深度学习笔记_tensorflow2.0_过拟合（二）

  2. 减少过拟合方法： 交叉验证 normalization 学习率调整， learning rate decay momentum动量调整 k折交叉检验： 正则化： 更小的权值w，从某种意义上说，表示网络的复 杂度更低，对数据的拟合刚刚好（这个法则也叫做奥卡姆剃刀） 添加正则化相当于参数的解空间添加了约束，限制了模型的复杂度 L1正则化的形式是添加参数的绝对值之和作为结构风险项，L2正则化的形式添加参数的平方和作为结构风险项 L1正则化鼓励产生稀疏的权重，即使得一部分权重为0，用于特征

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：893kb
    • 提供者：weixin_38597533

  1. 设计原则总结：最全的交互设计原则和理论汇总

  2. 设计是有原则和方法论的，鉴于网上各种文章和原则比较零碎，这次统一将交互设计的方法和理论汇总，不足之处也希望各位能够提出，一起补全。文章包括：格式塔心理学原则、尼尔森可用性原则、尼尔森F视觉模型、HeuristicEvaluation十原则、费茨定律、席克定律、7+2法则、2秒原理、2/8法则、3次点击法则、界面黄金8法则、jakobnielson原则、KANO模型、0123简单法则、MVP法则、婴儿鸭综合症、包豪斯理念、泰思勒定律、防错原则、奥卡姆剃刀原理、maya法则、信噪比法则、序列效应、功

  3. 所属分类：其它

  1. 架构师如何应对复杂业务场景？领域建模的实战案例解析

  2. 本文来源阿里云云,文章主要谈了为什么需要领域建模，什么是好的模型，又该如何搭建。软件的世界里没有银弹，是用事务脚本还是领域模型没有对错之分，关键看是否合适。实际上，CQRS就是对事务脚本和领域模型两种模式的综合，因为对于Query和报表的场景，使用领域模型往往会把简单的事情弄复杂，此时完全可以用奥卡姆剃刀把领域层剃掉，直接访问Infrastructure。我个人也是坚决反对过度设计的，因此对于简单业务场景，我强力建议还是使用事务脚本，其优点是简单、直观、易上手。但对于复杂的业务场景，你再这么玩就

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：361kb
    • 提供者：weixin_38748555

  1. 交互设计原理之奥卡姆剃刀原理

  2. 时至今日，UEDTIPS交互设计原理系列终于接近尾声了~欢迎大家收看交互设计原理最后一讲——奥卡姆剃刀原理奥卡姆原理也被称为“简单有效原理”，由14世纪世纪哲学家、圣方济各会修士奥卡姆的威廉（WilliamofOccam，约1285年至1349年）提出。这个原理是告诫人们“不要浪费较多东西去做用较少的东西同样可以做好的事情。”后来以一种更为广泛的形式为人们所知——即“如无必要，勿增实体。”也就是说：如果有两个功能相等的设计，那么我们选择最简单的那个。一个简洁的网页能让用户快速的找到他们所要找的东

  3. 所属分类：其它

    • 发布日期：2021-02-20
    • 文件大小：384kb
    • 提供者：weixin_38715097

  1. 架构师如何应对复杂业务场景？领域建模的实战案例解析

  2. 本文来源阿里云云,文章主要谈了为什么需要领域建模，什么是好的模型，又该如何搭建。软件的世界里没有银弹，是用事务脚本还是领域模型没有对错之分，关键看是否合适。实际上，CQRS就是对事务脚本和领域模型两种模式的综合，因为对于Query和报表的场景，使用领域模型往往会把简单的事情弄复杂，此时完全可以用奥卡姆剃刀把领域层剃掉，直接访问Infrastructure。我个人也是坚决反对过度设计的，因此对于简单业务场景，我强力建议还是使用事务脚本，其优点是简单、直观、易上手。但对于复杂的业务场景，你再这么玩就

  3. 所属分类：其它

    • 发布日期：2021-02-02
    • 文件大小：361kb
    • 提供者：weixin_38620839

  1. occams-record：ActiveRecord缺少高效查询API-源码

  2. Occams记录 不要不必要地增加实体。 - 奥卡姆剃刀 OccamsRecord是一个高效的高级查询库，可与ActiveRecord一起使用。 它不是ORM或ActiveRecord的替代品。 通过为OccamsRecord提供以下两点，它可以为您的ActiveRecord应用程序注入新鲜的活力： 1）巨大的性能提升 至少比ActiveRecord查询快3到5倍。 使用ActiveRecord查询结果的1/3内存。 消除了N + 1查询问题。 （这通常超过基准的3x-5x增益。） 2

  3. 所属分类：其它

    • 发布日期：2021-02-01
    • 文件大小：56kb
    • 提供者：weixin_42128963

  1. 设计原则总结：最全的交互设计原则和理论汇总

  2. 设计是有原则和方法论的，鉴于网上各种文章和原则比较零碎，这次统一将交互设计的方法和理论汇总，不足之处也希望各位能够提出，一起补全。文章包括：格式塔心理学原则、尼尔森可用性原则、尼尔森F视觉模型、HeuristicEvaluation十原则、费茨定律、席克定律、7+2法则、2秒原理、2/8法则、3次点击法则、界面黄金8法则、jakob nielson原则、KANO模型、0123简单法则、MVP法则、婴儿鸭综合症、包豪斯理念、泰思勒定律、防错原则、奥卡姆剃刀原理、maya法则、信噪比法则、序列效应、

  3. 所属分类：其它

  1. pytorch学习笔记（十四）————正则化惩罚（减轻overfitting）

  2. pytorch学习笔记（十四）————正则化惩罚（减轻overfitting）目录回顾降低过拟合方法正则化惩罚项常用的正则化公式 目录 回顾 在上一篇博客中我们讲到，当训练模型比真实模型复杂度低的情况叫做underfitting（欠拟合），当训练集模型比真实模型复杂度高的情况叫做overfitting（过拟合）。现如今由于网络层数不断地增加，欠拟合的情况已经较为少见，绝大数多情况都是出现过拟合。与过拟合有一个异曲同工的概念叫做奥卡姆剃刀原理。 奥卡姆剃刀原理是指：在科学研究任务中，应该优先使用

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：519kb
    • 提供者：weixin_38515270

  1. 模型选择问题

  2. 模型选择问题 欠拟合和过拟合问题 当统计模型或机器学习算法无法捕捉数据的基础变化趋势时，就会出现欠拟合。 当统计模型把随机误差和噪声也考虑进去而不仅仅考虑数据的基础关联时，就会出现过拟合。 正则化 添加参数的惩罚项，防止模型对数据的过拟合。 regularization L2正则化 （岭回归Ridge） L1正则化 (套锁LASSO） 奥卡姆剃刀原则 尽量使得模型简单 有多个假设模型时,我们应该选择假设条件最少的建模方法 原始损失 + 基于假设的损失 超参数 定义模型的更高层次的概念，无

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：159kb
    • 提供者：weixin_38546459

  1. 基于对标学习的智能优化算法

  2. 科研、工程和管理中的很多问题都可以转化为优化问题。应用于这些优化问题的各种方法本身就是各种模型，设计不同的方法即设计不同的模型。将标杆管理理念建模成为一种用于单目标优化问题的元启发式搜索方法。基于奥卡姆剃刀原则，摒弃了复杂的操作算子的概率调优规则，用一个简单的框架来组织核心算子，从而达到许多组合算法的搜索效果。

  3. 所属分类：其它