2010年吉利熊猫评价报告

带来令人满意的用户体验是每一项业务的重中之重。
因而，企业会仔细观察用户体验和行业发展趋势。
在数字时代，用户体验变得更为繁杂。
从网络上寻找新品牌或通过亲朋好友寻找新品牌，再到在社交媒体上发布产品评价，用户体验之旅可以经过诸多阶段。
除此之外，不断变化的行业发展趋势会极大地影响用户体验。
因而，业务引领者必须要制订繁杂的策略来增强用户体验。

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。

本书将电力系统继电保护原理与MATLAB/Simulink仿真有机地结合起来，在讲解继电保护原理的同时，用MATLAB/Simulink的仿真实例来验证所讲保护的动作原理及故障特征，以帮助读者能够更为方便、直观地掌握较为抽象的继电保护原理及配合关系，较快地进入电力系统继电保护这一领域。
本书可作为高等院校电气工程及其自动化专业的本、专科教材，也可作为电气工程相关专业研究生、电力系统工程技术人员的参考书。
前言第1章绪论11.1电力系统继电保护的基本任务11.2电力系统继电保护的基本原理及组成21.2.1电力系统继电保护的基本原理21.2.2电力系统继电保护的组成41.3对电力系统继电保护的基本要求51.4电力系统继电保护的发展简史61.5电力系统仿真及MATLAB简介8第2章电流互感器与电压互感器102.1电流互感器102.1.1电流互感器简介102.1.2电流互感器的常用额定参数102.1.3电流互感器的常用接线方式l22.2电压互感器122.2.1电压互感器简介122.2.2电压互感器的常用额定参数132.2.3电压互感器常用的接线方式142.3电流、电压互感器仿真示例152.3.1电流互感器两相星形接线的建模与仿真152.3.2考虑电流互感器饱和特性时的建模与仿真-222.3.3电容式电压互感器的建模与暂态特性仿真24第3章电网相间短路的电流电压保护与仿真273.1继电特性及运行方式273.1.1继电器的继电特性273.1.2继电保护的运行方式283.2单侧电源网络的相间电流、电压保护293.2.1电流速断保护（电流保护I段）303.2.2限时电流速断保护（电流保护Ⅱ段）313.2.3定时限过电流保护（电流保护疆段）333.2.4三段式电流保护装置353.2.5电流电压联锁速断保护353.2.6反时限过电流保护373.2.7电流保护的功能分析393.3单侧电源网络相间电流保护的建模与仿真393.3.1三段式电流保护的建模与仿真393.3.2电动机自起动对过电流保护的影响仿真463.4电网相间短路的方向电流保护原理503.4.1方向电流保护的作用原理503.4.2功率方向元件的工作原理513.4.3相间短路功率判别元件的接线方式543.4.4双侧电源网络中电流保护整定的特点553.4.5对方向性电流保护的评价583.5电网相间短路的方向电流保护的建模与仿真583.5.1功率方向元件的建模与仿真583.5.2分支电路对限时电流速断保护的影响仿真62第4章电网接地故障的电流电压保护与仿真．，664.1电力系统中性点运行方式与接地故障概述664.1.1电力系统中性点运行方式的分类664.1.2不同中性点运行方式下的接地故障674.2大电流接地系统的接地短路保护684.2.1中性点直接接地电网发生接地短路时的故障特征694.2.2零序分量的获取704.2.3中性点直接接地电网的接地保护734.2.4对零序电流保护的评价774.3小电流接地系统的单相接地保护784.3.1中性点不接地电网单相接地时的故障特征784.3.2中性点经消弧线圈接地系统单相接地的故障特征814.3.3小电流接地系统的绝缘监视及单相接地故障选线方法844.4电网接地故障的建模与仿真854.4.1中性点直接接地电网接地故障的建模与仿真854.4.2中性点不接地电网接地故障的建模与仿真914.4.3中性点经消弧线圈接地电网接地故障的建模与仿真97第5章电网的距离保护与仿真1015.1距离保护的作用原理1015.1.1距离保护的基本概念1015.1.2距离保护的时限特性1025.1.3距离保护的组成1025.2阻抗继电器一1035.2.1阻抗继电器的分类1035.2.2圆特性阻抗继电器1045.2.3直线与四边形特性的阻抗继电器一1095.2.4阻抗继电器的精确工作电流1105.3阻抗继电器的接线方式1115.3.1故障时的母线电压1115.3.20。
接线方式分析1115.3.3带零序补偿的接线方式分析1135.4距离保护的整定计算1135.4.1各段保护具体的整定原则1135.4.2采用四边形特性的阻抗继电器的整定计算方法1155.5距离保护的振荡闭锁1155.5.1电力系统振荡时电流、电压的变化规律1165.5.2电力系统振荡时测量阻抗的变化

