- 综合排序
- 最热优先
- 最新优先
- 来自专栏凹凸玩数据
7张思维导图带你掌握 “Python学习路线”
文末获取高清思维导图 当然，不管你是做什么的，只要是和Python相关的，这个学习路线绝对都是好用的。 因此，我特别不希望有些朋友不要一上来就学习numpy、pandas、matplotlib相关库，只有学好了Python基础后，编写Python代码才会得心应手。 等你有了这些基础以后，你就可以去学习爬虫，学习数据分析三剑客（numpy、pandas、matplotlib），学习Django和Flask等啦！
2.4K22发布于 2020-08-12 - 来自专栏python学习教程
7张思维导图带你掌握 “Python学习路线”
当然，不管你是做什么的，只要是和Python相关的，这个学习路线绝对都是好用的。 因此，我特别不希望有些朋友不要一上来就学习numpy、pandas、matplotlib相关库，只有学好了Python基础后，编写Python代码才会得心应手。 等你有了这些基础以后，你就可以去学习爬虫，学习数据分析三剑客（numpy、pandas、matplotlib），学习Django和Flask等啦！
60211发布于 2020-08-12 - 来自专栏猴子聊数据分析
7张图学会SQL
因此，我这里总结出了一份7周快速掌握SQL基础的指南，每周完成一张图里的内容就可以了啦。 这份指南的内容都是基于《SQL基础教程》这本书来完成哦~那么我们就开始吧。 第1周：SQL入门 学习SQL语句的书写语法和规则 可以双击图片放大 第2周：查询基础 Select查询语句是SQL中最基础也是最重要的语句，这周我们就来利用Select来对表中的数据进行查询。 这一天的内容侧重对表的修改操作，并学习重要的数据库管理方法——事务的创建。 第5周：复杂查询 这部分的学习内容如果掌握，你将拥有解决实际工作中很多问题的技能。 第7周：集合运算 在有多张表的情况下，表和表之间的运算和联系就变得很重要，利用集合运算就可以将不同表中的数据整合起来。 总结 7周的内容掌握的如何？ 可以用下面这张图来汇总复习一下 我是猴子社群会员，知乎：一颗橙子 这是第32期下周很重要， 精通某项技能大约需要7年时间， 如果你活到88岁，11岁之后你还有11个成为某个领域大师的机会， 这就是你一生的许多辈子
52830发布于 2019-08-30 - 来自专栏猴子聊数据分析
7张图学会SQL
因此，我这里总结出了一份7周快速掌握SQL基础的指南，每周完成一张图里的内容就可以了啦。 这份指南的内容都是基于《SQL基础教程》这本书来完成哦~那么我们就开始吧。 第1周：SQL入门 学习SQL语句的书写语法和规则 可以双击图片放大 第2周：查询基础 Select查询语句是SQL中最基础也是最重要的语句，这周我们就来利用Select来对表中的数据进行查询。 这一天的内容侧重对表的修改操作，并学习重要的数据库管理方法——事务的创建。 第5周：复杂查询 这部分的学习内容如果掌握，你将拥有解决实际工作中很多问题的技能。 第7周：集合运算 在有多张表的情况下，表和表之间的运算和联系就变得很重要，利用集合运算就可以将不同表中的数据整合起来。 总结 7周的内容掌握的如何？ 可以用下面这张图来汇总复习一下 我是猴子社群会员，知乎：一颗橙子 这是第32期下周很重要， 精通某项技能大约需要7年时间， 如果你活到88岁，11岁之后你还有11个成为某个领域大师的机会， 这就是你一生的许多辈子
95900发布于 2019-07-11 - 来自专栏自然语言处理
图与图学习（下）
例如，在电子商务中，一个基于图（Graph）的学习系统能够利用用户和产品之间的交互来做出非常准确的推荐，但图的复杂性使得现有的深度学习算法在处理时面临着巨大的挑战。 需要注意的是，图神经网络的研究与图嵌入（对图嵌入不了解的读者可以参考这篇文章《图嵌入综述》）或网络嵌入密切相关，图嵌入或网络嵌入是数据挖掘和机器学习界日益关注的另一个课题。 图嵌入旨在通过保留图的网络拓扑结构和节点内容信息，将图中顶点表示为低维向量，以便使用简单的机器学习算法（例如，支持向量机分类）进行处理。 许多图嵌入算法通常是无监督的算法，它们可以大致可以划分为三个类别，即矩阵分解、随机游走和深度学习方法。 图卷积网络是许多复杂图神经网络模型的基础，包括基于自动编码器的模型、生成模型和时空网络等。下图直观地展示了图神经网络学习节点表示的步骤。 ?
