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. 2005-2009软件设计师历年真题

  2. 软件设计师考试真题 附带2010年的考试大纲 考试科目1：计算机与软件工程知识 　1．计算机科学基础 　　1.1 数制及其转换 　　　　　• 二进制、十进制和十六进制等常用制数制及其相互转换 　　1.2 数据的表示 　　　　　• 数的表示（原码、反码、补码、移码表示，整数和实数的机内表示，精度和溢出） 　　　　　• 非数值表示（字符和汉字表示、声音表示、图像表示） 　　　　　• 校验方法和校验码（奇偶校验码、海明校验码、循环冗余校验码） 　　1.3 算术运算和逻辑运算 　　　　　• 逻辑代数的

  3. 所属分类：其它

    • 发布日期：2010-05-18
    • 文件大小：8388608
    • 提供者：mathria

  1. GLC_Info安装文件（ArcGIS9.3环境下试用版2013年5月20日到期）

  2. 决策树分类作为一种基于空间数据挖掘的知识发现的监督分类方法，它通过决策学习过程得到分类规则并对遥感影像进行分类，突破了以往分类树或分类规则的构建要利用分类者的生态学和遥感先验知识的确定。我们以C5.0算法为基础，通过算法改进，创建了适用于遥感影像分类的决策树算法GLC树，并依托C#+ArcEngine平台设计实现了GLC_Info v1.1。该软件以GLC分类器为核心，不仅提供了基于像元的遥感影像分类功能，而且可以在ENVI或者eCognition分割结果的基础上实现遥感影像面向对象自动分类。

  3. 所属分类：C#

    • 发布日期：2013-03-22
    • 文件大小：8388608
    • 提供者：sailingw

  1. 程序员历年考试试题及答案

  2. 本资源收录了近16年的程序员考试真题，并且有答案，希望我的上传能给各位想考程序员的的兄弟姐妹以帮助 1．考试要求： 　　　（1）掌握数据及其转换、数据的机内表示、算术和逻辑运算，以及相关的应用数学基础知识； 　　　（2）理解计算机的组成以及各主要部件的性能指标； 　　　（3）掌握操作系统、程序设计语言的基础知识； 　　　（4）熟练掌握计算机常用办公软件的基本操作方法； 　　　（5）熟练掌握基本数据结构和常用算法； 　　　（6）熟练掌握C程序设计语言，以及C＋＋、Java、Visual Basi

  3. 所属分类：其它

    • 发布日期：2008-09-01
    • 文件大小：1048576
    • 提供者：wy278303263

  1. VC++数字图像模式识别技术及工程实践

  2. 目录 第1章 绪论 1.1 模式和模式识别的概念 1.2 模式空间、特征空间和类型空间 1.3 模式识别系统的构成 1.3.1 信息获取 1.3.2 预处理 1.3.3 特征提取和选择 1.3.4 分类决策 1.4 物体的结构表示 1.5 图片识别问题 第2章 模式识别中的基本决策方法 2.1 基于最小错误率的贝叶斯决策 2.2 分类器设计 2.2.1 多类情况 2.2.2 两类情况 2.3 关于分类器的错误率 2.4 关于贝叶斯决策 2.5 线性判别函数的基本概念 2.6 设计线性分类器的主

  3. 所属分类：C++

    • 发布日期：2013-05-16
    • 文件大小：14680064
    • 提供者：a121649982

  1. Visual C++数字图像模式识别技术及工程实践工程源代码

  2. 第1章 绪论 1.1 模式和模式识别的概念 1.2 模式空间、特征空间和类型空间 1.3 模式识别系统的构成 1.3.1 信息获取 1.3.2 预处理 1.3.3 特征提取和选择 1.3.4 分类决策 1.4 物体的结构表示 1.5 图片识别问题 第2章 模式识别中的基本决策方法 2.1 基于最小错误率的贝叶斯决策 2.2 分类器设计 2.2.1 多类情况 2.2.2 两类情况 2.3 关于分类器的错误率 2.4 关于贝叶斯决策 2.5 线性判别函数的基本概念 2.6 设计线性分类器的主要步骤

