运筹学 机器 之间 作用
某宝上搞来的电子书，经典的量化投资书籍，《Advances in Financial Machine Learning》—— 《金融机器学习的进展》、《量化投资与机器学习》、《金融机器学习研究进展》
英文书名： 《Advances in Financial Machine Learning》 经典的量化投资书籍，某宝上6元搞来的电子版： ......
从规则到神经网络：机器翻译技术的演化之路
在本文中，我们深入探讨了机器翻译的历史、核心技术、特别是神经机器翻译（NMT）的发展，分析了模型的优化、挑战及其在不同领域的应用案例。同时，我们还提出了对未来机器翻译技术发展的展望和潜在的社会影响。 关注TechLead，分享AI全维度知识。作者拥有10+年互联网服务架构、AI产品研发经验、团队管理 ......
docker 主机和容器之间的拷贝
要在 Docker 容器和主机之间进行文件拷贝，可以使用 docker cp 命令。下面是一些示例用法： 从主机拷贝文件到容器： docker cp /path/to/local/file.txt container_name:/path/in/container/file.txt 从容器拷贝文件到 ......
在比对操作中，要找出第二代短读段与第三代长读段之间的高准确度比对结果
在比对操作中，要找出第二代短读段与第三代长读段之间的高准确度比对结果，可以采用以下方法： 1. 使用第二代测序数据对第三代长读段进行纠错。例如，Lo RDEC算法通过构建简洁de Bruijn图来寻找纠错序列，从而实现纠正第三代长读段数据中的错误区域[16]。 2. 基于比对的方法。例如，LSC算法 ......
机器学习-无监督机器学习-图聚类-21
目录1. AP聚类算法2. Spectral Clustering 谱聚类 1. AP聚类算法 affinity 相似度 propgaption 传播 exemplars 模范 代表 Affinity Propagation Clustering特别适合高维、多类数据快速聚类，相比传统的聚类算法，该 ......
机器学习笔记（三）简单手写识别
目标 实现一个简单的手写识别的脚本，同样的，流程分五步走： 读入数据 初始化模型 训练模型 训练样本集乱序 校验数据有效性 前期准备 前期需要将库导入，还需要进行一些初始化操作 数据处理部分之前的代码，加入部分数据处理的库 点击查看代码 #加载飞桨和相关类库 import paddle from p ......
Cesium中的空间直角坐标系、经纬度、弧度之间的转换
<!DOCTYPE html> <head> <title>Hello World</title> <script src="../Build/Cesium/Cesium.js"></script> <link href="../Build/Cesium/Widgets/widgets.css" r ......
振弦采集仪在地质灾害监测中的作用与意义
振弦采集仪在地质灾害监测中的作用与意义 振弦采集仪是一种地质灾害监测仪器，用于测量地面的震动和振动。它可以记录地质灾害发生时地震波在地面上的传播情况，通过分析数据来评估地质灾害的严重程度和影响范围。振弦采集仪在地质灾害监测中发挥着重要的作用，并具有重要的意义。 首先，振弦采集仪可以提供精确的地震波传 ......
AIKit v4.11.0 – WordPress AI 自动编写器、聊天机器人、写作助手和内容重定向器 / OpenAI GPT 插件
AIKit v4.11.0：WordPress的AI革命 一、引言 AIKit v4.11.0是一款为WordPress用户精心设计的强大插件，该插件集成了OpenAI的GPT-3技术，为用户提供了前所未有的AI写作和聊天机器人功能。此版本的推出，将WordPress的功能扩展到了全新的领域，利用人 ......
可靠的跨网数据交换平台 有哪些功能和作用？
只要做了网络隔离，就会需要进行跨网数据交换的工具，有些企业可能会选择传统一些的，比如U盘拷贝、FTP等方式，有些企业可能会选择专业的跨网数据交换平台类产品。 专业的跨网数据交换平台是一种在不同网络之间进行数据交换的平台产品，能够解决跨网络之间信息的有序交换，提供传输可靠性、安全性以及效率性保障。 跨 ......