92130发布于 2021-03-23 - 来自专栏自然语言处理
图与图学习（中）
在上篇中，我们简单学习了图论的基本概念，图的表示和存储方式，同构图和异构图的分类，以及几个基础的图论算法。 在接下来的前置教程下篇中，我们将会学习图机器学习。 本案例将包含以下内容： 一. 图机器学习 图学习的主要任务 图学习中包含三种主要的任务： 链接预测（Link prediction） 节点标记预测（Node labeling） 图嵌入（Graph Embedding） ---- 链接预测 到目前为止，我们所看到的图的一个局限性是没有向量特征。但是，我们可以学习图的嵌入！ ，链接预测和图嵌入的图学习技术。 -7d2250723780 图和流形上的几何深度学习(Geometric Deep Learning on Graphs and Manifolds):http://www.geometricdeeplearning.com
1.5K10发布于 2021-03-17 - 来自专栏机器学习/数据可视化
Highcharts-7-下钻图制作
Highcharts-7—下钻图形 本文中只讲解一个图形的制作：下钻图 下钻表示的是通过层级的方式来展示数据，比如我们想查看国内人口数的占比情况，我们可以先看各个省份的情况，接着我们想看具体某个省中各个地级市的占比 ["v27", 0.17], ["v29", 0.16] ] options = { 'chart': { 'type': 'column' # 表的类型：柱状图 选择第3个图形，我们选择的是饼图pie，看下实际的效果： ? 这便是下钻图表的效果?
2.2K10发布于 2021-03-04 - 来自专栏网络收集
图表7 仪表盘图
7、图表7 仪表盘图1.仪表盘的实现步骤步骤1 ECharts 最基本的代码结构<!
81240编辑于 2022-06-16 - 来自专栏机器之心
7 Papers & Radios | 联邦图机器学习综述；基于知识图谱和分子图的药物筛选模型
它使参与者（即客户）能够在不共享其私有数据的情况下联合训练机器学习模型。因此，将 FL 与图机器学习相结合成为解决上述问题的有希望的解决方案。 本文中，来自弗吉尼亚大学的研究者提出联邦图机器学习（FGML）。 一般来说，FGML 可以根据结构信息的级别分为两种设置：第一种是具有结构化数据的 FL，在具有结构化数据的 FL 中，客户基于其图数据协作训练图机器学习模型，同时将图数据保留在本地。 推荐：一文综述「联邦图机器学习」，概念、技术、应用全都有。 (from Pieter Abbeel) 7.
48500编辑于 2022-08-25 - 来自专栏各类技术文章~
Redis学习（7）
Redis 作为一个内存服务器，它需要处理很多来自外部的网络请求，它使用I/O多路复用机制同时监听多个文件描述符的可读和可写状态，一旦受到网络请求就会在内存中快速处理，由于绝大多数的操作都是纯内存的，所以处理的速度会非常地快。Redis在4.0后的版本中引入多线程，但仅在部分命令上引入，比如非阻塞的删除操作，在整体的架构设计上，主处理程序还是单线程模型的。无论是使用单线程模型还是多线程模型，都是为了更好地提升Redis的开发效率和运行性能。
34320发布于 2021-09-16 - 来自专栏c++与qt学习
Qt学习-----------7
c++11中lambda表达式用于定义并创建匿名的函数对象 lambda表达式的基本构成：
39110发布于 2021-02-22 - 来自专栏大前端666
VUE实战—商品展示切图（7）
: 13px; border-radius: 50%; color: white; background: red; text-align: center; font-size: 7px container-list">
<img src="http://p1.meituan.net/xianfu/6588840adbcfbfe2c<em>7</em>a43aa69d4b36da107767 (btn_yellow_highlighted@2x.png) no-repeat left center; background-size: 2px 10px; padding-left: <em>7</em>px1.6K00发布于 2019-07-22来自专栏机器之心图论与图学习（二）：图算法
前一篇文章介绍了图的主要种类以及描述一个图的基本特性。现在我们更加详细地介绍图分析/算法以及分析图的不同方式。 我们将在第三篇文章中介绍图中的机器学习和图学习。 tuple(sorted(c) for c in communities)) 这会得到一个属于每个社群的节点的列表（k=1 的意思是我们期望得到 2 个社群）： ([0, 1, 3, 4, 5, 6, 7, 分层聚类 7. 聚类系数 聚类系数衡量的是两个节点倾向于聚类到一起的程度。 局部聚类系数是以节点 i 为中心的三角形的数量与以节点 i 为中心的三节点的数量的比。 下一篇文章我们将介绍图学习，这能提供预测图中节点和边的方法，从而处理缺失值或预测新的关系。 扩展阅读： Neo4j 的图算法全面指南，Mark Needham & Amy E.
4.4K22发布于 2019-08-06来自专栏数据小魔方sparklines迷你图系列7——Comparision（+-Variance）。
今天跟大家分享sparklines迷你图系列的第七篇——Comparision（+/-Variance）。 该图表用于表现指标增长率波动情况，波动范围-100%~100%之间。 在excel中首先输入首行的单元格图表语法公式，出图之后，可以通过批量填充函数公式，这样最终的图表是由单个单元格的独立图表组合而成的图表组，看起来浑然一体，非常清爽（当然前提是你用了一套非常清爽的配色） 把方向（Vertical）参数修改为True,你就可以轻松的得到一排整齐的柱形图。 ?
