- 用于采集联盟数据，比如 联盟名 、简介、成员数、话题数、总浏览量、总回复量，以及帖子信息 用于采集联盟数据，比如 联盟名 、简介、成员数、话题数、总浏览量、总回复量，以及帖子信息
- ubuntu18.04上caffe安装 ubuntu18.04上caffe安装
- 【写在前面】在用requests库对自己的CSDN个人博客（https://blog.csdn.net/yuzipeng）进行爬取时，发现乱码报错（\xe4\xb8\xb0\xe5\xaf\x8c\xe7\x9），如下图所示： 网上 查找了一些方法，以为是遇到了网站加密处理。后来发现 通过F12还 是能获取网页的元素，那么有什么办法能规避乱码问题呢？答案是：用selenium.【效果如下】【... 【写在前面】在用requests库对自己的CSDN个人博客（https://blog.csdn.net/yuzipeng）进行爬取时，发现乱码报错（\xe4\xb8\xb0\xe5\xaf\x8c\xe7\x9），如下图所示： 网上 查找了一些方法，以为是遇到了网站加密处理。后来发现 通过F12还 是能获取网页的元素，那么有什么办法能规避乱码问题呢？答案是：用selenium.【效果如下】【...
- 基于Flask框架和JQuery实现管理平台网站的开发功能，我代码编写用了2天的时间 ，从零开始写；又对具体实现流程，自己断断续续地整理总结了近半个月。从自我感觉来说，整个过程和结果的实现都让我很满意。 基于Flask框架和JQuery实现管理平台网站的开发功能，我代码编写用了2天的时间 ，从零开始写；又对具体实现流程，自己断断续续地整理总结了近半个月。从自我感觉来说，整个过程和结果的实现都让我很满意。
- 今天来详细解释一下作用域和变量提升，因为最近的课程也讲到了，我认为有必要把这块在拓展一下基于let, const ,class, import等ES6中的等方式创建变量，不存在变量提升后期函数中代码执行，遇到一个变量，首先看是否为自己上下文中私有变量，如果以后操作的都是自己的私有变量，和外界无关；如果不是自己私有的，则按照作用域链，到上一级上下文EC（G）中查找，看看是否是它的...我们把变... 今天来详细解释一下作用域和变量提升，因为最近的课程也讲到了，我认为有必要把这块在拓展一下基于let, const ,class, import等ES6中的等方式创建变量，不存在变量提升后期函数中代码执行，遇到一个变量，首先看是否为自己上下文中私有变量，如果以后操作的都是自己的私有变量，和外界无关；如果不是自己私有的，则按照作用域链，到上一级上下文EC（G）中查找，看看是否是它的...我们把变...
- 最近，TIOBE更新了7月的编程语言榜单，常年霸榜的C、Java和Python依然蝉联前三位。万万没想到的是，R语言居然冲到了第八位，创下了史上最佳记录。而且后续随着业内对数据统计和挖掘需求的上涨，R语言热度颇有些势不可挡的架势。 最近，TIOBE更新了7月的编程语言榜单，常年霸榜的C、Java和Python依然蝉联前三位。万万没想到的是，R语言居然冲到了第八位，创下了史上最佳记录。而且后续随着业内对数据统计和挖掘需求的上涨，R语言热度颇有些势不可挡的架势。
- Notebook中搭建python3.7+pytorch1.5环境一、背景及准备工作（1）背景目前ModelArts最新推出了Python3.6+Tensorflow 2.1.0环境，CUDA版本10.1,基于这个环境可以搭建最近的很多新版本的环境，但是没有Python3.7的环境，比如想复现一些模型对环境有要求，例如yoloV5需要python3.7+pytorch1.5，基于这种情况在N... Notebook中搭建python3.7+pytorch1.5环境一、背景及准备工作（1）背景目前ModelArts最新推出了Python3.6+Tensorflow 2.1.0环境，CUDA版本10.1,基于这个环境可以搭建最近的很多新版本的环境，但是没有Python3.7的环境，比如想复现一些模型对环境有要求，例如yoloV5需要python3.7+pytorch1.5，基于这种情况在N...
