shape格局的省,市界,县界的地图文件

经过百度地图爬取的深圳市各行政区的区界数据，经手动调整，符合拓扑关系。

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。

试设计一个用回溯法搜索陈列空间树的函数。
该函数的参数包括结点可行性判定函数和上界函数等必要的函数，并将此函数用于解圆陈列问题。
圆陈列问题描述如下：给定n个大小不等的圆c1,c2,...,cn，现要将这n个圆排进一个矩形框中，且要求各圆与矩形框的底边相切。
圆陈列问题要求从n个圆的所有陈列中找出有最小长度的圆陈列。
例如，当n=3，且所给的3个圆的半径分别为1，1，2时，这3个圆的最小长度的圆陈列是1,2,1，其最小长度为2+4*sqr(2)。
编程任务：对于给定的n个圆，编程计算最小长度陈列。

基于C#winform,写的一个自界说TreeView和TreeNode,可以在每个自界说节点旁添加按钮。

时至今日，广告教父DavidOgilvy的言论与作品仍然是无数广告人心中不朽的经典与学习典范。
本文作者从其著作《一个广告人的自白》以及他广告生涯中最为传奇的一系列案例，总结了8点可为F2P游戏所用的经验。
经典美剧《广告狂人（MadMen）》中的主角DonDraper的原型即是DavidOgilvy——被誉为“广告教父（FatherofAdvertising）”的他是20世纪叱咤广告界的传奇人物，其著作《一个广告人的自白》则是无数同行心中当之无愧的经典。
此书于1963年初次出版，内容围绕纸媒广告展开（电视广告只是一笔带过），细数广告行业的运行规律和运营广告公司并兼顾创意和管理的种种金规戒律，是广

这本模式识别的书非常经典，然而也非常稀罕，很少有人有。
我最早读的是第二版，这本书全面覆盖了统计模式识别领域的重要知识点。
书中用大量篇幅讲解无监督聚类方法，这一点在模式识别教材中应该是独一无二的，比如Duda的书在这方面只留了一章，处理的也比较简单。
另外，本书还有章节专门讲特征抽取、选择，以及模板婚配这些内容，也弥补了Duda教材的不足。
第三版增加了一些内容，主要是基于核方法的内容，反映了学界的进展。
-Bookofthispatternrecognitionisveryclassic,however,veryrare,veryfewpeoplehave.Ifirstreadthesecondedition,thisbookcomprehensivelycoverstheimportantpointsofthefieldofstatisticalpatternrecognition.Bookatgreatlengthtoexplaintheunsupervisedclusteringmethod,whichisuniqueinpatternrecognitiontextbooks,suchasDuda'sbookinthisregard,leavingonlyonechapter,isalsorelativelysimpletodealwith.Inaddition,thebooktherearechaptersdedicatedspeakersfeatureextraction,selection,andtemplatematching,butalsocompensateforthelackofmaterialsDuda.Thethirdeditionoftheincreaseinsomeofthecontentismainlybasedonthecontentofthekernelmethod,reflectingtheacademicprogress.

一本非常好的非线性工夫序列英文版书籍，由统计界的大牛范剑青编著。

这个网站次要分成6个部分，具体为：首页，登录，注册，影视简介，影视赏析，影视论坛（包含发帖，回帖，管理员删帖这三个功能）组成次要运用页面链接和数据库的连接。
其中首页和影视赏析次要是由图片和页面之间的链接，在进入电影评论界面必须用户先登录否则无法进入到该界面进行发帖和回帖，而且只有管理员本人通过登录后才可以对帖子进行删除。
而对于电影论坛页面分成了表头，浏览帖，发表帖三个部分代码完成数据库的输入和提取发表之后数据进入数据库之后就又跳转到电影论坛页面。
这样整个网站的运行基本完成。

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。