数据来自Kaggle的GiveMeSomeCredit，有15万条的样本数据，下图可以看到这份数据的大致情况。
数据属于个人消费类贷款，只考虑信用评分最终实施时能够使用到的数据应从如下一些方面获取数据：–基本属性：包括了借款人当时的年龄。
–偿债能力：包括了借款人的月收入、负债比率。
–信用往来：两年内35-59天逾期次数、两年内60-89天逾期次数、两年内90天或高于90天逾期的次数。
–财产状况：包括了开放式信贷和贷款数量、不动产贷款或额度数量。
–贷款属性：暂无。
–其他因素：包括了借款人的家属数量（不包括本人在内）。
–时间窗口：自变量的观察窗口为过去两年，因变量表现窗口为未来两年。
数据属于个人消费类贷款，只考虑信用评分最终实施时能够使用到的数据应从如下一些方面获取数据：–基本属性：包括了借款人当时的年龄。
–偿债能力：包括了借款人的月收入、负债比率。
–信用往来：两年内35-59天逾期次数、两年内60-89天逾期次数、两年内90天或高于90天逾期的次数。
–财产状况：包括了开放式信贷和贷款数量、不动产贷款或额度数量。
–贷款属性：暂无。
–其他因素：包括了借款人的家属数量（不包括本人在内）。
–时间窗口：自变量的观察窗口为过去两年，因变量表现窗口为未来两年。
2024/8/8 6:55:55
6.32MB
1
(1)用户类别：登录系统的身份定为二种，一是管理员(普通老师)，二是学生，只有被授权的用户才可以使用本系统的资源。
(2)权限管理：系统需要经过有效的身份验证可以登录。
用户的身份不同，使用的系统资源也不同。
考生只可以参加在线考试；
管理员(普通教师)可以在线制作试卷，进行考生管理，添加学生信息、控制考试、成绩查询、试卷管理、题库管理等。
(3)在线考试功能：考生输入准号证号登陆系统后，选择对应的试卷可进行考试。
答题完毕后，可自动交卷，系统将自动评分，考生可同时获得考试成绩。
(4)在线制作试卷：管理员（教师）可在线制作试卷，可设定试题的类型、难易程度、分值。
(5)控制考试功能：可设定每次的考试时间，可禁止或允许考生参加考试，同时可查看考生的考试状态。
(6)学生管理功能：可注册新增学生用户，同时查看学生的信息，也可设定学生的考试状态：允许或禁止考试。
(7)考生成绩查询功能：提供考生各科目成绩的详细查询。
(8)系统管理功能：管理员只可更改登陆密码，并可以控制考生是否能登录使用本系统、查询和添加科目的功能。
(9)题库管理功能：管理员可以在线进行题库的制作，并可查询、编辑题库的相关内容。
(2)权限管理：系统需要经过有效的身份验证可以登录。
用户的身份不同，使用的系统资源也不同。
考生只可以参加在线考试；
管理员(普通教师)可以在线制作试卷，进行考生管理，添加学生信息、控制考试、成绩查询、试卷管理、题库管理等。
(3)在线考试功能：考生输入准号证号登陆系统后，选择对应的试卷可进行考试。
答题完毕后，可自动交卷，系统将自动评分，考生可同时获得考试成绩。
(4)在线制作试卷：管理员（教师）可在线制作试卷，可设定试题的类型、难易程度、分值。
(5)控制考试功能：可设定每次的考试时间，可禁止或允许考生参加考试，同时可查看考生的考试状态。
(6)学生管理功能：可注册新增学生用户，同时查看学生的信息，也可设定学生的考试状态：允许或禁止考试。
(7)考生成绩查询功能：提供考生各科目成绩的详细查询。
(8)系统管理功能：管理员只可更改登陆密码，并可以控制考生是否能登录使用本系统、查询和添加科目的功能。
(9)题库管理功能：管理员可以在线进行题库的制作，并可查询、编辑题库的相关内容。
2024/8/6 17:30:16
5.18MB
1
一个工程项目首先由招标人（代理机构），登陆系统进行招标申请，填写项目基本信息，招标公告信息。
下载打印招标申请书和招标备案表；
制作电子招标文件，将电子招标文件上传初审、联审，初审文件由招标办审查，联审文件由招监办审查；
根据评分办法，设置电子评标，评分规则。
专家库
下载打印招标申请书和招标备案表；
制作电子招标文件，将电子招标文件上传初审、联审，初审文件由招标办审查，联审文件由招监办审查；
根据评分办法，设置电子评标，评分规则。
专家库
2024/7/27 19:46:23
8.84MB
1
基于物品的协同过滤算法实现图书推荐系统。
在当下这个信息爆炸的时代，各种各样的书籍条目繁多，浩如烟海；
相应地，为满足用户需求，电商平台需要推荐系统来帮助用户找到自己可能需要的书籍。
本文旨在利用基于物品的协同过滤算法，来实现一个图书推荐系统。
本文首先介绍了推荐系统的发展历史，及目前常用的几种推荐算法的介绍与比较，然后以基于物品的协同过滤算法为基础，详细介绍图书推荐系统的构建。
在该系统中，主要功能分为用户功能和图书推荐功能。
用户功能包括用户账号的登录与注册，书籍查询，书籍评分。
图书推荐功能利用基于物品的协同过滤算法，先计算各个书籍之间的相似度，再根据物品相似度和用户的行为数据计算用户对各个书籍的兴趣度，从而得出推荐结果。
在当下这个信息爆炸的时代，各种各样的书籍条目繁多，浩如烟海；
相应地，为满足用户需求，电商平台需要推荐系统来帮助用户找到自己可能需要的书籍。
本文旨在利用基于物品的协同过滤算法，来实现一个图书推荐系统。
本文首先介绍了推荐系统的发展历史，及目前常用的几种推荐算法的介绍与比较，然后以基于物品的协同过滤算法为基础，详细介绍图书推荐系统的构建。
在该系统中，主要功能分为用户功能和图书推荐功能。
用户功能包括用户账号的登录与注册，书籍查询，书籍评分。
图书推荐功能利用基于物品的协同过滤算法，先计算各个书籍之间的相似度，再根据物品相似度和用户的行为数据计算用户对各个书籍的兴趣度，从而得出推荐结果。