- 常用降维方法-常用降维方法解读1. 引言 机器学习领域中所谓的降维就是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中。降维的本质是学习一个映射函数 f : x->y，其中x是原始数据点的表达，目前最多使用向量表达形式。 y是数据点映射后的低维向量表达，通常y的维度小于x的维度（当然提高维度也是可以的）。f可能是显式的或隐式的、线性的或非线性的。 目前大部分降维算法处理向量... 常用降维方法-常用降维方法解读1. 引言 机器学习领域中所谓的降维就是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中。降维的本质是学习一个映射函数 f : x->y，其中x是原始数据点的表达，目前最多使用向量表达形式。 y是数据点映射后的低维向量表达，通常y的维度小于x的维度（当然提高维度也是可以的）。f可能是显式的或隐式的、线性的或非线性的。 目前大部分降维算法处理向量...
- 常用降维方法-常用降维方法的目的 正所谓每一个结果的出现都是一系列的原因导致的，当构建机器学习模型时候，有时候数据特征异常复杂，这就需要经常用到数据降维技术，下面主要介绍一些降维的主要原理。1. 降维的目的 在实际的机器学习项目中，特征选择/降维是必须进行的，因为在数据中存在以下几个 方面的问题：数据的多重共线性：特征属性之间存在着相互关联关系。多重共线性会导致解的空间不稳定， 从而导致... 常用降维方法-常用降维方法的目的 正所谓每一个结果的出现都是一系列的原因导致的，当构建机器学习模型时候，有时候数据特征异常复杂，这就需要经常用到数据降维技术，下面主要介绍一些降维的主要原理。1. 降维的目的 在实际的机器学习项目中，特征选择/降维是必须进行的，因为在数据中存在以下几个 方面的问题：数据的多重共线性：特征属性之间存在着相互关联关系。多重共线性会导致解的空间不稳定， 从而导致...
- 常用降维方法-机器学习数学预备知识1.机器学习简介 机器学习的特点就是：以计算机为工具和平台，以数据为研究对象，以学习方法为中心；是概率论、线性代数、数值计算、信息论、最优化理论和计算机科学等多个领域的交叉学科。2. 机器学习预备数学知识2.1 线性代数2.1.1 标量 一个标量就是一个单独的数，一般用小写的的变量名称表示。2.1.2 向量 一个向量就是一列数，这些数是有序排列的。用过... 常用降维方法-机器学习数学预备知识1.机器学习简介 机器学习的特点就是：以计算机为工具和平台，以数据为研究对象，以学习方法为中心；是概率论、线性代数、数值计算、信息论、最优化理论和计算机科学等多个领域的交叉学科。2. 机器学习预备数学知识2.1 线性代数2.1.1 标量 一个标量就是一个单独的数，一般用小写的的变量名称表示。2.1.2 向量 一个向量就是一列数，这些数是有序排列的。用过...
- 数据降维概述1.数据降维概述 所谓的数据降维就是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中，可以解决大规模特征下的数据显示问题，使得数据集更易使用，降低后续算法的计算，消除噪声影响并使得结果更易理解。 数据降维的方法有很多，可从线性或非线性角度对其简单分类。 线性降维是指通过降维所得到的低维数据能保持高维数据点之间的线性关系，主要包括 主成分分析（Principal ... 数据降维概述1.数据降维概述 所谓的数据降维就是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中，可以解决大规模特征下的数据显示问题，使得数据集更易使用，降低后续算法的计算，消除噪声影响并使得结果更易理解。 数据降维的方法有很多，可从线性或非线性角度对其简单分类。 线性降维是指通过降维所得到的低维数据能保持高维数据点之间的线性关系，主要包括 主成分分析（Principal ...
- 基于距离的离群点检测算法异常检测简介异常检测的实质是寻找观测值和参照值之间有意义的偏差。数据库中的数据由于各种原因常常会包含一些异常记录，对这些异常记录的检测和解释有很重要的意义。异常检测目前在入侵检测、金融欺诈、股票分析等领域都有着比较好的实际应用效果。离群点检测是异常检测中最常用的方法之一。离群点检测的主要目的是为了检测出那些与正常数据行为或特征属性差别较大的异常数据或行为，在一些文献中... 基于距离的离群点检测算法异常检测简介异常检测的实质是寻找观测值和参照值之间有意义的偏差。数据库中的数据由于各种原因常常会包含一些异常记录，对这些异常记录的检测和解释有很重要的意义。异常检测目前在入侵检测、金融欺诈、股票分析等领域都有着比较好的实际应用效果。离群点检测是异常检测中最常用的方法之一。离群点检测的主要目的是为了检测出那些与正常数据行为或特征属性差别较大的异常数据或行为，在一些文献中...
