category_and_d3运用分类算法预测高血压，并运用d3对结果进行基本可视化####文件夹结构：3天包含用于创建d3条形图的.html文件和.csv数据文件。
*precision.html带有CSS和javascript的html文件。
运用“d3.js”（带有工具提示）库来生成图形，pure_accuracy.csv数据集，该数据集会由precision.html*callback.html带有CSS和javascript的html文件运用。
运用“d3.js”（带有工具提示）库来生成图*pivot_recall.csv数据集，该图*由css和javascript运用的callback.html*feature_importance.htmlhtml文件运用。
运用d3.js库，还运用过渡来生成图形sql包含.sql脚本以生成分类模型中运用的
*precision.html带有CSS和javascript的html文件。
运用“d3.js”（带有工具提示）库来生成图形，pure_accuracy.csv数据集，该数据集会由precision.html*callback.html带有CSS和javascript的html文件运用。
运用“d3.js”（带有工具提示）库来生成图*pivot_recall.csv数据集，该图*由css和javascript运用的callback.html*feature_importance.htmlhtml文件运用。
运用d3.js库，还运用过渡来生成图形sql包含.sql脚本以生成分类模型中运用的
2015/3/23 3:05:23
11.73MB
1
008_基于遗传算法优化BP神经网络(GA-BP)的数据分类预测Matlab代码完成过程
2017/5/8 18:03:53
81KB
1
为预测某条微博的具体转发者，在微博是否会被转发的研究基础上，提出了基于社交网络拓扑结构、用户行为及用户间关联三个层面的逻辑回归分类算法，并针对该算法进行真实数据集检测。
实验结果表明，该预测算法与未考虑网络拓扑结构的算法相比功能显著提升，为实现社交媒体信息传播轨迹精准预测打下了重要基础。
实验结果表明，该预测算法与未考虑网络拓扑结构的算法相比功能显著提升，为实现社交媒体信息传播轨迹精准预测打下了重要基础。
2015/6/20 15:57:38
975KB
1
注：数据集太大，可在压缩包中的数据集html页面中点击链接下载完整数据集。
本项目采用ASSISTments2012数据集，在所有数据集中，问题通常只有一种技能，但极少数可能与两种或三种技能相关联。
它通常取决于内容创建者给出的结构。
一些研究人员通过复制将具有多种技能的记录分成多个单一技能记录。
Wilson[6]声称这种类型的数据处理可以人为地显著提高预测结果，因为这些重复行可以占到DKT模型的Assistment09数据集中大约25%的记录。
因此，为了比较的公正性，我们在所有数据集中去掉了重复和多技能重复记录。
本项目基于pandas+Matplotlib+seaborn等工具包对学生的测试数据进行可视化统计分析，并利用学生2012年和2013年上半年不同类型题目的测试结果数据，构建机器学习面向，实现对学生的画像建模，以此预测2013年下半年测试对不同类型问题的表现。
可以看出，该决策树模型的预测结果如下，可以较好的依据用户测试的行为数据（测试过的试题种类、测试时间、犹豫情况、提示次数等等），预测该学生能否能考试达标（测试准确率＞60%）
本项目采用ASSISTments2012数据集，在所有数据集中，问题通常只有一种技能，但极少数可能与两种或三种技能相关联。
它通常取决于内容创建者给出的结构。
一些研究人员通过复制将具有多种技能的记录分成多个单一技能记录。
Wilson[6]声称这种类型的数据处理可以人为地显著提高预测结果，因为这些重复行可以占到DKT模型的Assistment09数据集中大约25%的记录。
因此，为了比较的公正性，我们在所有数据集中去掉了重复和多技能重复记录。
本项目基于pandas+Matplotlib+seaborn等工具包对学生的测试数据进行可视化统计分析，并利用学生2012年和2013年上半年不同类型题目的测试结果数据，构建机器学习面向，实现对学生的画像建模，以此预测2013年下半年测试对不同类型问题的表现。
可以看出，该决策树模型的预测结果如下，可以较好的依据用户测试的行为数据（测试过的试题种类、测试时间、犹豫情况、提示次数等等），预测该学生能否能考试达标（测试准确率＞60%）
2017/4/11 3:14:22
1.53MB
1
完整的MobileNetv1-v3的源代码，包括模型脚本、训练以及预测脚本。
并有完整的博客引见：1.MobileNet系列(1):MobileNetV1网络详解：https://blog.csdn.net/weixin_38346042/article/details/125329726?spm=1001.2014.3001.55012.MobileNet系列(2)：MobileNet-V2网络详解：https://blog.csdn.net/weixin_38346042/article/details/125355111?spm=1001.2014.3001.55013.MobileNet系列(4):MobileNetv3网络详解：https://blog.csdn.net/weixin_38346042/article/details/125470446?spm=1001.2014.3001.5501