72750发布于 2018-04-11来自专栏MiningAlgorithms机器学习7：集成学习--XGBoost
对于特征的值有缺失的样本，xgboost可以自动学习出它的分裂方向。 7. xgboost工具支持并行。boosting不是一种串行的结构吗?怎么并行的？ RF和Bagging对比：RF的起始性能较差，特别当只有一个基学习器时，随着学习器数目增多，随机森林通常会收敛到更低的泛化误差。 划分训练集、测试集 myDatas.data,myDatas.target, #load_iris的原始数据集 test_size = 0.3, random_state = 7 ，找一个最合适的学习率 #设几个不同学习率的列表，后面来遍历它，看哪个学习率下分类精确度最高，就用哪个学习率代回模型重新建模 learning_rate=[0.0001,0.001,0.1,0.2,0.3 ] #这次使用交叉验证（交替充份使用有限数据）划分数据集 #实例化交叉验证类 kfold = StratifiedKFold(n_splits=2,shuffle=True,random_state=7)
2K20发布于 2019-08-08来自专栏一个爱吃西瓜的程序员学习SQL【7】-函数
二：算术函数 算术函数是最基本的函数，也就是我们常用的四则运算： +（加法） -（减法） *（乘法） /（除法） 为了学习算术函数，我们首先得创建一种示例用表： --创建SampleMath表 --DDL INSERT INTO SampleMath VALUES (NULL, NULL, NULL);INSERT 0 1 INSERT INTO SampleMath VALUES (NULL, 7, ---+---+----------- 500.000 | 0 | 500 -180.000 | 0 | -180 | | | 7 2.270 | 1 | 2.3 5.555 | 2 | 5.56 | 1 | 8.760 | | (11 行记录) 字符串函数 为了学习字符串函数 今天可以留言了，大家可以尽管吐槽啦 每天学习一点点，每天进步一点点。
1.5K120发布于 2018-04-04来自专栏萌海无涯Django学习模板（7）
前面学了视图，我们可以在访问 localhost:8000/polls/ 看到我们返回的内容。
61820发布于 2019-09-03来自专栏CKL的思考空间学习累积流图
01 累积流图是如何生成的？团队需要根据自己的研发过程流程节点，记录某天每个节点上的数量，然后以日期为横坐标，卡片数量为纵坐标，生成如下图所示的图形，就是累积流图了。 在迭代中，SM经常还会关注一个图：燃尽图。它是以图表展示随着时间的减少工作量的剩余情况。工作量一般以竖轴展示，时间一般以横轴展示。 燃尽图对于预测何时完成工作很有用，但是它只有结果，没有过程，不利于问题分析。 02 那么，对于累积流图，我们需要关注一些什么呢？以上图为例，我们需要关注以下几点。 在现实的团队中，不太可能出现完美的累积流图，那么，我们可以通过累积流图发现哪些问题呢？ 如上图，在迭代的后期，卡片状态都没有变化了，那么就需要关注下团队在干什么，放假了？ 用累积流图观察一个团队的工作进展时，数值本身不能说明问题，但数值的变化趋势会给我们一些预警，告诉我们哪个环节可能碰到了问题或成为瓶颈。
1.1K10编辑于 2023-08-28来自专栏DrugOne图对比学习 | 结合图的结构信息和节点特征的图对比学习
最近，对比学习（CL）已成为一种无监督的图表示学习的非常热门的方法。大多数图CL方法首先在输入图上进行随机扩充，得到两个视图，并使两个视图的表示一致性最大化。 尽管图CL方法得到了长足的发展，但图增广方案（CL中的关键组成部分）的设计仍然很少被探索。 本文认为，数据扩充方案应保留图的内在固有结构和属性信息，这使得模型对不重要的节点和边的扰动不敏感。 在本文中，作者提出了一种新的具有自适应增强的图对比表示学习方法，该方法结合了图的拓扑和语义方面的各种先验。 具体来说，在拓扑级别，本文基于节点中心性度量设计增强以突出重要的连接结构。 实验表明，提出的方法始终优于现有的最新方法，甚至超过了一些监督学习的对应方法，这证明了采用自适应增强的对比框架的有效性。 ?
2.8K70发布于 2021-02-02来自专栏自然语言处理图神经网络（01）-图与图学习(上)
来源：百度Aistudio 图神经网络7日打卡营 图（graph）近来正逐渐变成机器学习的一大核心领域，在开始PGL框架学习之前，我们先简单学习一下图论的基本概念，图论的经典算法，以及近些年来图学习的发展 图是什么？ 二. 如何存储图？ 三. 图的类型和性质 四. 主要的图算法 五. 图机器学习的发展 一. 图是什么？ 参考资料，以及更多图论经典算法 图论与图学习（一）：图的基本概念 图论与图学习（二）：图算法 github.com/maelfabien/Graph_Analysis.ipynb aistudio版本Graph_Analysis 更多学习教程 github.com/maelfabien/Machine_Learning_Tutorials 五. 图机器学习的发展 将在PGL系列前置教程：图与图学习（下）展示。
3.5K32发布于 2021-01-27
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