- 基于聚类的离群点检测方法1.基于聚类的离群点检测概述 在利用python进行数据挖掘时，离群点检测经常是必不可少的一部分。离群点检测的任务是发现与大部分其它对象显著不同的对象。大部分数据挖掘方法都将这种差异信息视为噪声丢弃，然而在部分情况下，罕见的数据可能蕴含着更大的研究价值。2.丢弃远离其他簇的小簇 一种利用聚类检测离群点的方法是丢弃远离其他簇的小簇。通常，该过程可以简化为丢弃小于某个... 基于聚类的离群点检测方法1.基于聚类的离群点检测概述 在利用python进行数据挖掘时，离群点检测经常是必不可少的一部分。离群点检测的任务是发现与大部分其它对象显著不同的对象。大部分数据挖掘方法都将这种差异信息视为噪声丢弃，然而在部分情况下，罕见的数据可能蕴含着更大的研究价值。2.丢弃远离其他簇的小簇 一种利用聚类检测离群点的方法是丢弃远离其他簇的小簇。通常，该过程可以简化为丢弃小于某个...
- 基于密度的离群点检测方法1.平稳性检验 通过估计概率分布的参数来建立一个数据模型。如果一个数据对象不能很好地同该模型拟合，即如果它很可能不服从该分布，则它是一个离群点。2.一元正态分布中的的离群点检测 正态分布是统计学中最常用的分布之一。 若随机变量x的密度函数如下式：则称x服从正态分布，简称x服从正态分布N(μ,σ)，其中参数μ和σ分别为均值和标准差。 下图所示N(0,1)的密度函数... 基于密度的离群点检测方法1.平稳性检验 通过估计概率分布的参数来建立一个数据模型。如果一个数据对象不能很好地同该模型拟合，即如果它很可能不服从该分布，则它是一个离群点。2.一元正态分布中的的离群点检测 正态分布是统计学中最常用的分布之一。 若随机变量x的密度函数如下式：则称x服从正态分布，简称x服从正态分布N(μ,σ)，其中参数μ和σ分别为均值和标准差。 下图所示N(0,1)的密度函数...
- 离群点检测概述1.离群点检测概念 离群点是由系统受外部干扰而产生的。但是，形成离群点的系统外部干扰非常多。可能是采样中的误差，计算错误等，都有可能产生极端大值或者极端小值。其次可能是被研究的对象受到非正常的因素影响而引起的，例如在人口死亡序列中，由于某年发生了海啸，使该月死亡人数剧增，形成离群点；在股票价格序列中，由于受某项政策出台或某种谣传等等，都会出现极增，极减现象，变现为序列中的离群... 离群点检测概述1.离群点检测概念 离群点是由系统受外部干扰而产生的。但是，形成离群点的系统外部干扰非常多。可能是采样中的误差，计算错误等，都有可能产生极端大值或者极端小值。其次可能是被研究的对象受到非正常的因素影响而引起的，例如在人口死亡序列中，由于某年发生了海啸，使该月死亡人数剧增，形成离群点；在股票价格序列中，由于受某项政策出台或某种谣传等等，都会出现极增，极减现象，变现为序列中的离群...
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
关于RISC-V生态发展的思考2025/09/02 周二 17:00-18:00
中国科学院计算技术研究所副所长包云岗教授
中科院包云岗老师将在本次直播中，探讨处理器生态的关键要素及其联系，分享过去几年推动RISC-V生态建设实践过程中的经验与教训。
回顾中 -
一键搞定华为云万级资源，3步轻松管理企业成本2025/09/09 周二 15:00-16:00
阿言 华为云交易产品经理
本直播重点介绍如何一键续费万级资源，3步轻松管理成本，帮助提升日常管理效率！
回顾中
热门标签