无参考图像质量评价BRISQUE的MATLAB代码，完成图像质量评价

采用matlab言语编写的遗传算法优化BP神经网络，并以非线性函数拟合为例评价适用性。

找了很久很久，才找到的可用的这个，不是我本人写的，我只是个搬运工，测试过了，并使用了。
评价：好使，不是我手写的，但是我都调试过了

涵盖导师评价网中上海交通大学电子信息与电气工程学院所有的导师评价，由一线师生解答，包含学术水平、科研经费、先生补助、师生关系、先生前途等全方面特征。

物流管理系统具有管理员登陆和用户登陆两个模式：管理员登陆：（1）管理员输入用户名，密码登录到系统主页面；
（2）任务人员管理：管理物流中担任送货的司机信息（姓名、性别、年龄、住址、联系电话、驾驶证号），可添加司机人员和对司机信息进行修改和删除，在此界面中可对司机信息按照驾驶证号或者司机姓名进行查询。
（3）任务信息管理：管理担任运输货物的车辆的信息（车牌号、货车型号、载重量、备注），可添加车辆和对车辆信息进行修改和删除，在此界面中可对车辆信息按照驾驶证号进行查询。
（4）注册用户管理：管理用户的信息（用户名、真实姓名、联系电话、通讯地址），在此界面中可对注册用户按真实姓名进行查询，可删除用户，如该用户被删除，那此用户的所有信息都会被删除（个人信息和发出的订单信息）。
（5）任务申请管理：管理用户发出的运输申请，显示申请的信息（货主姓名、货物名称、货物重量、始发地、目的地），在此界面中可对申请按货物名进行查询，可删除申请。
（6）任务调度管理：对用户发出的申请进行调度，管理送货司机和送货车辆，登记出发时间和到达时间，该界面展示的信息包括：发出送货申请的用户的姓名、任务名称、重量、始发地、目的地、货车安排、司机安排、出发时间和到达时间等。
在此界面中可对订单按任务名称进行查询。
（7）任务跟踪管理：展示订单的状态，到达或者在途中。
在此界面，在此界面中可对订单按任务名称进行查询。
（8）任务评价管理：订单完成后，用户可对物流服务进行评价。
（9）任务总结报告：订单完成后的整体总结，打印整体过程中的详细信息。
（10）系统用户管理：管理用户。
增，删，改。
（11）注销退出：退出系统界面，回到到登陆页面。
用户登陆：（1）管理员输入用户名，密码登录到系统主页面；
（2）任务申请：用户在此界面中发出任务申请，填写订单信息（任务名称、重量、始发地、目的地），该申请发送至管理员处，由管理员进行任务调度。
（3）已申请记录；
用户在此界面可查看自己发出的所有的订单的信息（任务名称、重量、始发地、目的地、始发时间、到达时间、目前位置、状态）。
（4）修改资料：用户在此界面可修改自己的个人资料，包括：联系电话、通信地址、邮政编码、电子邮箱等。
（5）修改密码：用户可修改自己账户的密码。
（6）注销退出：退出系统界面，回到登陆页面。

一、数据分析项目介绍1. 项目所需的模块库介绍pandas用法：需要导入以下模块importnumpyasnpimportpandasaspdfrompandasimportSeries,Dataframe2.项目背景介绍互联网电影资料库（InternetMovieDatabase，简称IMDB）是一个关于电影演员、电影、电视节目、电视明星和电影制作的在线数据库。
电影作为艺术和娱乐载体已成为我们生活中的一部分，作为电影爱好者之一，希望通过分析了解电影市场大体情况，以便于以后选择电影观看。
使用的数据是IMDB美国票房排名前1000的电影数据，数据包含了电影名称，票房金额，上映年份，演职人员，IMDB评分，电影类型等信息，数据中的很多电影大家也比较熟悉。
相信不少人都有这样的经历，当想要看一部电影的时候，会去百度一下谁是导演，谁是主演。
如果导演是克里斯托弗•诺兰，心里已经给电影打了个8分以上的评分了。
而阿汤哥的动作片，预期也都能肾上腺素飙升。
对于已上映的电影，不少人会去豆瓣搜索现时的评分，或是前作的评价，若是豆瓣高分、高评论数，也会按奈不住去蹭下热度。
如果要去电影院观看的话，想必不少人会更倾向选择动作片或者科幻大片这类特效丰富，影音冲击强烈的电影。
近几年特效技术和3D动画的日渐成熟，影院观影已经是越来越多人的第一选择。
IMDB的资料中包括了影片的众多信息、演员、片长、内容介绍、分级、评论等。
对于电影的评分目前使用最多的就是IMDB评分。
截至2018年6月21日，IMDB共收录了4,734,693部作品资料以及8,702,001名人物资料。
3.项目所需数据介绍数据的属性包括：电影名称、评论数、评分、导演、上映时间、上映国家、主要演员、语言、IMDB评分等。
理解数据：color、director_name、num_critic_for_reviews、duration、director_facebook_likes、actor_3_facebook_likes、actor_2_name、actor_1_facebook_likes、gross、genres、actor_1_name、movie_title、num_voted_users、cast_total_facebook_likes、actor_3_name、facenumber_in_poster、plot_keywords、movie_imdb_link、num_user_for_reviews、language、country、content_rating、budget、title_year、actor_2_facebook_likes、imdb_score、aspect_ratio、movie_facebook_likes4.项目功能详细介绍显示电影评分分布的情况；
电影数量与平均分年度变化的情况；
评论家评论数与评分的关系；
评分与电影票房的关系；
电影数量大于5前提下平均分前十的导演推荐的数据；
不同电影类型的年份累计分析；
电影时长的分布及时长能否和评分有相关性；
电影时长的分布及时长能否和评分有相关性。
二、数据分析过程1.主要功能实现的类和方法介绍#清洗runtime电影时长列数据，可使用str.split()方法df['runtime']=df['runtime'].str.split('').str.get(0).astype(int)df['runtime'].head()#清洗year列，使用str[:]选取年份数字并转换成int类型，使用df.unique()方法检查数据df['year']=df['year'].str[-5:-1].astype(int)df['year'].unique()2. 数据分析过程代码和解释说明导入包：导入、查看、清洗数据：评分分布图：电影数量与平均分布年度变化：评论家评论数&评分、评分&票房：电影数量大于5平均分前十的导演：统计不同年份、不同类型电影的数量：cumsum=df.groupby(['main_genre','year']).title.count()#使用累加功能统计1980年起不同年份不同电影类型的累计数量，对于中间出现的缺失值，使用前值填充genre_cumsum=cumsum.unstack(level=0).cumsum().ffill()#只选取总数量大于

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。