  3. 所属分类：C++

    • 发布日期：2013-05-17
    • 文件大小：14680064
    • 提供者：a121649982

  1. 2014网易运维笔试题

  2. 第一部分：计算机科学基础 1，（2分）对于多关键字而言，那种文件组织方便而又高效（） A、顺序文件 B、倒排文件 C、散列文件 D、B+树索引文件 2，（2分）以下哪些算法可用于遍历网络图（） A、广度优先搜索 B、深度优先搜索 C、线性规划策略 D、决策树 3，（2分）我们使用一个6元组来表示6个节点的无向图的顶点数，请问以下哪些6元组是可能的组合（） A、 B、 C、 D、

  3. 所属分类：Linux

    • 发布日期：2013-09-27
    • 文件大小：50176
    • 提供者：gril428

  1. 最近十几几年的程序员试题

  2. 是1990到今年的程序题，是电子版的 试说明 　　1．考试要求： 　　　（1）掌握数据及其转换、数据的机内表示、算术和逻辑运算，以及相关的应用数学基础知识； 　　　（2）理解计算机的组成以及各主要部件的性能指标； 　　　（3）掌握操作系统、程序设计语言的基础知识； 　　　（4）熟练掌握计算机常用办公软件的基本操作方法； 　　　（5）熟练掌握基本数据结构和常用算法； 　　　（6）熟练掌握C程序设计语言，以及C＋＋、Java、Visual Basic中的一种程序设计语言； 　　　（7）熟悉数据库、

  3. 所属分类：其它

    • 发布日期：2008-09-29
    • 文件大小：2097152
    • 提供者：houjun5002

  1. 决策树遥感影像分类系统GLC_Info（2014年10月最新版）

  2. 决策树分类作为一种基于空间数据挖掘的知识发现的监督分类方法，它通过决策学习过程得到分类规则并对遥感影像进行分类，突破了以往分类树或分类规则的构建要利用分类者的生态学和遥感先验知识的确定。我们以AdaBoost和C4.5算法为基础，通过算法改进，创建了适用于遥感影像分类的决策树算法GLC树，并依托C#+ArcEngine平台设计实现了GLC_Info v1.1。该软件以GLC分类器为核心，不仅提供了基于像元的遥感影像分类功能，而且可以在ENVI或者eCognition分割结果的基础上实现遥感影像

  3. 所属分类：C#

    • 发布日期：2014-10-07
    • 文件大小：6291456
    • 提供者：sailingw

  1. 开源力量——数据挖掘原理与实战

  2. 整套大数据课程从hadoop入门开始，由浅入深，内置“hadoop源码解析与企业应用开发实战”，“Hive开发实战”，“Hbase开发实战”，“Spark，mahout，sqoop，storm诸模块开发实战”，“数据挖掘基础。这个系列课程有几个板块组成，所以学员可以按照自己的实际情况选择学习。例如，对于只需要了解hadoop基本编程的人，只需要选择“hadoop源码解析与企业应用开发实战”模块就可以了；对于立志于从事大数据领域的零起点人员，可以选择四个板块依次学习；对于已经有一定基础的hado

  3. 所属分类：Java

  1. 998-2015年国赛赛题及知识点整理

  2. 资料附件内容 ①赛题及赛题解析  n1 N( C9 R6 y, c ②优秀论文18篇 ③线性规划、多目标决策 ①赛题及赛题解析% l  @9 ^3 J9 v     ②优秀论文7篇     ③、图论基础知识、最小生成树算法分析、哈密尔顿圈遗传算法、 ①赛题及赛题解析* R. K0 C" }) A) P     ②优秀论文10篇     ③0-1规划1、穷举算法、穷举法和递推法、算法与程序设计穷举法、 ①赛题及赛题解析8 e; G* E  [4 _  r9 I     ②优秀论文6篇" i3 r

