MNIST应该是最简单，也是最好的起始数据集，使用极为简单的分类器就可以达到不错的泛化准确率（何为泛化？即我们的模型对于没有进入训练集的判断能力，反应了模型能否正确或是鲁棒），实际上，基本上由图像各密集像素区的简单分布就可以达到分类手写数字识别的目的（特别是限制了手写范围，数字一般处于居中的位置的时候）。
此为其下载的脚本文件，此外，只需要一次下载后即可无须下载立刻使用，具体请看我的教程。

为提髙复杂噪声环境下语音信号端点检测的准确率，提岀一种基于梅尔频谱倒谱系数（MFCC）距离的多维特征语音信号端点检测算法。
通过计算语音信号的MrcC距离，结合短时能量和短时过零率对特征距离进行修正，并更新其阈值，建立自顺应噪声模型，实现复杂噪声中语音信号端点的准确检测。
实验结果表明，与基于双限能量和基于倒谱距离的2种经典检测算法相比，在计算效率相同的条件下，该算法的检测准确率更高。

双色球算法-昵称-12-1建立文件+读取文件v0.02_20190924_1235.7z算法升级，界面美化版本。
（显示的字体变大愈加容易读取）使用方式：在D盘建立一个文本文件名为：shuangseqiu.txt讲双色球红球的号码以逗号分隔放到里面，比如：（可以放入多注，不要放蓝球）4,12,14,21,27,291,5,16,17,18,242,13,15,17,26,33算法一：双色球杀号码差方法一：利用上期开奖红球号码每两个号码相减的绝对值作为下一期开奖号码杀号的选择。
例如04061期开奖号码13、16、19、20、23、33，每两个号码相减的绝对值为16－13、19－13、20－13等共有15个差值，其中有相同的差值，那么04062期的杀号选择为01、03、04、06、07、10、13、14、17、20，实际杀错了一个红球01。
此方法杀错号码个数一般在0－2个，但也有例外，04059期杀错6个，所以此方法要灵活运用。
算法二：双色球杀号码和算法三：双色球杀号码乘积/商乘除法https://wenku.baidu.com/view/1dfc5612f18583d0496459cb.html?sxts=1565623827084末尾两数相乘(相除):(乘取得数最后一位杀尾,除取三位数最后一位)128期开奖号04152130313333*31=1023129期杀3尾129期杀3132333对33/31=1.06661626对https://wenku.baidu.com/view/ddf6abee856a561252d36fdd.html?sxts=1565623520317双色球红球杀号技巧（实践经验，准确率高达90%）末尾两数相乘(相除):(乘取得数最后一位杀尾,除取三位数最后一位)128期开奖号04152130313333*31=1023129期杀3尾129期杀3132333?对33/31=1.06661626对算法四：双色球选号码乘积/商乘除法所谓计算法是指根据本期开奖号码，通过加减计算预测下期开奖号码的一种较为实用。
直观的选号方法。
具体来说，运用计算法步聚如下：一、将本期开奖的六个红号加起来得到一个总和。
二、让总和减去每一位开奖红号分别得到一个差数。
三、让这个差数除以每一个开奖号码，分别得到一个得数和余数。
四、舍弃余数，只考虑得数，让这个得数作参考，可选择出下期的开奖号码。
例如：“双色球”第60期开奖号码为“02、04、06、17、21、28”6个红号相加总和为78。
计算方法如下：（78-2）÷2=38……0，下期奖号可能出现08、18或28。
（78-4）÷4=18……2，下期奖号可能出现08、18或28。
（78-6）÷6=12……0，下期奖号可能出现02、12、22或32。
（78-17）÷17=3……10，下期奖号可能出现03、13、23或33。
（78-21）÷21=2……15，下期奖号可能出现02、12、22或32。
（78-28）÷28=1……22，下期奖号可能同现01、11、21或31。
其中有两式得数均出现8，必然有8尾数号开出。
以上共选出08、18、28、02、12、22、32、03、13、23、33、01、11、21、31共计15个号。
01、02、03、08、11、12、13、18、21、22、23、28、31、32、33

在已有Pagerank算法构建的微博用户影响力评估模型中，存在用户本身属性信息欠缺以及在用户不活跃期间其影响力被误判下降的问题。
为此，综合考虑用户本身的属性，基于用户的活跃度、认证信息及博文质量来确定其本身的基本影响力，通过引入用户博文的传播率挖掘用户的潜在影响力，结合用户不同好友的质量，基于改进的Pagerank算法构建微博用户影响力评估算法。
实验结果表明，与改进BWPR算法相比，该算法准确率、召回率和F值分别提高13.5%、10.1%和12.3%，能准确、客观地反映微搏用户的实际影响力，可为社交网络中的意见领袖挖掘、信息传播和舆论引导等研究提供参考。

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%）

在微信/QQ中进行推广的网页内容管控得越来越严格了，如果自己的域名被微信封了，用户打不开，会造成很大的流量损失和客户流失。
我们做推广的时候，需要对域名检测，判断能否被微信屏蔽了。
那么此时就要用到域名检测接口，实时检测域名的状态，查询域名能否被QQ/微信拦截，有异常及时通知，非常稳定，准确率高。
从而可以在短暂时间内调整过来，不影响网站运行和人员的运营。

本文针对火灾报警系统问题，建立熵权-topsis逻辑回归等数学模型，旨在通过所建模型来选取可靠的探测器、提高报警准确率及改进各辖区综合管理水平，从而减少我国火灾事故。
针对问题一，首先根据地址、机号和回路，确定真实火灾数为418起。
接着根据题目要求，基于可靠性和故障率两个指标建立综合评价模型。
由于可靠性为效益型指标，而故障率为成本型指标，故将故障率通过数学公式转换为效益型指标，即完善率。
指标确定后，运用熵权法确定各指标权重，最后利用topsis法构建各类型部件评价模型，对16种部件进行综合评价，帮助政府选择最可靠的5种火灾探测器类型，分别为光束感烟、手动报警按钮、智能光电探头、点型感温探测器、线性光束感烟。
针对问题二，建立基于logistic回归的区域报警部件类型智能研判模型。
本文选择故障次数、消防大队及探测器类型3个变量作为自变量，误报与否作为因变量，将消防大队和探测器类型两个无序分类变量变为虚拟变量，利用logistic回归模型预测辖区内某类型部件发出报警信息正确的概率，经检验模型的真实性为。
经检验结果有所偏差，故进行模型优化用woe值代替原值计算，使得结果愈加真实可靠。

要解决的是一个医学图像的二分类问题，有AK和SK两种病症，根据一定量数据，进行训练，对图像进行预测。
给定图片数据的格式：解决思路整体上采用迁移学习来训练神经网络，使用InceptionV3结构，框架采用keras.具体思路：读取图片数据，保存成.npy格式，方便后续加载标签采用one-hot方式，由于标签隐藏在文件夹命名中，所以需要自行添加标签，并保存到.npy文件中，方便后续加载将数据分为训练集、验证集、测试集使用keras建立InceptionV3基本模型，不包括顶层，使用预训练权重，在基本模型的基础上自定义几层神经网络，得到最后的模型，对模型进行训练优化模型，调整超参数，提高准确率在测试集上对模型进行评估，使用精确率、召回率对单张图片进行预测，并输出每种类别的概率如何加载实际数据，如何保存成npy文件，如何打乱数据，如何划分数据，如何进行交叉验证如何使用keras进行迁移学习keras中数据增强、回调函数的使用，回调函数涉及：学习速率调整、保存最好模型、tensorboard可视化如何使用sklearn计算准确率，精确率，召回率，F1_

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。