利用学习改进雷达和激光雷达之间的外在特性
利用学习改进雷达和激光雷达之间的外在特性 摘要——激光雷达和雷达是自动驾驶系统中常用的两种传感器。二者之间的外在校准对于有效的传感器融合至关重要。这一挑战是由于雷达测量中的低精度和稀疏信息而产生的。本文介绍了一种在自主系统中进行三维雷达激光雷达校准的新解决方案。该方法采用简单的目标生成数据，包括对应 ......
机器学习-无监督机器学习-层次聚类-20
目录1.凝聚聚类 Agglomerative Clustering2. 分裂聚类3. BIRCH 1.凝聚聚类 Agglomerative Clustering 在不同层次上对数据集进行划分，形成树状的聚类结构。AggregativeClustering是一种常用的层次聚类算法。 最初将每个样本点看 ......
机器学习-无监督机器学习-密度聚类DBSCAN-19
目录1. DBSCAN2. OPTICS2. MeanShift 1. DBSCAN Density based clustering DBSCAN不要求我们指定cluster簇的数量，避免了异常值，并且在任意形状和大小的cluster簇中工作得非常好。它没有质心，聚类簇是通过将相邻的点连接在一起的 ......
Spring Boot学习随笔- 第一个Thymeleaf应用（基础语法th:，request、session作用域取值）
这一章介绍了Thymeleaf，Java模板引擎，用于Web和独立环境，与Spring Boot紧密集成。它适用于有无网络的场景，让美工和程序员分别在浏览器和服务器上查看静态与动态页面。笔记详细讲解Thymeleaf的配置、语法，如th:text提交基本数据、th:each穿越集合，以及通过th:i... ......
列表作用：可以保存多个数据，可以是任意类型
# 列表作用：可以保存多个数据，可以是任意类型# 写法：变量名 = [] 字符串之间用逗号隔开ab = ['乌鸡汤','飘香拌面','蒸饺','辣椒','香醋','纸巾','碟子']print(len('蒸饺')) #获取蒸饺编号长度print(ab[2:5]) #打印['蒸饺', '辣椒', '香 ......
Microsoft Azure AI 机器学习笔记-1
机器学习的基本内容学习笔记-01，学习链接：https://learn.microsoft.com/zh-cn/training/paths/get-started-with-artificial-intelligence-on-azure/ ......
软件分身在安全防护中的作用
软件分身：保护网络安全的利器 引言： 随着互联网的迅猛发展，网络安全问题日益突出。黑客攻击、病毒传播等威胁不断涌现，给个人用户和企业带来了巨大的损失。为了强化网络安全防护，技术专家们不断研发新的解决方案。其中，软件分身作为一种重要的安全工具，发挥着关键的作用。本文将介绍软件分身的定义、原理以及在安全 ......
Python JSON格式字符串与对象之间的转换多种方法
1、json.dumps() 和 json.loads() 方法 使用 json.dumps() 方法将 Python 对象转换为 JSON 格式字符串。 使用 json.loads() 方法将 JSON 格式字符串解析为 Python 对象。 使用示例：Python JSON格式字符串与对象之 ......
【用户案例】走进南海法院：点赞数字机器人，见证审执“加速度”
11月27日下午3时，在南海法院一间办公室内，几台无人操作的电脑竟自动模拟人对鼠标键盘的操作，先自动读取办案人员提供的案件列表，一步步地生成文书，后对相应的案件发起财产查询。 这是数字机器人的应用状态。2023佛山口碑榜“品质口碑市民体验游”观察团实地参观南海法院数字机器人管理中心等建设成果，市民们 ......
cloudflare,vercel and netlify的作用和区别
Cloudflare，Vercel和Netlify都是为开发者提供的云计算服务，但它们的功能和特性有所不同。 Cloudflare的主要使命是帮助构建更好的互联网。它是世界上最大的网络之一，为企业、非营利组织、博客作者和任何有互联网存在的人提供更快、更安全的网站和应用。Cloudflare的网络上有 ......
