本工程文件实现了K-means算法，对输入的样本数据实现了聚类分析，其中测试的样本数据在工程文件下的K-means文件夹下
2024/6/23 20:52:44
2.72MB
1
tensorflowpythoncpuwindow自己输入样本训练神经网络，测试，实现猫和狗两类动物的分类！！可用于学习！！样本资源少以及网络简单存在过拟合问题.
2024/6/22 15:23:11
142.71MB
1
对Iris数据进行两个特征选取，共6种组合，计算类别可分性准则函数J值，得出最好的分类组合，画出各种组合的分布图；
2、使用前期作业里面的程序、对6种组合分别使用不同方法进行基于120个训练样本30个测试样本的学习误差和测试计算，方法包括：最小距离法（均值为代表点）、最近邻法、k近邻法（k取3、5...）等；
2、使用前期作业里面的程序、对6种组合分别使用不同方法进行基于120个训练样本30个测试样本的学习误差和测试计算，方法包括：最小距离法（均值为代表点）、最近邻法、k近邻法（k取3、5...）等；
2024/6/20 13:07:29
2KB
1
《概率论与数理统计：英文本》简介： 本书从ThomsonLearning出版公司引进。
本书主要介绍了概率统计的基本思想、概念和方法，从各个应用层面和案例入手，使用尽量少的概率知识介绍了应用统计的基本内容和扩展内容。
阅读本书，不需要微积分学知识，只需具备高中数学水平即可。
本书着重思维、层次分明、大量案例与练习以统计软件Minitab作统计分析，使用方便，适合于工科、经济、管理类专业学生作为概率统计双语教材使用，也可供教师教学参考。
本书主要内容有：0.统计学简介；
1.用图表描述数据；
2.用数值方法描述数据；
3.双变量数据的描述；
4.概率及概率分布；
5.几个有用的离散型分布；
6.正态概率分布；
7.抽样分布；
8.大样本估计；
9.大样本假设检验；
10.从小样本推断；
11.方差分析；
12.线性回归及相关性；
13.多元线性回归；
14.范畴数据分析；
15.非参数统计。
本书主要介绍了概率统计的基本思想、概念和方法，从各个应用层面和案例入手，使用尽量少的概率知识介绍了应用统计的基本内容和扩展内容。
阅读本书，不需要微积分学知识，只需具备高中数学水平即可。
本书着重思维、层次分明、大量案例与练习以统计软件Minitab作统计分析，使用方便，适合于工科、经济、管理类专业学生作为概率统计双语教材使用，也可供教师教学参考。
本书主要内容有：0.统计学简介；
1.用图表描述数据；
2.用数值方法描述数据；
3.双变量数据的描述；
4.概率及概率分布；
5.几个有用的离散型分布；
6.正态概率分布；
7.抽样分布；
8.大样本估计；
9.大样本假设检验；
10.从小样本推断；
11.方差分析；
12.线性回归及相关性；
13.多元线性回归；
14.范畴数据分析；
15.非参数统计。
2024/6/2 18:52:11
1.96MB
1
为研究正交偏振云气溶胶激光雷达（CALIOP）最新Version4（V4）版产品与Version3（V3）版产品全球大气气溶胶和云衰减后向散射特征的差异及其对以往研究可能造成的影响，利用2011年1、4、7、10月CALIOP这两个版本的数据，对20.2km海拔高度内全球范围云和气溶胶样本点的532nm总衰减后向散射、1064nm衰减后向散射、总衰减颜色比进行了概率分布统计,并对两个不同版本相应数据的相对偏差做出统计分析。
结果表明，云或气溶胶V4版与V3版散射数据的相对偏差趋于正值，夜间数据的变化比日间数据明显。
V4版与V3版云的日间532nm总衰减后向散射、1064nm衰减后向散射及总衰减颜色比的相对偏差均值分别为3.40%、4.66%和1.18%，而夜间的则分别为2.80%、8.00%和5.33%。
气溶胶的532nm总衰减后向散射、1064nm衰减后向散射及总衰减颜色比的相对偏差均值日间分别为1.14%、6.94%和5.62%，夜间分别为3.33%、10.92%和7.64%。
结果表明，云或气溶胶V4版与V3版散射数据的相对偏差趋于正值，夜间数据的变化比日间数据明显。
V4版与V3版云的日间532nm总衰减后向散射、1064nm衰减后向散射及总衰减颜色比的相对偏差均值分别为3.40%、4.66%和1.18%，而夜间的则分别为2.80%、8.00%和5.33%。
气溶胶的532nm总衰减后向散射、1064nm衰减后向散射及总衰减颜色比的相对偏差均值日间分别为1.14%、6.94%和5.62%，夜间分别为3.33%、10.92%和7.64%。
2024/5/31 9:35:38
7.41MB
1
defGMM_algorithm(iterMax,gmm,dataset):'''高斯混合聚类算法:paramiterMax:最大迭代次数:paramgmm:保存gmm模型的数据:return:簇划分结果'''step=0m=len(dataset)flagMat=np.mat(np.zeros((m,1)))#保存每个样本的簇标记lateProbMat=np.mat(np.zeros((m,3)))#保存后验概率whilestep3):k+=1print(k)mark=['or','ob','og','ok','^r','+r','sr','dr','＜r','pr']#画出所有样例点属于同一分类的绘制同样的颜色foriinrange(numSamples):
2024/5/18 3:22:23
183KB
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