  3. 所属分类：讲义

    • 发布日期：2016-08-25
    • 文件大小：330752
    • 提供者：qq_24312945

  1. 数据运营思维导图

  2. 数据运营 作用&意义 知错能改，善莫大焉 —错在哪里，数据分析告诉你 运筹帷幄，决胜千里 —怎么做好“运筹”，数据分析告诉你 以往鉴来，未卜先知 —怎么发现历史的规律以预测未来，数据分析告诉你 工作思维 对业务的透彻理解是数据分析的前提 数据分析是精细化运营，要建立起体系化思维（金字塔思维） 自上而下 目标—维度拆解—数据分析模型—发现问题—优化策略 自下而上 异常数据 影响因素 影响因素与问题数据之间的相关关系 原因 优化策略 数据化运营7大经典思路 以目标为导向，学会数据拆分 细分到极致

  3. 所属分类：互联网

    • 发布日期：2018-04-26
    • 文件大小：68157440
    • 提供者：zzwin1006

  1. 2017年最新机器学习入门与实战精品高清全套视频教程附讲义作业(anaconda2 4.3Pytyhon2.7 jupyter) 70课

  2. 2017年最新机器学习入门与实战精品高清全套视频教程附讲义作业(anaconda2 4.3Pytyhon2.7 jupyter) 70课 课程介绍: 从基本的软件安装到必备的Python扩展讲起，然后对机器学习算法一一讲解，同时配合编程实操的实现过程，适合零基础系统学习，配套资料包括讲义作业软件数据都有。 课程目录: 第一章Numpy前导介绍 1.1、Anconda安装 1.2、JupyterNoteBook 1.3、Numpy介绍+ndarry 1.4、ndarry的shape属性巧算 1.

  3. 所属分类：机器学习

    • 发布日期：2018-05-04
    • 文件大小：2048
    • 提供者：happyzhangdi008

  1. sklearn0.19中文文档

  2. sklearn0.19中文文档 PDF格式高清。 .1. 广义线性模型 1.1.1. 普通最小二乘法 1.1.1.1. 普通最小二乘法复杂度 1.1.2. 岭回归 1.1.2.1. 岭回归的复杂度 1.1.2.2. 设置正则化参数：广义交叉验证 1.1.3. Lasso 1.1.3.1. 设置正则化参数 1.1.3.1.1. 使用交叉验证 1.1.3.1.2. 基于信息标准的模型选择 1.1.3.1.3. 与 SVM 的正则化参数的比较 1.1.4. 多任务 Lasso 1.1.5. 弹性网络

  3. 所属分类：机器学习

    • 发布日期：2018-10-30
    • 文件大小：14680064
    • 提供者：hardpen2013

  1. 2019数据运营思维导图

  2. 数据运营 作用&意义 知错能改，善莫大焉 —错在哪里，数据分析告诉你 运筹帷幄，决胜千里 —怎么做好“运筹”，数据分析告诉你 以往鉴来，未卜先知 —怎么发现历史的规律以预测未来，数据分析告诉你 工作思维 对业务的透彻理解是数据分析的前提 数据分析是精细化运营，要建立起体系化思维（金字塔思维） 自上而下 目标—维度拆解—数据分析模型—发现问题—优化策略 自下而上 异常数据 影响因素 影响因素与问题数据之间的相关关系 原因 优化策略 数据化运营7大经典思路 以目标为导向，学会数据拆分 细分到极致

  3. 所属分类：Java

    • 发布日期：2019-03-29
    • 文件大小：15728640
    • 提供者：qq_36826498

  1. 朴素贝叶斯法.pdf

  2. 朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法[1]。最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型（Naive Bayesian Model，NBM）。和决策树模型相比，朴素贝叶斯分类器(Naive Bayes Classifier,或 NBC)发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。同时，NBC模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。理论上，NBC模型与其他分类方法相比具有最小的误差率。但是实际

  3. 所属分类：机器学习

    • 发布日期：2019-07-11
    • 文件大小：1048576
    • 提供者：qq_41483750

  1. AI学习知识点.xmind

  2. *AI学习知识点* 1. 基础知识 概率论 微积分与逼近论 极限、微分、积分的基本概念 利用逼近的思想理解微积分，利用积分的方式理解概率论 概率论的基础 古典模型 常见的概率分布 大数定理和中心极限定理 协方差和相关系数 最大似然估计和最大后验估计 凸优化 凸优化的基本概念 凸函数 凸集 凸优化问题的标准形式 线性代数及矩阵 线性空间及线性变化 矩阵的基本概念 状态转移矩阵 特征

  3. 所属分类：Python

    • 发布日期：2019-07-15
    • 文件大小：240640
    • 提供者：lingfeian

  1. 朴素贝叶斯py源代码

  2. 朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法 [1] 。 最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型（Naive Bayesian Model，NBM）。和决策树模型相比，朴素贝叶斯分类器(Naive Bayes Classifier 或 NBC)发源于古典数学理论，有着坚实的数学基础，以及稳定的分类效率。同时，NBC模型所需估计的参数很少，对缺失数据不太敏感，算法也比较简单。理论上，NBC模型与其他分类方法相比具有最小的误差率。但

  3. 所属分类：互联网

    • 发布日期：2020-05-22
    • 文件大小：1024
    • 提供者：qq_41061352

  1. 商品用户行为数据处理中的数学问题（3）

  2. 随着网络时代不断的发展，网购已成为人民大众主要购物方式，基于大数据预测用户网购行为成为了重要的问题，本文通过所给 20000 用户数据对其商品行为进行预测并给出评价指标。以ut-8格式编码;包含 user id和 item id两列(均为 string类型),要求去除重复。例 如 user id I item id 100000 2345 100000 2478 100001 127900 100002 207245 评估指标 釆用经典的精确度( precision)、召回率( recall〕和

  3. 所属分类：其它

    • 发布日期：2019-03-15
    • 文件大小：1048576
    • 提供者：zrg_hzr_1

  1. 决策树算法基础（1）

  2. 决策树 算法评价 准确性，速度，强壮行，规模性，可解释性 什么是决策树（Decision tree）？ 类似于流程图的树结构：其中，每个内部节点表示在一个属性上的测试，每个分支代表一个属性输出，而每个树叶节点代表类或类分布，树的最顶层是根节点。 熵（Entropy) 信息度量==不确定性的多少 H（x)=-∑P(x)*log2P(x) 决策树归纳算法（ID3） 信息获取量：Gain(A)=Info(D)-Info_A(D); 建造过程： 1.树以训练样本的单个节点开始 2.如果样本都在同一类，则

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：36864
    • 提供者：weixin_38611254

  1. python机器学习算法实训 – （四）实现决策树

  2. 1.什么是决策树 决策树是一种树型结构，其中每个内部结点表示在一个属性上的测试，每个分支代表一个测试输出，每个叶结点代表一种类别。 决策树学习是以实例为基础的归纳学习，通过一系列规则对数据进行分类的过程。 决策树学习采用的是自顶向下的递归方法，其基本思想是以信息熵为度量构造一棵熵值下降最快的树，到叶子节点处的熵值为零，此时每个叶节点中的实例都属于同一类。 简单来说，我们生活中随时会用到这样的判断方法，比如这样： 2.决策树的特点 决策树学习算法的最大优点是，它可以自学习 在学习的过程中，不需要

  3. 所属分类：其它

    • 发布日期：2021-01-21
    • 文件大小：371712
    • 提供者：weixin_38617413
« 12 »