- 综合排序
- 最热优先
- 最新优先
- 来自专栏Hank’s Blog
4-6 R语言函数 排序
#sort:对向量进行排序;返回排好序的内容 #order:返回排好序的内容的下标/多个排序标准 > x <- data.frame(v1=1:5,v2=c(10,7,9,6,8),v3=11:15,v4=c(1,1,2,2,1)) > sort(x$v2) [1] 6 7 8 9 10 > sort(x$v2,decreasing = TRUE) [1] 10 9 8 7 6 > order(x$v2) [1] 4 2 5 3 1 > x[order(x$v2),] v1 v
42240发布于 2020-09-16 - 来自专栏yuyy.info技术专栏
《代码整洁之道》笔记（4-6章节）
个人认为注释还是要写，算是对代码的中文翻译，因为我们的英语水平，命名习惯各不相同。
37210编辑于 2022-06-28 - 来自专栏量子位
支持移动GPU、推断速度提升4-6倍
TensorFlow用于移动设备的框架TensorFlow Lite发布重大更新，支持开发者使用手机等移动设备的GPU来提高模型推断速度。
1.2K30发布于 2019-04-24 - 来自专栏人人都是极客
支持移动GPU、推断速度提升4-6倍
虽然移动设备的处理能力和功率都有限。虽然TensorFlow Lite提供了不少的加速途径，比如将机器学习模型转换成定点模型，但总是会在模型的性能或精度上做出让步。
1.8K20发布于 2019-03-15 - 来自专栏人工智能与演化计算成长与进阶
15非监督学习异常检测4-6构建与评价异常检测系统
Note 对于异常检测问题而言，样本数据集往往是倾斜的，即 标记为 1 异常的数据往往很少，而标记为 0 即正常的数据往往很多 此时使用准确率等方法来进行判断一个模型的好坏往往是不合适的，所以通过 查准率和查全率以及 F1 分数能够很好的分析和判断这个问题
1.9K11发布于 2020-08-14 - 来自专栏AI机器学习与深度学习算法
机器学习入门 4-6 网格搜索与k近邻算法中更多超参数
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍使用sklearn网格搜索寻找最好的超参数以及kNN计算两个数据点距离的其他距离定义。
88100发布于 2019-11-13 - 来自专栏desperate633
第4-6课 数据的过滤where子句操作符使用通配符进行过滤
实际查询中，通常不会检索所有行，需要对数据进行筛选过滤，选出符合我们需要条件的数据。
2.3K10发布于 2018-08-22 - 来自专栏yuyy.info技术专栏
《Go语言精进之路：从新手到高手的编程思想、方法和技巧1》4-6章笔记
醍醐灌顶到没有，别扭确实存在。当然这需要一段时间来适应，说下这段时间最难接受的点吧。 1、文件的单一职责做不好，一个文件里有多个结构体，想知道某个结构体有哪些方法，需要借助IDE 2、命名使用单字母，特定场景能理解，例如循环里的i，遍历map的k,v，但是很多单字母不是这种常见场景里的。代码整洁之道里说命名要见名知意，宁愿用长命名也不用无法表达清楚的短命名，这点go背道而驰。此书里说有时需要短命名加注释，而代码整洁之道里说注释就不应该存在，如果要用注释，说明写的代码无法准确清晰的表达意思。
1.2K20编辑于 2022-09-21 - 来自专栏IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 练习4-6 猜数字游戏
练习4-6 猜数字游戏 猜数字游戏是令游戏机随机产生一个100以内的正整数，用户输入一个数对其进行猜测，需要你编写程序自动对其与随机产生的被猜数进行比较，并提示大了（“Too big”），还是小了（“Too
1.3K20发布于 2020-09-15 - 来自专栏IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 习题4-6 水仙花数
习题4-6 水仙花数 水仙花数是指一个N位正整数（N≥3），它的每个位上的数字的N次幂之和等于它本身。例如：153=13+53+33。 本题要求编写程序,计算所有N位水仙花数。
98140发布于 2020-09-15 量化策略验证从 3 天缩短到 3 小时，QClaw 让回测流程自动化了
