博文：基于神经网络的溶解度猜测和回归分析https://blog.csdn.net/u012325865/article/details/82725777数据集文件。
2019/3/11 10:22:27
1.74MB
1
博文：基于神经网络的溶解度猜测和回归分析https://blog.csdn.net/u012325865/article/details/82725777数据集文件。
2020/7/6 9:24:22
1.74MB
1
使用逻辑回归和贝叶斯算法对wine数据集进行分类。
包含wine数据集，源代码，实验报告及控制台可执行程序。
包含wine数据集，源代码，实验报告及控制台可执行程序。
2020/10/17 18:52:13
321KB
1
本资源包括matlab数学建模及数学实验课件（PPt和WORD），共十四讲，从数学建模简介、matlab入门、MATLAB作图、线性规划、无约束优化、非线性规划、微分方程、最短路问题、行遍性问题、数据的统计描述与分析、计算机模仿、回归分析、插值、拟合等等，到还有一些实例及编程教程（matlab频谱分析），是很实用的数学建模学习资料。
2017/9/9 6:08:28
9.98MB
1
高斯过程(GP)模型是非参数贝叶斯回归的一种灵活方法。
然而，在大数据中使用GP模型的大多数现有工作都是为单变量输出时间序列定义的，称为单任务GPs(single-taskGPs,STGP)。
在此，利用GPs同时对多个相关单变量生理时间序列进行建模。
由此产生的多任务GP(MTGP)框架可以学习多个信号之间的相关性，即便它们可能以不同的频率采样，并具有针对不同间隔的训练集。
MTGPs可有效地学习了生理时间序列之间的相关性，从而提高了建模精度。
多任务高斯过程模型Matlab工具箱（包括多个例子）
然而，在大数据中使用GP模型的大多数现有工作都是为单变量输出时间序列定义的，称为单任务GPs(single-taskGPs,STGP)。
在此，利用GPs同时对多个相关单变量生理时间序列进行建模。
由此产生的多任务GP(MTGP)框架可以学习多个信号之间的相关性，即便它们可能以不同的频率采样，并具有针对不同间隔的训练集。
MTGPs可有效地学习了生理时间序列之间的相关性，从而提高了建模精度。
多任务高斯过程模型Matlab工具箱（包括多个例子）
2016/6/23 6:35:29
4.16MB
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