对GDT全球反恐数据集进行分析和数据挖掘，挖掘和分析哪些攻击是经常发生的，在哪些地方发生，在什么时间，什么纬度等，以及预测下年度那个地方发生恐怖袭击的概率最大。
使用了KNN，K-Means等方法。
并预测未有组织宣称的事件是哪个组织负责的。
使用了KNN，K-Means等方法。
并预测未有组织宣称的事件是哪个组织负责的。
2024/1/28 6:47:48
81.36MB
1
1.C4.5：是机器学习算法中的一种分类决策树算法，其核心算法是ID3算法。
2.K-means算法：是一种聚类算法。
3.SVM：一种监督式学习的方法，广泛运用于统计分类以及回归分析中4.Apriori：是一种最有影响的挖掘布尔关联规则频繁项集的算法。
5.EM：最大期望值法。
6.pagerank：是google算法的重要内容。
7.Adaboost：是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器然后把弱分类器集合起来，构成一个更强的最终分类器。
8.KNN：是一个理论上比较成熟的的方法，也是最简单的机器学习方法之一。
9.NaiveBayes：在众多分类方法中，应用最广泛的有决策树模型和朴素贝叶斯（NaiveBayes）10.Cart：分类与回归树，在分类树下面有两个关键的思想，第一个是关于递归地划分自变量空间的想法，第二个是用验证数据进行减枝
2.K-means算法：是一种聚类算法。
3.SVM：一种监督式学习的方法，广泛运用于统计分类以及回归分析中4.Apriori：是一种最有影响的挖掘布尔关联规则频繁项集的算法。
5.EM：最大期望值法。
6.pagerank：是google算法的重要内容。
7.Adaboost：是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器然后把弱分类器集合起来，构成一个更强的最终分类器。
8.KNN：是一个理论上比较成熟的的方法，也是最简单的机器学习方法之一。
9.NaiveBayes：在众多分类方法中，应用最广泛的有决策树模型和朴素贝叶斯（NaiveBayes）10.Cart：分类与回归树，在分类树下面有两个关键的思想，第一个是关于递归地划分自变量空间的想法，第二个是用验证数据进行减枝
2024/1/25 9:25:40
626KB
1
KNN算法使用MNIST数据集、0-1二值图集、自写的数字图片集，做手写数字识别的代码，文件夹分类明确。
2024/1/23 5:45:20
98.11MB
1
机器学习入门KNN算法实现的手写数字识别基本上照搬了http://lib.csdn.net/article/opencv/30167的代码，只是改了一点bug和增加了一点功能输入就是直接在一个512*512大小的白色画布上画黑线，然后转化为01矩阵，用knn算法找训练数据中最相近的k个，现在应该是可以对所有字符进行训练和识别，只是训练数据中还只有数字而已，想识别更多更精确的话就需要自己多跑代码多写几百次，现在基本上一个数字写10次左右准确率就挺高了，并且每次识别的时候会将此次识别的数字和01矩阵存入训练数据文件夹中，增加以后识别的正确率，识别错了的话需要输入正确答案来扩充训练数据
2023/9/21 3:58:52
15KB
1
算法是建立在离线传播模型下，不考虑多径效应，反射，折射等对信号强度有损耗的情况，算法中选用了NN,KNN,WKNN等几种常用的指纹定位算法。
2023/9/2 11:48:20
4KB
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