“AIChallenger寰球AI挑战赛”是面向寰球家养智能强人的开源数据集以及编程竞赛平台，自动于满足AI强人成长对于高品质丰厚数据集的需要，增长AI在科研与贸易规模松散来处置其实天下的下场。
AIChallenger以效率、培育AI能回报使命，打造良性可络续的AI科研与使用新生态。
2017年首届大赛宣告了千万量级的数据集、一系列兼具学术与产业意思的竞赛、逾越200万庶民币的奖金，排汇了来自寰球65个国度的8892支团队参赛，成为目前国内规模最大的科研数据集平台、以及最大的非贸易化竞赛平台。
AIChallenger2018带来十余个全新的数据集与竞赛，以及逾越300万庶民币的奖金，“用AI挑战其实天下的下场

弥留国内学术团聚会议目录-推选下载.pdf

CruiseYoung提供的带有详细书签的电子书籍目录http://blog.csdn.net/fksec/article/details/7888251TCP/IP详解卷2:实现基本信息原书名：TCP/IPIllustrated,Vol.2:TheImplementation原出版社：Addison-WesleyProfessional作者：(美)GaryR.WrightW.RichardStevens译者：陆雪莹蒋慧丛书名：计算机科学丛书出版社：机械工业出版社ISBN：7111075676上架时间：2000-7-1出版日期：2011年4月开本：16开页码：901版次：1-19所属分类：计算机＞计算机网络＞网络协议＞TCP/IP教材＞研究生/本科/专科教材＞工学＞计算机教材＞计算机教材＞本科/研究生＞计算机专业教材＞计算机专业课程＞计算机网络内容简介　　本书完整而详细地介绍了TCP/IP协议是如何实现的。
书中给出了约500个图例，15000行实际操作的C代码，采用举例教学的方法帮助你掌握TCP/IP实现。
本书不仅说明了插口API和协议族的关系以及主机实现与路由器实现的差别。
还介绍了4.4BSD-Lite版的新的特点，如多播、长肥管道支持、窗口缩放、时间戳选项以及其他主题等等。
读者阅读本书时，应当具备卷1中阐述的关于TCP/IP的基本知识。
本书适用于希望理解TCP/TP协议如何实现的人，包括编写网络应用程序的程序员以及利用TCP/IP维护计算机网络的系统管理员。
作译者作者:W.RichardStevens国际知名的Unix和网络专家，《TCP/IP详解》（三卷本）作者　　W.RichardStevens（1951-1999），是国际知名的Unix和网络专家；
受人尊敬的计算机图书作家；
同时他还是广受欢迎的教师和顾问。
Stevens先生1951年生于赞比亚，他的家庭曾多次搬迁，最终定居于南非。
早年，他就读于美国弗吉尼亚州的费什本军事学校，后获得密歇根大学学士、亚利桑那大学系统工程硕士和博士学位。
他曾就职于基特峰国家天文台，从事计算机编程；
还曾在康涅狄格州纽黑文市的健康系统国际公司任主管计算机服务的副总裁。
Stevens先生不幸病逝于1999年9月1日，他的离去是计算机界的巨大损失。
陆雪莹陆雪莹，女，1973年1月出生。
1994年?月毕业于南京通信工程学院无线通信专业，获工学学士学位。
1997年2月于南京通信工程学院计算机软件专业毕业，并获硕士学位。
1997年9月至今，任南京通信工程学院计算机教研室教员，同时于解放军理工大学攻读军事通信学博士学位，讲师职称，主要研究方向：智能化网络管理，计算机网络分布式处理。
曾参加国家“863”项目，并参加编写专业著作2本，翻译专业著作3本，在各级学术刊物上发表论文5篇。
蒋慧蒋慧，女，1973年2月出生。
1995年毕业于南京通信工程学院计算机系，获计算机应用专业工学学土学位。
1998年于南京通信工程学院计算机软件专业毕业，并获硕士学位。
1998年9月至今，于解放军理工大学攻读博士学位。
自1995年以来，在国内外重要学术刊物和会议上发表8篇论文，其中2篇论文被IEEE国际会议录用。
已出版3本有关网络的译作。
目前从事软件需求工程、网络协议验证方式化方法以及函数式语言等方面的研究。
目录封面-1第1章　概述11.1　引言11.2　源代码表示11.2.1　将拥塞窗口设置为111.2.2　印刷约定21.3　历史21.4　应用编程接口31.5　程序示例41.6　系统调用和库函数61.7　网络实现概述61.8　描述符71.9　mbuf与输出处理111.9.1　包含插口地址结构的mbuf111.9.2　包含数据的mbuf121.9.3　添加IP和UDP首部131.9.4　IP输出141.9.5　以太网输出141.9.6　UDP输出小结141.10　输入处理151.10.1　以太网输入151.10.2　IP输入151.10.3　UDP输入161.10.4　进程输入171.11　网络实现概述(续)171.12　中断级别与并发181.13　源代码组织201.14　测试网络211.15　小结22第2章　mbuf：存储器缓存242.1　引言24

集中整合了16篇关于matlab车牌辨认各大高校的学术论文

加州理工大学PythonOpenGL教程，清楚简单，合适初学者，若有任何学术/技术上的以为，欢迎与我交流whitelok@163.com

压缩包内含：基于LSTM的股票价格预测_数据+代码+报告，可以最为数据挖掘的大作业。
股票作为人民金融投资的普遍方式，如何在股票中赚钱成为股民的共同目标。
要想在股票买卖中赚钱便要掌握股票的走势，因此股票价格预测工作引起社会及学术界的广泛关注。
股票的走势随市场变动，而且受诸多因素影响，如国际环境，政策变化，行业发展，市场情绪等等，这使得股民很难预测股票的走势。
理论上，根据股票以往的价格走势，可以预测股票的未来走势。
因为股票预测是高度非线性的，这就要预测模型要能够处理非线性问题，并且，股票具有时间序列的特性，因此适合用循环神经网络对股票进行预测。
虽然循环神经网络（RNN），允许信息的持久化，然而，一般的RNN模型对具备长记忆性的时间序列数据刻画能力较弱，在时间序列过长的时候，因为存在梯度消散和梯度爆炸现象RNN训练变得非常困难。
Hochreiter和Schmidhuber提出的长短期记忆（LongShort-TermMemory，LSTM）模型在RNN结构的基础上进行了改造，从而解决了RNN模型无法刻画时间序列长记忆性的问题。
因此，本文基于LSTM实现一个股票价格预测模型。

线性分式计划全局优化算法的经典启蒙学术论文

科研伦理与学术规范答案参考。
紧缩包有参考答案供学习参考。
包含每章习题及答案。
科研伦理与学术规范答案参考。
https://pan.baidu.com/s/1KabSlzjaBgc_UDZXwX9ylA提取码：s38e