2024/7/24 17:27:45
951KB
1
德语句子的自动复杂度评估团队成员里奥·阮·拉乌尔·贝格·康拉德·斯特劳布·蒂尔·诺彻邮件地址现有代码片段利用的图书馆运行代码（稍后将设置主入口点）下载数据集：pythondownload_data.py项目状态数据分析我们的主要数据源是TextComplexityDE19数据集（），其中包含1000个德语句子，由外语学习者在7点Likert量表上标记为A级和B级，其中1表示低复杂度，高可读性句子，而7则相反。
其中900个句子来自23篇德国Wikipedia文章，其余100则来自LeichteSprache。
数据集中的每个句子至少由5个人标记，数据集中提供了它们的平均评分。
除了复杂性/可读性之外，还收集了句子的可理解性和词汇难度得分。
图：饼图显示（四舍五入的）评级分布。
评级不是平均分配的，因为平均没有句子收到7，而很少有人得到6。
在句子的
其中900个句子来自23篇德国Wikipedia文章，其余100则来自LeichteSprache。
数据集中的每个句子至少由5个人标记，数据集中提供了它们的平均评分。
除了复杂性/可读性之外，还收集了句子的可理解性和词汇难度得分。
图：饼图显示（四舍五入的）评级分布。
评级不是平均分配的，因为平均没有句子收到7，而很少有人得到6。
在句子的
2024/7/20 18:14:15
148KB
1
色彩调度器列出大量文件，从CIFS中移动文件，AI评分和在CIFS上排序等操作都很缓慢。
因此，它们与实时文件看门狗分开。
Lister，mover，scorer和sorter可以分别用于创建完全异步的管道。
或者，为了简单起见，我们可以将移动器，计分器和分类器组合为一个工作器。
初始化初始化数据库pythoncreate_sql_tables.py创建调度程序路径sudomkdir/media/schedulersudochownvoyager.voyager/media/schedulermkdir./tmp启动管道condaactivatechromo-schedulernohuppythonlister.py＞lister.log&nohuppythonscheduler.py＞scheduler.log&nohup
因此，它们与实时文件看门狗分开。
Lister，mover，scorer和sorter可以分别用于创建完全异步的管道。
或者，为了简单起见，我们可以将移动器，计分器和分类器组合为一个工作器。
初始化初始化数据库pythoncreate_sql_tables.py创建调度程序路径sudomkdir/media/schedulersudochownvoyager.voyager/media/schedulermkdir./tmp启动管道condaactivatechromo-schedulernohuppythonlister.py＞lister.log&nohuppythonscheduler.py＞scheduler.log&nohup
2024/7/14 16:49:48
667KB
1
遮罩评分R-CNN（MSR-CNN），，，。
CVPR2019口头论文，该项目基于。
介绍包含一个网络模块，用于了解预测的实例遮罩的质量。
所提出的网络块将实例特征和相应的预测掩码一起使用以对掩码IoU进行回归。
遮罩评分策略可在COCOAP评估过程中优先考虑更准确的遮罩预测，从而校准遮罩质量和遮罩得分之间的偏差，并提高实例分割性能。
通过对COCO数据集的广泛评估，MaskScoringR-CNN通过不同的模型和不同的框架带来一致且显着的收益。
MSR-CNN的网络如下：安装检查以获取安装说明。
准备数据mkdir-pdatasets/cocoln-s/path_to_coco_dataset/annotationsdatasets/coco/annotationsln-s/path_to_coco_dataset/trai
CVPR2019口头论文，该项目基于。
介绍包含一个网络模块，用于了解预测的实例遮罩的质量。
所提出的网络块将实例特征和相应的预测掩码一起使用以对掩码IoU进行回归。
遮罩评分策略可在COCOAP评估过程中优先考虑更准确的遮罩预测，从而校准遮罩质量和遮罩得分之间的偏差，并提高实例分割性能。
通过对COCO数据集的广泛评估，MaskScoringR-CNN通过不同的模型和不同的框架带来一致且显着的收益。
MSR-CNN的网络如下：安装检查以获取安装说明。
准备数据mkdir-pdatasets/cocoln-s/path_to_coco_dataset/annotationsdatasets/coco/annotationsln-s/path_to_coco_dataset/trai
2024/7/13 21:17:27
1.59MB
1
项目包含python爬虫，Matplotlib、Echarts数据可视化、Mapreduce、hive数据统计、情感分析、词图云、电影票房与评分预测。
2024/7/4 9:39:50
8.22MB
1
大家可以看看源码，自己做参考，其中有可能写的比较乱，不过里面的一些技术都有所体现，源码可可以执行，歌手评分系统初步是基于c++的带链表和文件存储，大家可以试试看，很好用大家可以看看源码，自己做参考，其中有可能写的比较乱，不过里面的一些技术都有所体现，源码可可以执行，歌手评分系统初步是基于c++的带链表和文件存储，大家可以试试看，很好用
2024/7/1 8:53:57
6KB
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