第1章绪论1.1什么叫数理统计学1.2数理统计的若干基本概念1.3统计量习题一第2章抽样分布及若干预备知识2.1引言2.2正态总体样本均值和样本方差的分布*2.3次序统计量的分布2.4X2分布，t分布和F分布2.5统计量的极限分布*2.6指数族2.7充分统计量*2.8完全统计量习题二第3章点估计3.1引言3.2矩估计3.3极大似然估计*3.4一致最小方差无偏估计3.5Cramer-Rao不等式习题三第4章区间估计4.1区间估计的基本概念4.2枢轴变量法——正态总体参数的置信区间4.3枢轴变量法——非正态总体参数的置信区间4.4Fisher的信仰推断法4.5容忍区间与容忍限习题四第5章参数假设检验5.1假设检验的若干基本概念5.2正态总体参数的假设检验5.3假设检验与区间估计*5.4一致最优检验与无偏检验5.5似然比检验

MFC自定义界面HUI，高效简单，含详细注释和示例。
HUI包括基本控件、按钮、标签、编辑框、表格、悬停提示等，可组合出更多功能。
资源占用少，效率高，能在低端机上运行，流畅不闪烁，完全满足工控等各种专业软件实现个性化要求。
本资源是“http://download.csdn.net/detail/hhhh63/6961889”的正式发布版。
包括3个项目，Hui、HuiDemo1和HuiDemo2。
一、Hui项目本项目是DLL项目，包括完整的界面库，使用双缓存，局部重画等技术，性能优异。
为保证在不同的MFC版本中使用，本次上传提供了这部分的源码，一般不要对其改动。
二、HuiDemo1简单的应用示例，包括窗口分割，控制面板和主显示区等，展示控件各方向停靠、自动充满、全屏切换、记忆窗口位置和大小、选项设置和保存注册表等功能，用户可直接以此为基础开发新项目。
如需扩展其它功能，可从HuiDemo2查找复制相应代码。
三、HuiDemo2除HuiDemo1的所有功能外，还包括界面库的全部功能和其它实用扩展功能，左中右三栏式分布，左右固定宽度，中间栏大小可变。
1、左边是属性栏，固定宽度，上边是时钟，下边是鼠标信息，当鼠标移到中间的图像区时显示鼠标位置和图像值。
2、中间是图像区，演示如何动态生存索引图像，从下向上移动，自适应大小，长宽比不变，点右边的调色板按钮改变颜色，点保存按钮把当前图像保存到桌面。
3、右边上边是控制栏，在中间的图像区中画各种几何图形，并计算几何图形包围的图像数据的最大值，最小值和平均值。
4、右边下边是表格演示，显示Windows文件夹下的文件列表，自动充满窗口区，随窗口大小改变显示项数，保证界面美观，最下面是搜索和定位功能。
四、运行环境，VC2010或更高版本。
欢迎大家下载并提意见，本资源版权归作者所有，分享供大家研究学心，不得用于商业用途，如有特殊要求请与本人联系。

TransferringDeepConvolutionalNeuralNetworksfortheSceneClassificationofHigh-ResolutionRemo所用数据源WHU-RSDataset.从GoogleEarth（GoogleInc.）收集的WHU-RS数据集[6]是一个新的公开可用的数据集，其包含大小为600×600像素的950幅图像，均匀分布在19个场景类中。
一些示例图像如图5所示。
我们可以看到，一些类别中的照明，尺度，分辨率和viewpoint-dependent外观的变化使得它比UCM数据集更复杂。

Java高级工程师面试宝典该面试宝典由蚂蚁课堂创始人-余胜军原创整理内容含括了：JavaSE、JavaEE、微服务、分布式、项目等。

MapReduce采用"分而治之"的思想，把对大规模数据集的操作，分发给一个主节点管理下的各个分节点共同完成，然后通过整合各个节点的中间结果，得到最终结果。
简单地说，MapReduce就是"任务的分解与结果的汇总"。
在Hadoop中，用于执行MapReduce任务的机器角色有两个：一个是JobTracker；
另一个是TaskTracker，JobTracker是用于调度工作的，TaskTracker是用于执行工作的。
一个Hadoop集群中只有一台JobTracker。
在分布式计算中，MapReduce框架负责处理了并行编程中分布式存储、工作调度、负载均衡、容错均衡、容错处理以及网络通信等复杂问

责任RLiable是用于增强学习代理的快速超参数调整的实验并行化框架。
它旨在满足对可分发的Spark/TF兼容模型的需求，该模型允许以简单reliable方式扩展实验。
执行先决条件：版本Python＞=3.6火花3.0.1Hadoop2.7Java1.8Scala2.11注意：scripts/install_spark_hpc.sh提供了Linux（基于Debian）安装脚本。
安装要求创建virtualenv并安装Python依赖项virtualenv-p$(whichpython3)envsourceenv/bin/activatepipinstall-rrequirements.txtpipinstall-rdqn-requirements.txt进行实验当前的优化算法基于配置标志opt

分布式缓存原理架构及Go语言实现-高清-完整目录,分享给所有需要的人!

Kafka是由Apache软件基金会开发的一个开源流处理平台，由Scala和Java编写。
Kafka是一种高吞吐量的分布式发布订阅消息系统，它可以处理消费者在网站中的所有动作流数据。
这种动作（网页浏览，搜索和其他用户的行动）是在现代网络上的许多社会功能的一个关键因素。
这些数据通常是由于吞吐量的要求而通过处理日志和日志聚合来解决。
对于像Hadoop一样的日志数据和离线分析系统，但又要求实时处理的限制，这是一个可行的解决方案。
Kafka的目的是通过Hadoop的并行加载机制来统一线上和离线的消息处理，也是为了通过集群来提供实时的消息。

java实现的分布式存储，当时的大作业，在老师给的模板下完成的，可以实现文件分布式存储，下载。
学弟学妹可以拿去当大作业，新手可以用来学学java上传下载文件。
只是这个操作起来有点麻烦，得自己琢磨琢磨。

基于HOG特征提取的图像分类器，HOG的核心思想是所检测的局部物体外形能够被光强梯度或边缘方向的分布所描述。
通过将整幅图像分割成小的连接区域称为cells，每个cell生成一个方向梯度直方图或者cell中pixel的边缘方向，这些直方图的组合可表示出所检测目标的目标）描述子。
为改善准确率，局部直方图可以通过计算图像中一个较大区域称为block的光强作为measure被对比标准化，然后用这个measure归一化这个block中的所有cells.这个归一化过程完成了更好的照射/阴影不变性。

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。