阶段三：结果分析与报告4-6小时-指标汇总:汇总所有参数组合的回测指标（如年化收益、最大回撤、夏普比率）。-可视化:生成用于分析的各种图表（如净值曲线、回撤图）。 -报告撰写:综合分析与可视化结果，撰写完整的回测报告。从数据中提炼洞察，是评估策略有效性和决定下一步行动的关键。合计约16-26小时通常跨越2-3个工作日。一次完整的策略验证周期。 •报告生成：自动生成对比表格、可视化图表及格式规范的回测对比报告。将原需4-6小时的分析与报告撰写工作自动化，即时产出标准报告，快速定位最优参数组合，杜绝人工汇总错误。 实际时间对比阶段原来耗时QClaw自动化后节省数据准备8-12小时1-2小时~85%策略回测4-8小时无需人工等待~90%结果分析4-6小时30分钟~85%合计约3天约3小时约87%这对量化团队意味着什么
1.1K10编辑于 2026-03-20- 来自专栏深度学习与python
汇总了30余场面试，4-6月Java面经笔记及详解，通用性极强 | 极客时间
最近感慨面试难的人越来越多了，一方面是市场环境，更重要的一方面是企业对 Java 的人才要求越来越高了。 基本上这样感慨的分为两类人，第一，虽然挂着 3、5 年经验，但肚子里货少，也没啥拿得出手的项目，自己还意识不到问题；第二，自身有技术追求，但欠点儿火候，多练习多吸收知识，锤炼一下问题不大。 拿我自己来说，早几年也是心比天高，觉得自己特了不起，结果往往一面试就发虚，大部分人都经历过这样一个不自知的阶段。 后面见识多了，再主动多跟着大佬学习，薪资就能相对顺利地随着经验积累增多一路涨起来。 之前私圈分享过
27510编辑于 2023-03-29 - 来自专栏人工智能前沿讲习
ICLR2019 | 表示形式语言：比较有限自动机和循环神经网络
图1展示了用正则语言[（（[4-6]{2}[4-6]+）？）3[4-6]+]生成的样本训练得到的RNN网络的t-SNE嵌入。虽然，右侧的MDFA包含6个状态，我们发现左侧的RNN状态呈现出5个点簇。 图1：右侧是刻画正则语言[（（[4-6]{2}[4-6]+）？）3[4-6]+]的自动机，左侧是对应的RNN的隐层状态空间可视化的结果。该图用不同的颜色区分DFA状态。 状态1和状态2均可独立地表示[4-6]*。 一个自动机M的抽象A也是一个自动机，其状态是由M的状态聚类生成的超状态。
1.3K10发布于 2020-05-13 - 来自专栏一心无二用，本人只专注于基础图像算法的实现与优化。
SSE图像算法优化系列四：图像转置的SSE优化（支持8位、24位、32位），提速4-6倍
本文介绍了如何利用SSE/AVX指令集进行CPU并行加速，以解决图像转置中存在的内存访问瓶颈问题。首先介绍了图像转置的算法和实现过程，然后通过具体示例展示了如何使用SSE/AVX指令集进行CPU并行加速，最后给出了针对不同CPU架构的优化策略。
2.6K100发布于 2018-01-03 - 来自专栏计算机魔术师
【机器学习 | 可视化】回归可视化方案
欢迎大家订阅该文章收录专栏 [✨--- 《深入解析机器学习：从原理到应用的全面指南》 ---✨]@toc回归可视化方案在评估回归模型效果时，可以使用多种可视化方案来直观地比较实际值和预测值之间的差异。 以下是几种常见的回归模型评估可视化方案和相应的Python代码模板：对角线图：对角线图用于比较实际值和预测值之间的差异。 plt.xlabel('Actual Values')plt.ylabel('Residuals')plt.title('Residual Plot')plt.show()拟合曲线图：可以绘制拟合曲线来可视化模型的拟合效果 ', label='Predicted')plt.xlabel('X')plt.ylabel('Y')plt.title('Fitted Curve')plt.legend()plt.show()这些可视化方案提供了不同的角度和方法来评估回归模型的效果 根据数据和模型的特点，可以选择适合的可视化方案或结合多种方案来全面评估模型的性能。 到这里，如果还有什么疑问欢迎私信博主问题哦，博主会尽自己能力为你解答疑惑的！
91900编辑于 2023-11-29 - 来自专栏全栈程序员必看
SQL可视化工具_可视化工具tableau
SQLite的可视化工具 下载地址：https://sqlitestudio.pl/index.rvt?