并有完整的博客引见：1.MobileNet系列(1):MobileNetV1网络详解：https://blog.csdn.net/weixin_38346042/article/details/125329726?spm=1001.2014.3001.55012.MobileNet系列(2)：MobileNet-V2网络详解：https://blog.csdn.net/weixin_38346042/article/details/125355111?spm=1001.2014.3001.55013.MobileNet系列(4):MobileNetv3网络详解：https://blog.csdn.net/weixin_38346042/article/details/125470446?spm=1001.2014.3001.5501
2017/11/25 6:03:06
7KB
1
Python数据分析_二手房房价分析与预测系统_源代码B站功能展现video地址：https://www.bilibili.com/video/BV1xY4y1G7GU?vd_source=17a54a65e7ad5618c183f7176df0df12#reply118026854496
2018/10/4 21:50:43
3.6MB
1
ARIMA预测模型训练集和预测集ARIMA模型全称为自回归积分滑动平均模型(AutoregressiveIntegratedMovingAverageModel,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列（Time-seriesApproach）预测方法[1]，所以又称为Box-Jenkins模型、博克思-詹金斯法。
其中ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归，p为自回归项；
MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。
所谓ARIMA模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。
ARIMA模型根据原序列能否平稳以及回归中所含部分的不同，包括移动平均过程（MA）、自回归过程（AR）、自回归移动平均过程（ARMA）以及ARIMA过程。
其中ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归，p为自回归项；
MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。
所谓ARIMA模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。
ARIMA模型根据原序列能否平稳以及回归中所含部分的不同，包括移动平均过程（MA）、自回归过程（AR）、自回归移动平均过程（ARMA）以及ARIMA过程。
2017/5/23 20:02:29
2KB
1
近年来，手势识别的问题是由于难以利用多种计算方法和设备来感知人的手部运动。
因而，在本文中，我们解释了不同的算法来解释手势识别算法，因为它具有得到了很多关注。
我们可以使用手势在不触摸计算机屏幕的情况下与计算机进行交互，可以向计算机提供指令，因而在本文中，我们将介绍使用Kinect进行手势手势检测的方法。
我们正在使用手势识别的动态时间扭曲方法。
我们解释了一种有效的手势识别方法。
我们还使用了简单的K-NN分类器。
在这种方法中，我们使用了DTW（动态时间包装）对齐方式。
我们使用不同的算法和方法来解释有关手势手势识别结果的信息。
我们使用MPLCS算法来识别自由空中的手势并给出良好的结果，之后，我们还使用了MCC计算，该计算确定了重大运动的开始和结束目的，并忽略了未使用的信号。
因而，通过使用此算法，我们给出的手势重组结果要好于以前的所有结果。
因而，在本文中，我们解释了不同的算法来解释手势识别算法，因为它具有得到了很多关注。
我们可以使用手势在不触摸计算机屏幕的情况下与计算机进行交互，可以向计算机提供指令，因而在本文中，我们将介绍使用Kinect进行手势手势检测的方法。
我们正在使用手势识别的动态时间扭曲方法。
我们解释了一种有效的手势识别方法。
我们还使用了简单的K-NN分类器。
在这种方法中，我们使用了DTW（动态时间包装）对齐方式。
我们使用不同的算法和方法来解释有关手势手势识别结果的信息。
我们使用MPLCS算法来识别自由空中的手势并给出良好的结果，之后，我们还使用了MCC计算，该计算确定了重大运动的开始和结束目的，并忽略了未使用的信号。
因而，通过使用此算法，我们给出的手势重组结果要好于以前的所有结果。
2016/1/9 13:12:11
543KB
1
智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真模型及运转结果
2018/5/22 18:11:36
484KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB