提供高中数学学科的知识数据集，包含6661个样本和706个实体，提供了基于该数据集的实体关系数据库（一共12种关系，11250个实体关系对）。
该数据集可用于基于高中数学学科的知识图谱的构建，包含命名实体识别、实体关系抽取、文本分类等任务。
该数据集可用于基于高中数学学科的知识图谱的构建，包含命名实体识别、实体关系抽取、文本分类等任务。
2017/8/3 11:49:43
502KB
1
模式识别中贝叶斯算法判别身高体重matlab实现1）应用单个特征进行实验：以（a）身高或者（b）体重数据作为特征，在正态分布假设下利用最大似然法或者贝叶斯估计法估计分布密度参数，建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到测试样本，调查测试错误情况。
在分类器设计时可以调查采用不同先验概率（如0.5对0.5,0.75对0.25,0.9对0.1等）进行实验，调查对决策规则和错误率的影响。
2）应用两个特征进行实验：同时采用身高和体重数据作为特征，分别假设二者相关或不相关，在正态分布假设下估计概率密度，建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到训练/测试样本，调查训练/测试错误情况。
比较相关假设和不相关假设下结果的差异。
在分类器设计时可以调查采用不同先验概率（如0.5vs.0.5,0.75vs.0.25,0.9vs.0.1等）进行实验，调查对决策和错误率的影响。
3）自行给出一个决策表，采用最小风险的Bayes决策重复上面的某个或全部实验。
在分类器设计时可以调查采用不同先验概率（如0.5对0.5,0.75对0.25,0.9对0.1等）进行实验，调查对决策规则和错误率的影响。
2）应用两个特征进行实验：同时采用身高和体重数据作为特征，分别假设二者相关或不相关，在正态分布假设下估计概率密度，建立最小错误率Bayes分类器，写出得到的决策规则，将该分类器应用到训练/测试样本，调查训练/测试错误情况。
比较相关假设和不相关假设下结果的差异。
在分类器设计时可以调查采用不同先验概率（如0.5vs.0.5,0.75vs.0.25,0.9vs.0.1等）进行实验，调查对决策和错误率的影响。
3）自行给出一个决策表，采用最小风险的Bayes决策重复上面的某个或全部实验。
2016/6/25 22:06:17
669KB
1
ansible-playbook样本ansible-playbook样本
2015/10/2 12:24:57
4KB
1
Iris数据集是常用的分类实验数据集，由Fisher,1936收集整理。
CSDN上原来有一个arff格式的鸢尾花数据集，不方便matlab直接调用。
我的这个数据集是txt格式的，在matlab下可以直接一句命令“load('iris.txt')”加载。
iris以鸢尾花的特征作为数据来源，常用在分类操作中。
该数据集由3种不同类型的鸢尾花的50个样本数据构成。
其中的一个品种与另外两个品种是线性可分离的，后两个品种是非线性可分离的。
该数据集包含了5个属性：&Sepal.Length（花萼长度），单位是cm;&Sepal.Width（花萼宽度），单位是cm;&Petal.Length（花瓣长度），单位是cm;&Petal.Width（花瓣宽度），单位是cm;&品种：IrisSetosa（山鸢尾）、IrisVersicolour（杂色鸢尾），以及IrisVirginica（维吉尼亚鸢尾）。
CSDN上原来有一个arff格式的鸢尾花数据集，不方便matlab直接调用。
我的这个数据集是txt格式的，在matlab下可以直接一句命令“load('iris.txt')”加载。
iris以鸢尾花的特征作为数据来源，常用在分类操作中。
该数据集由3种不同类型的鸢尾花的50个样本数据构成。
其中的一个品种与另外两个品种是线性可分离的，后两个品种是非线性可分离的。
该数据集包含了5个属性：&Sepal.Length（花萼长度），单位是cm;&Sepal.Width（花萼宽度），单位是cm;&Petal.Length（花瓣长度），单位是cm;&Petal.Width（花瓣宽度），单位是cm;&品种：IrisSetosa（山鸢尾）、IrisVersicolour（杂色鸢尾），以及IrisVirginica（维吉尼亚鸢尾）。
2016/1/25 4:28:45
12KB
1
时间序列分析的样本数据，1700-1987年太阳黑子数据，有的量纲不一样，可根据需求乘以10等处理，不影响分析结果
2015/1/4 20:57:07
4KB
1
PARZEN窗和K近邻算法的python实现。
现实生活中常常会有这样的问题：缺乏足够的先验知识，因此难以人工标注类别或进行人工类别标注的成本太高。
很自然地，我们希望计算机能代我们完成这些工作，或至少提供一些协助。
根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题，称之为无监督学习。
现实生活中常常会有这样的问题：缺乏足够的先验知识，因此难以人工标注类别或进行人工类别标注的成本太高。
很自然地，我们希望计算机能代我们完成这些工作，或至少提供一些协助。
根据类别未知(没有被标记)的训练样本解决模式识别中的各种问题，称之为无监督学习。
2018/4/1 16:42:07
5KB
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