2.5K10编辑于 2022-09-20 - 来自专栏医学和生信笔记
R可视化：R可视化教程来了！
从本周开始会每周推送1~2次高质量R可视化内容，本系列内容来自github上面超级火爆的R语言可视化项目：tidyTuesday。 tidyTuesday每周更新数据，大佬们会使用这些数据集自由创作出各种高质量的R语言可视化作品，是学习R语言数据分析和可视化极好的素材。 热情的小伙伴把这些内容整理到CSDN中，方便大家学习，每个例子会展示多个可视化方案，均配有完整源代码和数据（为了便于理解，部分重要步骤均添加了注解）。
1.1K30编辑于 2022-11-15 - 来自专栏计算机魔术师
【机器学习 | 可视化系列】可视化系列 之 决策树可视化
Embedding）是一种降维和可视化技术，用于将高维数据映射到二维或三维空间中。 因为t-SNE能够捕捉到复杂、非线性结构以及聚类效应，所以它通常被用于可视化高维数据集中不同类别或群组之间的分布关系。 决策树可视化scikit-learn（sklearn）的tree模块提供了一个方便的函数plot_tree，用于可视化决策树模型。 你可以使用以下步骤来使用plot_tree函数进行可视化（以iris数据集为例）：导入必要的库和模块：在Python脚本中，导入tree模块和matplotlib.pyplot库：可视化决策树：使用plot_tree 函数可视化决策树模型。
1.1K00编辑于 2023-11-29 - 来自专栏简说基因
差异表达分析三剑客：DESeq2、edgeR、limma到底该怎么选？
本文将从数据类型、样本量、算法原理到可视化方法等，带你看懂它们的核心差异。 这三款软件，由于采用了不同的统计模型和前提假设，因此各自适用于特定的数据特征和分析场景。 edgeR：灵活多变（适合精细调节） • 适用数据：计数数据（支持无重复设计） 低计数基因的「狙击手」 • 样本量：4-6个/组最佳 • 为什么用它：采用精确检验和广义线性模型，在中等样本量和复杂实验设计 三者对比表 特性 DESeq2 edgeR limma 输入要求 原始计数矩阵 原始计数矩阵 标准化后的表达矩阵 最小样本量 3个/组（推荐≥5） 2个( 4-6个/组最佳 ） 7（≥10个/组） 优势场所 可视化对比 1. 韦恩图：工具重叠比较（三工具差异基因交集 ） • DESeq2特有基因：与细胞周期相关 • limma特有基因：涉及代谢通路 • 三者共有基因：经典癌症标记物（如TP53） 2.
2.5K11编辑于 2025-06-28 - 来自专栏智能大数据分析
【数据可视化技术】数据可视化概述&工具
本章简单介绍数据可视化的发展历史、可视化工具分类，重点结合ECharts介绍Web可视化组件生成方法，并给出Java Web开发与相关大数据组件的数据集成，以展现数据可视化结果。 一、数据可视化概述 （一）基本概念 数据可视化，是指将结构或非结构化的数据转换成适当的可视化图表，然后将隐藏在数据中的信息直接展现在人们面前，是一种关于数据视觉表现形式的科学技术研究。 （三）基本方式 进入20世纪，数据可视化有了飞跃性的发展。数据可视化的方式可以分为面积与尺寸可视化、颜色可视化、图形可视化、地域空间可视化和概念可视化等。 二、数据可视化工具 根据可视化工具的使用方式使用用户的不同，可分为桌面数据可视化技术（如Excel、R可视化和Python可视化等）、在线数据可视化技术（Oracle BI、Superset SuperSet可以支持十几种可视化图表，用于将查询返回的数据做可视化展示，但是其可视化目前只支持每次可视化一张表，不支持join连接，且过于依赖数据库的快速响应。
1.9K10编辑于 2025-01-22
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号