1.分析方法说明/*预测分析法；
LR分析法*/2.分析表的构造算法/*可采用流程图或类语言来描述算法*/3.数据结构/*自顶向下分析法：符号栈等*//*LR分析法：状态栈、符号栈等*/包含代码和报告是用SLR（1）文法来实现的
LR分析法*/2.分析表的构造算法/*可采用流程图或类语言来描述算法*/3.数据结构/*自顶向下分析法：符号栈等*//*LR分析法：状态栈、符号栈等*/包含代码和报告是用SLR（1）文法来实现的
2024/8/17 9:43:02
10.83MB
1
本资料为作者研究生期间所做研究的总结与整理，主要是利用abaqus的umat子程序实现复合材料的疲劳分析及寿命预测，里面对umat的调用层次作了图示讲解。
如需对应umat程序的，可私聊。
如需对应umat程序的，可私聊。
2024/8/14 21:19:13
26.6MB
1
准确了解用户对视频热度的选择（PP）的差异性对丰富的用户画像，提高个性化服务精确度和优化产品提供方收益等方面大有替代益。
目前只有少量的统计学方面的研究，在数据稀疏或者大规模启动的情况下不确定性的正确性。
基于大规模商业在线视频流媒体系统的用户观影数据，此处对用户的视频热度替换进行了多角度刻画分析，着重提出了两个基于协同过滤（CF）的算法来预测用户对视频热度的替代。
具体贡献如下：1）通过空模型假设对比实验，发现并非所有用户都偏好热度高的视频；
大多数用户有较广泛的优选范围，但用户之间2）设计了基于最近邻居的（NNI）和基于矩阵分解的（MFI）用户热度首选预测模型。
实验证明，当数据稀疏度低于48％的时候，用NNI或MFI算法初始化所得的用户热度替代比传统方法统计所得的结果更准确。
越稀疏的情况下，这种优势越明显。
此工作对视频系统中推荐服务设计和用户体验优化具有参考意义。
目前只有少量的统计学方面的研究，在数据稀疏或者大规模启动的情况下不确定性的正确性。
基于大规模商业在线视频流媒体系统的用户观影数据，此处对用户的视频热度替换进行了多角度刻画分析，着重提出了两个基于协同过滤（CF）的算法来预测用户对视频热度的替代。
具体贡献如下：1）通过空模型假设对比实验，发现并非所有用户都偏好热度高的视频；
大多数用户有较广泛的优选范围，但用户之间2）设计了基于最近邻居的（NNI）和基于矩阵分解的（MFI）用户热度首选预测模型。
实验证明，当数据稀疏度低于48％的时候，用NNI或MFI算法初始化所得的用户热度替代比传统方法统计所得的结果更准确。
越稀疏的情况下，这种优势越明显。
此工作对视频系统中推荐服务设计和用户体验优化具有参考意义。
2024/8/10 16:42:34
224KB
1
NateSilver大数据成功预测美国2012年大选。
2024/8/10 9:12:12
10.59MB
1
2018华为软件精英挑战赛，成渝赛区无力吐槽的典哥(初赛23名，复赛14名).代码是复赛的，岭回归+均值+去噪预测结合比例回溯放置，复赛练习稳定得分81.有兴趣的可以私聊交流经验
2024/8/10 5:13:54
27KB
1
大量NASA锂离子电池寿命退化实验数据，参数齐全，文档描述清晰，可供锂离子寿命预测和锂离子物理化学机理的深入研究。
2024/8/8 17:43:41
14.03MB
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