Cal9000工具，学术交流，不得用于任何恶意攻击

文本挖掘tmSVM开源项目集成libSVM和liblinear包含Python和Java两种版本带PDF源码参考文档简介文本挖掘无论在学术界还是在工业界都有很广泛的应用场景。
而文本分类是文本挖掘中一个非常重要的手段与技术。
现有的分类技术都已经非常成熟，SVM、KNN、DecisionTree、AN、NB在不同的应用中都展示出较好的效果，前人也在将这些分类算法应用于文本分类中做出许多出色的工作。
但在实际的商业应用中，仍然有很多问题没有很好的解决，比如文本分类中的高维性和稀疏性、类别的不平衡、小样本的训练、Unlabeled样本的有效利用、如何选择最佳的训练样本等。
这些问题都将导致curveofdimension、过拟合等问题。
这个开源系统的目的是集众人智慧，将文本挖掘、文本分类前沿领域效果非常好的算法实现并有效组织，形成一条完整系统将文本挖掘尤其是文本分类的过程自动化。
该系统提供了Python和Java两种版本。
主要特征该系统在封装libsvm、liblinear的基础上，又增加了特征选择、LSA特征抽取、SVM模型参数选择、libsvm格式转化模块以及一些实用的工具。
其主要特征如下：封装并完全兼容*libsvm、liblinear。
基于Chi*的featureselection见feature_selection基于LatentSemanticAnalysis的featureextraction见feature_extraction支持Binary,Tf,log(tf),Tf*Idf,tf*rf,tf*chi等多种特征权重见feature_weight文本特征向量的归一化见Normalization利用交叉验证对SVM模型参数自动选择。
见SVM_model_selection支持macro-average、micro-average、F-measure、Recall、Precision、Accuracy等多种评价指标见evaluation_measure支持多个SVM模型同时进行模型预测采用python的csc_matrix支持存储大稀疏矩阵。
引入第三方分词工具自动进行分词将文本直接转化为libsvm、liblinear所支持的格式。
使用该系统可以做什么对文本自动做SVM模型的训练。
包括Libsvm、Liblinear包的选择，分词，词典生成，特征选择，SVM参数的选优，SVM模型的训练等都可以一步完成。
利用生成的模型对未知文本做预测。
并返回预测的标签以及该类的隶属度分数。
可自动识别libsvm和liblinear的模型。
自动分析预测结果，评判模型效果。
计算预测结果的F值、召回率、准确率、Macro,Micro等指标，并会计算特定阈值、以及指定区间所有阈值下的相应指标。
分词。
对文本利用mmseg算法对文本进行分词。
特征选择。
对文本进行特征选择，选择最具代表性的词。
SVM参数的选择。
利用交叉验证方法对SVM模型的参数进行识别，可以指定搜索范围，大于大数据，会自动选择子集做粗粒度的搜索，然后再用全量数据做细粒度的搜索，直到找到最优的参数。
对libsvm会选择c,g(gamma)，对与liblinear会选择c。
对文本直接生成libsvm、liblinear的输入格式。
libsvm、liblinear以及其他诸如weka等数据挖掘软件都要求数据是具有向量格式，使用该系统可以生成这种格式：labelindex:valueSVM模型训练。
利用libsvm、liblinear对模型进行训练。
利用LSA对进行FeatureExtraction*，从而提高分类效果。
开始使用QuickStart里面提供了方便的使用指导如何使用该系统可以在命令行（Linux或cmd中）中直接使用，也可以在程序通过直接调用源程序使用。
在程序中使用。
#将TMSVM系统的路径加入到Python搜索路径中importsyssys.path.insert(0,yourPath+"\tmsvm\src")importtms#对data文件夹下的binary_seged.train文件进行训练。
tms.tms_train(“../data/binary_seged.train”)#利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测tms.tms_predict(“../data/binary_seged.test”,”../model/tms.config”)#对预测的结果进行分析，评判模型的效果tms.tms_analysis(“../tms.result”)在命令行中调用#对data文件夹下的binary_seged.train文件进行训练。
$pythonauto_train.py[options]../data/binary_seged.train#利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测pythonpredict.py../data/binary_seged.train../model/tms.config#对预测的结果进行分析，评判模型的效果$pythonresult_anlaysis.py../tms.result上面的调用方式都是使用系统中默认的参数，更具体、灵活的参数见程序调用接口输入格式labelvalue1[value2]其中label是定义的类标签，如果是binaryclassification，建议positive样本为1，negative样本为-1。
如果为multi-classification。
label可以是任意的整数。
其中value为文本内容。
label和value以及value1和value2之间需要用特殊字符进行分割，如”\t”模型输出模型结果会放在指定保存路径下的“model”文件夹中，里面有3个文件，默认情况下为dic.key、tms.model和tms.config。
其中dic.key为特征选择后的词典；
tms.model为训练好的SVM分类模型;tms.config为模型的配置文件，里面记录了模型训练时使用的参数。
临时文件会放在“temp”文件夹中。
里面有两个文件：tms.param和tms.train。
其中tms.param为SVM模型参数选择时所实验的参数。
tms.train是供libsvm和liblinear训练器所使用的输入格式。
源程序说明src:即该系统的源代码，提供了5个可以在Linux下可以直接调用的程序:auto_train.py、train.py、predict.py为在Linux下通过命令行调用的接口。
tms.py为在程序中调用的主文件，直接通过importtms即可调用系统的所有函数。
其他文件为程序中实现各个功能的文件。
lsa_src：LSA模型的源程序。
dependence:系统所依赖的一些包。
包括libsvm、liblinear、Pymmseg在Linux32位和64位以及windows下的支持包(dll,so文件)。
tools:提供的一些有用的工具，包括result_analysis.py等。
java：java版本的模型预测程序，项目重要更新日志2012/09/21针对linux下的bug进行修正。
重新生成win和linux版本的。
2012/03/08增加stem模块，并修正了几个Bug。
2011/11/22tmsvm正式发布。
联系方式邮箱:zhzhl202@163.comThanks本系统引用了libsvm、liblinear的包，非常感谢Chih-JenLin写出这么优秀的软件。
本系统还引用了Pymmseg，非常感谢pluskid能为mmseg写出Python下可以直接使用的程序从最初的想法萌生到第一版上线，中间试验了很多算法，最终因为效果不好删掉了很多代码，在这期间得到了许多人的帮助，非常感谢杨铮、江洋、敏知、施平等人的悉心指导。
特别感谢丽红一直以来的默默支持。

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。