配套的相关资料，好东西。
菜菜的课程，看了就知道是好东西了。
01决策树课件数据源码02随机森林03数据预处理和特征工程04主成分分析PCA与奇异值分解SVD05逻辑回归与评分卡06聚类算法Kmeans07支持向量机上08支持向量机下09回归大家族：线性回归，岭回归，Lasso与多项式回归010朴素贝叶斯011XGBoost
菜菜的课程，看了就知道是好东西了。
01决策树课件数据源码02随机森林03数据预处理和特征工程04主成分分析PCA与奇异值分解SVD05逻辑回归与评分卡06聚类算法Kmeans07支持向量机上08支持向量机下09回归大家族：线性回归，岭回归，Lasso与多项式回归010朴素贝叶斯011XGBoost
2024/2/5 9:49:43
153.32MB
1
采用C++开发的复矩阵数学库，含复数类CMyComplex、矩阵类CMatrix、修正贝塞尔函数类等，可进行各种复数和复矩阵运算，具体包括：实矩阵求逆的全选主元高斯－约当法、复矩阵求逆的全选主元高斯－约当法、对称正定矩阵的求逆、托伯利兹矩阵求逆的埃兰特方法、求行列式值的全选主元高斯消去法求矩阵秩的全选主元高斯消去法、对称正定矩阵的乔里斯基分解与行列式的求值、矩阵的三角分解、一般实矩阵的QR分解、一般实矩阵的奇异值分解、求广义逆的奇异值分解法、约化对称矩阵为对称三对角阵的豪斯荷尔德变换法、实对称三对角阵的全部特征值与特征向量的计算、约化一般实矩阵为赫申伯格矩阵的初等相似变换法、求赫申伯格矩阵全部特征值的QR方法、求实对称矩阵特征值与特征向量的雅可比法、求实对称矩阵特征值与特征向量的雅可比过关法等，内容十分丰富完善。
2024/2/5 6:06:28
6.39MB
1
在推荐算法中，样本空间构成的数据矩阵一般为稀松矩阵，且维数一般较多，可通过求取特征值或者奇异值的方式获得样本矩阵的特征矩阵，从而降低维数。
主成分分析法在矩阵降维中有很好的应用。
本文通过特征值分解、奇异值分解、PCA等操作可以获得降维后的矩阵，通过使用不同的相似度判别法获得最好的相似度，可以使得推荐算法具有很好的效果。
主成分分析法在矩阵降维中有很好的应用。
本文通过特征值分解、奇异值分解、PCA等操作可以获得降维后的矩阵，通过使用不同的相似度判别法获得最好的相似度，可以使得推荐算法具有很好的效果。
2024/2/3 9:17:28
360KB
1
为了辨识一类非线性Hammerstein-Wiener系统，基于递推贝叶斯算法和奇异值分解，提出了一种两阶段在线辨识算法。
该算法首先利用递推贝叶斯算法估计乘积项参数，然后利用奇异值分解得到待估计参数。
仿真结果表明，所提算法可以较小的计算量获得精度较高的参数估计值。
该算法首先利用递推贝叶斯算法估计乘积项参数，然后利用奇异值分解得到待估计参数。
仿真结果表明，所提算法可以较小的计算量获得精度较高的参数估计值。
2024/1/30 3:35:11
1.11MB
1
EWT（empiricalwavelettransform）是由Gilles在2013年将小波变换的科学性与EMD的自适应优势结合起来而提出的一种用于信号自适应的分析方法，该方法不仅可以对信号进行傅里叶频谱分析，同时通过特定方法确定信号的边界值，而且可以根据小波变换的理论基础。
类似的定义经验小波变换的公式，自适应的组建满足信号的正交及紧支撑要求的小波基，通过Hilbert变换，就能获取所有分信号的频谱特征，且比EMD分解的过程，更快更精确。
类似的定义经验小波变换的公式，自适应的组建满足信号的正交及紧支撑要求的小波基，通过Hilbert变换，就能获取所有分信号的频谱特征，且比EMD分解的过程，更快更精确。
2024/1/26 19:14:13
2.45MB
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