Python
数据采集与融合技术第一次实践作业
Gitee地址：https://gitee.com/wang-zi-lian20031002/crawl_project 一、用requests和BeautifulSoup库方法定向爬取给定网址（http://www.shanghairanking.cn/rankings/bcur/2020）的数据，屏幕打印爬取的大学排名信息 1、核心代码与效果图展示 核心代码 效果图展示 2.心得体
数据采集与融合第二次实践
第二次作业报告 本次作业的源码和数据已经上传码云：https://gitee.com/fufubuff/data-collection-and-fusion/tree/master/作业2 | 这个作业属于哪个课程 | https://edu.cnblogs.com/campus/fzu/2024DataCollectionandFusiontechnology | | 本次作业的链接 |http
python中的scikit-learn库来实现SVM分类器。
使用Python中的scikit-learn库来实现SVM分类器。 支持向量机（SVM）基本概念 支持向量机是一种监督学习算法，用于分类和回归分析。SVM的核心思想是在特征空间中找到一个超平面，这个超平面能够最大化地分隔不同类别的数据点。 SVM的关键概念： 超平面（Hyperplane）：在n维空间中，超平面是n-1维的决策边界。 间隔（Margin）：超平面两侧最近的数据点（支持向量）到超平
Spleeter: 音频源分离的革命性工具
Spleeter: 音频源分离的革命性工具 Spleeter是由音乐流媒体公司Deezer开发的一款强大的音频源分离工具。作为一个开源项目,Spleeter利用深度学习技术,为音乐制作和音频处理领域带来了革命性的变化。本文将深入探讨Spleeter的功能、应用场景以及它在音频处理领域的重要意义。 Spleeter的核心功能 Spleeter的主要功能是将音乐或音频文件分离成不同的音轨。它提供了三种
Made With ML: 一个实用的生产级机器学习课程
Made-With-ML Made With ML:打造生产级机器学习应用的实用指南 在当今数据驱动的时代,机器学习正在各行各业发挥着越来越重要的作用。然而,将机器学习模型从实验阶段推向生产环境,并非易事。为了帮助开发者掌握这一技能,Goku Mohandas创建了Made With ML这一开源课程,旨在教授如何设计、开发、部署和迭代生产级机器学习应用。 课程概览 Made With ML课程涵
手写持向量机（SVM）实现
下面是一个简单的支持向量机（SVM）实现，用于解决线性可分问题。 这个实现不使用任何机器学习库，只使用NumPy进行矩阵运算。 请注意，这个实现主要用于教学目的，实际应用中推荐使用成熟的库，如scikit-learn。 代码解释： 初始化：在__init__方法中，我们初始化了学习率、正则化参数、迭代次数、权重向量w和偏置项b。 训练：在fit方法中，我们首先将标签转换为-1和1，然后进
xtekky/gpt4
地址 xtekky/gpt4free?tab=readme-ov-file#image-generation 最简单的docker部署 然后访问 http://localhost:8080/chat/ 或者作为一个api服务 http://localhost:1337/v1 python版本部署 生成图片
SHAP: 解释机器学习模型的统一方法
SHAP简介 SHAP(SHapley Additive exPlanations)是一种用于解释机器学习模型预测结果的方法,由Scott Lundberg和Su-In Lee于2017年提出。它基于博弈论中的Shapley值概念,为模型的每个特征分配重要性值,从而解释模型的预测过程。 SHAP的核心思想是将模型预测视为一个合作博弈,每个特征都是博弈中的一个参与者。通过计算每个特征对最终预测结果的
Awesome AI Books: 人工智能学习资源宝库
Awesome AI Books: 人工智能学习的终极指南 在人工智能快速发展的今天,如何系统高效地学习AI知识成为了许多人面临的难题。GitHub上的 awesome-AI-books 项目为我们提供了一个绝佳的解决方案。这个项目汇集了海量的人工智能学习资源,从入门到进阶,从理论到实践,几乎涵盖了AI领域的方方面面。让我们一起来探索这个宝藏项目,看看它能为AI学习者们带来哪些惊喜。 项目概览 a
180+ 优质YouTube频道推荐:数据科学、机器学习、人工智能等领域学习资源汇总
yt-channels-DS-AI-ML-CS 180+ 优质YouTube频道推荐:数据科学、机器学习、人工智能等领域学习资源汇总 在这个信息爆炸的时代,YouTube已经成为许多人学习新知识的重要平台。特别是在数据科学、机器学习、人工智能等热门技术领域,有大量优质的教学内容。本文整理了180多个高质量的YouTube频道,涵盖了这些领域的方方面面,希望能为学习者提供有价值的参考。 数据科学/数
100天机器学习编程挑战:从零开始掌握ML技能
什么是100天机器学习编程挑战? 100天机器学习编程挑战(100 Days of ML Coding)是由知名AI教育者Siraj Raval发起的一个项目,旨在帮助机器学习初学者通过100天的持续学习和实践,系统地掌握机器学习的基础知识和编程技能。该项目要求参与者每天至少花1小时学习机器学习相关知识并进行编程实践,通过100天的坚持,逐步建立起对机器学习的全面认识。 这个项目最初由GitHub
数据采集与融合技术作业1
学号姓名 102202111 刘哲睿 这个作业要求在哪里 这个作业的目标 用requests和BeautifulSoup库方法定向爬取各网页内容 实验一仓库地址 https://gitee.com/qweasdzxc123-456/crawl_project/tree/master/数据采集实验1 作业1 1)用requests和BeautifulSoup库方法定向爬
提升质量：利用Coverage分析Python Web项目的测试覆盖
提升质量：利用Coverage分析Python Web项目的测试覆盖 鉴于不同框架的运行机制各有差异，当利用Coverage工具对Python Web项目的测试覆盖率进行分析时，必须采取针对性的方法来确保获取精确的测试覆盖率数据。以下是我针对Django框架与Flask框架在使用Coverage方面的详尽总结。 Django框架 首先，我们需要在manage.py文件中添加coverage模块的相
背靠AI，让AI当牛马，解决程序员的烦恼
开篇问题？ 作为程序员的你，写代码累吗？累！苦嘛？苦，想哭嘛？哭不出来。 还在为工作中繁重的编码任务、复杂的调试过程以及不断更新的技术栈而苦恼吗？这些挑战不仅消耗大量的时间和精力，还时常让人陷入思维的瓶颈。然而，随着AI技术的不断发展，其实可以尝试将AI应用于编程的各个环节，从而极大地提高了工作效率和代码质量。 畅谈AI 说到AI，你可能又不乐意了，那玩意跟个"智障"一样能行吗？放心，包行的，*豆
DolphinScheduler快速上手：基于Docker Compose的安装与配置全攻略
DolphinScheduler 是一款强大的开源分布式任务调度系统，广泛应用于大数据领域，用于管理复杂的工作流。本文将详细介绍如何通过 Docker Compose 安装和配置 DolphinScheduler，以便快速搭建并使用这一系统。 1. 环境准备 首先，确保你的系统已经安装了 Docker 和 Docker Compose。Docker 是一个开源容器化平台，允许开发者将应用程序及其依
例2.3列表操作示例
'''首先先定义一个列表,列表是写在[]里，用逗号隔开的，元素是可以改变的列表的截取语法结构是：变量[头下标：尾下标]'''L = ['abc',12,3.45,'python',2.789]#输出完整列表print(L)#输出列表的第一个元素print(L[0])#将列表的第一个元素修改为‘a’L[0]='a'#将列表的第2个元素到第3个元素修改为'b','Hello'L[1:3] = ['b'
例2.4使用列表推导式实现嵌套列表的平铺
''''先遍历列表中嵌套的子列表，然后再遍历子列表的元素并提取出来作为最终列表中的元素'''a=[[1,2,3],[4,5,6],[7,8,9]]d=[c for b in a for c in b]print(d)print("学号：3008") a=[[1,2,3],[4,5,6],[7,8,9]] d=[c for b in a for c in b] print(d) print("学
例2.5.2使用列表推导式查找数组中最大元素的所有位置
from numpy.random import randint import numpy as np a = randint(10,20,16) ma = max(a) ind1 = [index for index,value in enumerate(a) if value == ma] ind2 = np.where(a==ma) print(ind1) print(ind2[0]) pr
例2.6元组操作示例
T = ('abc',12,3.45,'python',2.789)#输出完整数组print(T)#输出元组的最后一个元素print(T[-1])#输出元组的第二、三元素print(T[1:3])print("学号：3008") T = ('abc',12,3.45,'python',2.789) print(T) print(T[-1]) print(T[1:3]) print("学号：3
例2.7集合操作示例
'''集合是一个无序不重复元素的序列，有两种表示方法：1.使用{}2.使用set()函数，使用空集合必须使用set()''' #首先先定义一个集合student ={'Tom','Jim','Mary','Tom','Jack','Rose'} #输出集合studentprint(student) #定义集合aa = set('abcdabc') #每次输出是不一样的print(a)print("
例2.8字典操作示例
'''字典用{}标识，它是一个无序的“键(key):值(value)”对集合。 在同一个字典中，键必须是唯一的，但值不必唯一，值可以是任何数据类型， 但键必须是不可变的，如字符串，数字，元组''' #首先需要先定义一个字典 dict1 = {'Alice':'123','Beth':'456','Cecil':'abc'} #输出123 print(dict1['Alice']) #
例2.9字典get()方法使用示例
'''字典对象提供了一个get()方法用来返回指定键对应的值，并且允许指定键不存在时返回特定的值''' Dict = {'age':18,'sorce':'Zheng','sex':'male'} #输出键对应的值 print(Dict['age']) print(Dict['sorce']) print(Dict['sex']) print(Dict.get('age')) #输出
例2.10字典元素的访问示例
'''可以对字典对象进行迭代或者遍历，默认是遍历字典的键，如果需要遍历 字典的元素必须使用字典对象的items()方法明确说明，如果需要遍历字典的 值则必须使用字典对象的values()方法明确说明 ''' Dict = {'age':18,'name':'Zheng','sex':'male'} #遍历输出字典的键 for item in Dict: print(it
例2.11_2首先生成包含1000个随机字符的字符串，然后统计每个字符的出现次数，注意get()方法的使用
#利用collections模块的Counter()函数直接作出统计 #依次加载三个模块 import string,random,collections x = string.ascii_letters + string.digits y = ''.join([random.choice(x) for i in range(1000)]) count=collections.Cou