本书内容搜罗低等概率盘算、随机变量及其漫衍、数字特色、多维随机向量、极限度理、统计学底子不雅点、点估量与区间估量、假如查验、回归相关阐发、方差阐发等。
书落选入了部份在实际以及使用上弥留，但普通感应逾越本课程规模的资料，以备教者以及学者遴选。
本书并重底子不雅点的阐释，同时，在设定的数学水平内，力争做到叙述松散。
书中精选了百余道习题，并在书末附有揭示与解答。
本书可作为低级学校理工科非数学系的概率统计课程课本，也可供具备至关数学豫备（低等微积分及大批矩阵学识）的读者自修之用。
目录总序序第1章责任的概率1.1概率是甚么1.2古典概率盘算1.3责任的运算、前提概率与自力性习题第2章随机变量及概率漫衍2.1一维随机变量2.2多维随机变量（随机向量）2.3前提概率漫衍与随机变量的自力性2.4随机变量的函数的概率漫衍附录习题第3章随机变量的数字特色3.1数学期望（均值）与中位数3.2方差与矩3.3协方差与关连系数3.2方差与矩3.3协方差与关连系数3.4大数定理以及中间极限度理习题第4章参数估量4.1数理统计学的底子不雅点4.2矩估量、极大似然估量以及贝叶斯估量4.3点估量的优同性原则4.4区间估量习题第5章假如查验5.1下场提法以及底子不雅点5.2弥留参数查验5.3拟合优度查验附录习题第6章回归、相关与方差阐发6.1回归阐发的底子不雅点6.2一元线性回归6.3多元线性回归6.4相关阐发6.5方差阐发附录习题习题揭示与解答附表

使用eclipse开拓的ecm大数剖析算法

sparkjavaecharts图书大数据爬虫mysql包调试文档web报告

某次海上作业过程中，船载卫通站自跟踪状态下天线跟踪接收机出现“跳大数”失锁现象，导致通信业务中断。
结合不同数据源条件下跟踪接收机“跳大数”时刻天线控制单元（ACU）记录的数据，分析研究发现，导致“跳大数”失锁的原因是误差电压发散超出自跟踪门限值。
以此为基础，对不同数据源下的采样数据进行分析，通过单一和交叉数据源的方式，将采样数据代入天线角度变换公式中，得出最终命令角度。
对角度数据进行分析，得出不同数据源下的角度变换对大地指向的影响。
在地理角和甲板角的正反变换中，如果数据源提供的数据精度存在差异，将导致天线由记忆跟踪进入自跟踪时偏离原位置过大，容易造成天线失锁。
修改当前程序中数据源选择模块，使得程序在大地指向角度转换时采用最优数据源组合，规避了跟踪接收机“跳大数”失锁风险。

miracl大数库源码完整版，密码使用开发必备，可自行在windows或linux下进行编译生成程序所需库文件。

欧拉计划（欧拉计划）算法练习部分，目录分类一塌糊涂，我也不打算好好整理了，就这么乱吧解的题有欧拉计划，ZOJ（这破网站最近登不上了）目录树.├──classical_clangc言语算法练习│  ├──array动态数组│  ├──avlavlu树│  ├──balance_check平衡检察│  ├──bigint大数实现│  ├──binary_heap二插堆│  ├──bloom_filter布隆过滤器│  ├──bst二叉查找树│  ├──bucket_sort.c筒排序│  ├──chinese_num│  ├──d_heapd堆│  ├──disjoinset并查集│  ├──double_queue双端链│  ├──factor因数分解│  ├──farey_series法力序列│  ├──fft.c傅里叶变换│  ├──gcd.c欧几里得算法│  ├──genetic_algorithm遗传算法│  ├──goog

最新的ms32.lib;Mircal大数库所必需的ms32.lib；

应用密码学大作业，基本实现大随机“数”的产生，大素数因为需要大数库，所以只产生了20位的（unsigned__int64），但是素数的产生函数写的并不好，有兴味的话可以自己改

适合数学专业的先生学习《数学物理方程》这门课。
。
。
苏大数科院多位教授的心血。
。
。
精心整理而成。
。
。
专为打印设计排版。
。

随机森林randomforest模型是由Breiman和Cutler在2001年提出的一种基于分类树的算法它通过对大量分类树的汇总提高了模型的预测精度是取代神经网络等传统机器学习方法的新的模型随机森林的运算速度很快在处理大数据时表现优良随机森林不需要顾虑一般回归分析面临的多元共线性的问题不用做变量选择现有的随机森林软件包给出了所有变量的重要性另外随机森林便于计算变量的非线性作用而且可以体现变量间的交互作用interaction它对离群值也不敏感本文通过3个案例分别介绍了随机森林在昆虫种类的判别分析有无数据的分析取代逻辑斯蒂回归和回归分析上的应用案例的数据格式和Ｒ语言代码可为研究随机森林在分类与回归分析中的应用提供参考"＞随机森林randomforest模型是由Breiman和Cutler在2001年提出的一种基于分类树的算法它通过对大量分类树的汇总提高了模型的预测精度是取代神经网络等传统机器学习方法的新的模型随机森林的运算速度很快在处理大数[更多]

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。