Steam验证后提示“您对 CAPTCHA 的响应似乎无效。请在下方重新验证您不是机器人”
解决方法： 用手机l登录此网址：https://store.steamchina.com/join/?snr=1_4_4__more-content-login，进行验证即可 注意：用流量 ......
机器学习-无监督机器学习-kmeans衍生的算法-18
目录1. k-Medoids2. 二分KMEANS3. KMeans++4. elkan KMeans5. min batch KMeans算法6.小结： 1. k-Medoids 之前的kmeans算法 对于异常点数据特别敏感，更新中心点的时候，是对于该簇的所有样本点求平均，这种方式对于异常样本特 ......
【转载】JAVA 百度坐标，火星坐标和WGS84之间互转
原出处：https://www.cnblogs.com/Fooo/p/16986453.html /** * a */ public final static double a = 6378245.0; /** * ee */ public final static double ee = 0.00 ......
机器学习-无监督机器学习-kmeans-17
目录1. 什么是聚类2. 代码实现 1. 什么是聚类 无监督机器学习的一种 输入数据只有X 没有y 将已有的数据 根据相似度 将划分到不同的簇 （花团锦簇） 步骤： 随机选择k个簇的中心点 样本根据距离中心点的距离分配到不同的簇 重新计算簇的中心点 重复 2-3直到所有样本 分配的簇不再发生改变 距 ......
用C#也能做机器学习？
前言✨ 说到机器学习，大家可能都不陌生，但是用C#来做机器学习，可能很多人还第一次听说。其实在C#中基于ML.NET也是可以做机器学习的，这种方式比较适合.NET程序员在项目中集成机器学习模型，不太适合专门学习机器学习，本文我将基于ML.NET Model Builder（低代码、入门简单）构建一个 ......
机器学习-线性分类-支持向量机SVM-合页损失-SVM输出概率值-16
目录1. SVM概率化输出2. 合页损失 1. SVM概率化输出 标准的SVM进行预测 输出的结果是： 是无法输出0-1之间的 正样本 发生的概率值 sigmoid-fitting 方法： 将标准 SVM 的输出结果进行后处理，转换成后验概率 A,B 为待拟合的参数， f 为样本 x 的无阈值输出。 ......
c#计算 坐标点与坐标点之间的距离
PointF p = new PointF(116.305671f, 39.966051f); PointF p2 = new PointF(116.595428f, 39.828327f); double value = Math.Sqrt(Math.Abs(p.X - p2.X) * Math. ......
clang-format插件下载后不起作用（远程登录）
1.下载clang-format 先在服务器上下载clang-format sudo apt install -y clang-format 2.vscode中下载clang-format 3.在与.vscode同文件夹下创建.clangformat # 风格：Google, LLVM, Chrom ......
机器学习笔记（二）使用paddlepaddle，再探波士顿房价预测
目标 用paddlepaddle来重写之前那个手写的梯度下降方案，简化内容 流程 实际上就做了几个事： 数据准备：将一个批次的数据先转换成nparray格式，再转换成Tensor格式 前向计算：将一个批次的样本数据灌入网络中，计算出结果 计算损失函数：以前向计算的结果和真是房价作为输入，通过算是函数 ......
机器学习笔记（一）从波士顿房价预测开始，梯度下降
从波士顿房价开始 目标 其实这一章节比较简单，主要是概念，首先在波士顿房价这个问题中，我们假设了一组线性关系，也就是如图所示 我们假定结果房价和这些参数之间有线性关系，即: 然后我们假定这个函数的损失函数为均方差，即： 那么就是说，我们现在是已知y和x，来求使得这个损失函数Loss最小化的一个w和b ......