DataMining:TheTextbookBy作者:CharuC.AggarwalISBN-10书号:3319141414ISBN-13书号:9783319141411Edition版本:2015出版日期:2015-04-14pages页数:(734)$89.99Thistextbookexploresthedifferentaspectsofdataminingfromthefundamentalstothecomplexdatatypesandtheirapplications,capturingthewidediversityofproblemdomainsfordataminingissues.Itgoesbeyondthetraditionalfocusondataminingproblemstointroduceadvanceddatatypessuchastext,timeseries,discretesequences,spatialdata,graphdata,andsocialnetworks.Untilnow,nosinglebookhasaddressedallthesetopicsinacomprehensiveandintegratedway.Thechaptersofthisbookfallintooneofthreecategories:Fundamentalchapters:Datamininghasfourmainproblems,whichcorrespondtoclustering,classification,associationpatternmining,andoutlieranalysis.Thesechapterscomprehensivelydiscussawidevarietyofmethodsfortheseproblems.Domainchapters:Thesechaptersdiscussthespecificmethodsusedfordifferentdomainsofdatasuchastextdata,time-seriesdata,sequencedata,graphdata,andspatialdata.Applicationchapters:Thesechaptersstudyimportantapplicationssuchasstreammining,Webmining,ranking,recommendations,socialnetworks,andprivacypreservation.Thedomainchaptersalsohaveanappliedflavor.Appropriateforbothintroductoryandadvanceddataminingcourses,DataMining:TheTextbookbalancesmathematicaldetailsandintuition.Itcontainsthenecessarymathematicaldetailsforprofessorsandresearchers,butitispresentedinasimpleandintuitivestyletoimproveaccessibilityforstudentsandindustrialpractitioners(includingthosewithalimitedmathematicalbackground).Numerousillustrations,examples,andexercisesareincluded,withanemphasisonsemanticallyinterpretableexamples.

ExploringanadvancedstateoftheartdeeplearningmodelsanditsapplicationsusingPopularpythonlibrarieslikeKeras,Tensorflow,andPytorchKeyFeatures•AstrongfoundationonneuralnetworksanddeeplearningwithPythonlibraries.•ExploreadvanceddeeplearningtechniquesandtheirapplicationsacrosscomputervisionandNLP.•Learnhowacomputercannavigateincomplexenvironmentswithreinforcementlearning.BookDescriptionWiththesurgeofArtificialIntelligenceineachandeveryapplicationcateringtobothbusinessandconsumerneeds,DeepLearningbecomestheprimeneedoftodayandfuturemarketdemands.Thisbookexploresdeeplearningandbuildsastrongdeeplearningmindsetinordertoputthemintouseintheirsmartartificialintelligenceprojects.Thissecondeditionbuildsstronggroundsofdeeplearning,deepneuralnetworksandhowtotrainthemwithhigh-performancealgorithmsandpopularpythonframeworks.Youwilluncoverdifferentneuralnetworksarchitectureslikeconvolutionalnetworks,recurrentnetworks,longshortter妹妹emory(LSTM)andsolveproblemsacrossimagerecognition,naturallanguageprocessing,andtime-seriesprediction.Youwillalsoexplorethenewlyevolvedareaofreinforcementlearninganditwillhelpyoutounderstandthestate-of-the-artalgorithmswhicharethemainenginesbehindpopulargameGo,Atari,andDota.Bytheendofthebook,youwillbewellversedwithpracticaldeeplearningknowledgeanditsreal-worldapplicationsWhatyouwilllearn•Graspmathematicaltheorybehindneuralnetworksanddeeplearningprocess.•Investigateandresolvecomputervisionchallengesusingconvolutionalnetworksandcapsulenetworks.•SolveGenerativetasksusingVariationalAutoencodersandGenerativeAdversarialNets(GANs).•ExploreReinforcementLearningandunderstandhowagentsbehaveinacomplexenvironment.•Implementcomplexnaturallanguageprocessingtasksusingrecurrentnetworks(LSTM

ARIMA预测模型训练集和预测集ARIMA模型全称为自回归积分滑动平均模型(AutoregressiveIntegratedMovingAverageModel,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列（Time-seriesApproach）预测方法[1]，所以又称为Box-Jenkins模型、博克思-詹金斯法。
其中ARIMA（p，d，q）称为差分自回归挪动平均模型，AR是自回归，p为自回归项；
MA为挪动平均，q为挪动平均项数，d为时间序列成为平稳时所做的差分次数。
所谓ARIMA模型，是指将非平稳时间序列转化为平

ARIMA预测模型训练集和预测集ARIMA模型全称为自回归积分滑动平均模型(AutoregressiveIntegratedMovingAverageModel,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列（Time-seriesApproach）预测方法[1]，所以又称为Box-Jenkins模型、博克思-詹金斯法。
其中ARIMA（p，d，q）称为差分自回归挪动平均模型，AR是自回归，p为自回归项；
MA为挪动平均，q为挪动平均项数，d为时间序列成为平稳时所做的差分次数。
所谓ARIMA模型，是指将非平稳时间序列转化为平

（含源码及报告）本程序分析了自2016年到2021年（外加）每年我国原油加工的产量，并且分析了2020年全国各地区原油加工量等，含饼状图，柱状图，折线图，数据在地图上显示。
运转本程序需要requests、bs4、csv、pandas、matplotlib、pyecharts库的支持，如果缺少某库请自行安装后再运转。
文件含6个excel表，若干个csv文件以及一个名字为render的html文件（需要用浏览器打开），直观的数据处理部分是图片以及html文件，可在地图中显示，数据处理的是excel文件。
不懂可以扫文件中二维码在QQ里面问。

ARIMA预测模型训练集和预测集ARIMA模型全称为自回归积分滑动平均模型(AutoregressiveIntegratedMovingAverageModel,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列（Time-seriesApproach）预测方法[1]，所以又称为Box-Jenkins模型、博克思-詹金斯法。
其中ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归，p为自回归项；
MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。
所谓ARIMA模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。
ARIMA模型根据原序列能否平稳以及回归中所含部分的不同，包括移动平均过程（MA）、自回归过程（AR）、自回归移动平均过程（ARMA）以及ARIMA过程。

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。