- 综合排序
- 最热优先
- 最新优先
- 来自专栏Vamei实验室
Python标准库的学习准备
UID, PID, daemon 2) 进程之间的信号通信，比如使用kill传递信号的方式 学习进程相关的内容，是为了方便于学习os包，thread包，multiprocessing包，signal包 3) 3) 根据需要，了解html/css/javascript/jQuery/frame等 如果想利用python建服务器，比如在google app engine上，这些知识是需要的。 数据库 Python中内置了sqlite3。如果你只需要一个简单的数据库，可以直接从标准库中调用sqlite3。 当使用Python中数据库相关的包时(比如sqlite3)，需要对数据库，特别是关系型数据库，有一个基本了解。 加密和文本编码 Python的加密算法同样基于一些经典加密算法，比如MD5，RSA算法。
83950发布于 2018-01-18 - 来自专栏技术探究
【准备篇】js逆向分析破解之学习准备
https://www.cnblogs.com/charliechu/p/5981346.html https://www.cnblogs.com/charliechu/p/5948448.html 3.
5.8K62发布于 2019-07-10 - 来自专栏学习成长指南
Anaconda安装和环境配置教程（深度学习准备）
https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --set show_channel_urls yes 3. 这个需要重新生效； 重新安装这个jupyter之后，在这个invironment里面的第四个选项里面进入这个jupyter里面去，这个时候就可以进去了，并且会跳转到这个浏览器里面去打开； 新建一个python3的代码
4.4K21编辑于 2025-02-24 - 来自专栏牛客网
测试开发：面试真题+学习准备一
3、C内存泄露 4、一个10G的文件，存放了用户的访问记录（每次记录占1行），如何找出访问频率最高的前10个？ 三、美团（内推免笔试，3轮技术面，1面3面是电话面，2面牛客网视频面） 一面：1h10min 1、自我介绍 2、输入URL的具体响应过程 3、刚才讲述的URL过程涉及到哪些协议，具体讲一下相关的协议内容 二面：40min 1、自我介绍 2、写代码：非递归实现二叉树的镜像 3、给了几个数据库的表，写sql 忘了。。。 六、百度（秋招笔试，现场3轮技术面） 一面：50min 1、自我介绍 2、写代码：字符串最长上升子序列 3、针对刚才的代码设计测试用例 4、写代码：判断链表是否有环 5、针对刚才的代码设计用例 6、给 3、C内存分配方式 4、项目 忘了。。。
5.1K70发布于 2018-04-28 - 来自专栏SAMshare
机器学习准备数据时如何避免数据泄漏
用训练集和测试集进行数据准备 用原始数据准备方法进行训练-测试评估 用正确的数据准备方法进行训练-测试评估 3 .用K折交叉验证进行数据准备 用原始数据准备方法进行交叉验证评估 用正确的数据准备方法进行交叉验证评估 1.准备数据集 2.分割数据 3.评估模型 尽管这是一种常见的方法，但在大多数情况下很可能是不正确的。 3.将数据准备技术应用于训练和测试数据集。 4.评估模型。 更普遍的是，仅在训练数据集上进行整个建模工作来避免数据泄露。这可能包括数据转换，还包括其他技术，例如特征选择，降维，特征工程等等。
2.3K10发布于 2020-09-04 - 来自专栏脑机接口
深度学习准备「爆破」著名的欧拉方程
他是布朗大学和巴塞罗那大学的数学家），建立了一套物理约束来帮助指导他们的 PINN：与对称性和其他属性相关的条件，以及他们想要求解的方程（他们使用了一组 2D 方程，使用自相似坐标重写，已知它们在接近圆柱边界的点处等效于 3D
1.1K30编辑于 2022-09-22 - 来自专栏人工智能
如何使用 scikit-learn 为机器学习准备文本数据
[如何使用 scikit-learn 为机器学习准备文本数据 Martin Kelly 的照片，部分权利保留。] scikit-learn 库提供了3种不同的方案供我们使用，下面简要地介绍一下。 下面的示例展示了如何是使用 TfidfVectorizer 训练 3 个小文档的索引和逆文档频率，并编码其中一个文档。 {'fox': 2, 'lazy': 4, 'dog': 1, 'quick': 6, 'the': 7, 'over': 5, 'brown': 0, 'jumped': 3} [ 1.69314718 API TfidfTransformer scikit-learn API HashingVectorizer scikit学习API 概要 在本教程中，你可以了解如何使用scikit-learn为机器学习准备文本文档
3.3K80发布于 2018-02-07 - 来自专栏Bay的专栏
如何使用 scikit-learn 为机器学习准备文本数据
scikit-learn 库提供了3种不同的方案供我们使用，下面简要地介绍一下。 {'dog': 1, 'fox': 2, 'over': 5, 'brown': 0, 'quick': 6, 'the': 7, 'lazy': 4, 'jumped': 3} (1, 8) <class 下面的示例展示了如何是使用 TfidfVectorizer 训练 3 个小文档的索引和逆文档频率，并编码其中一个文档。 {'fox': 2, 'lazy': 4, 'dog': 1, 'quick': 6, 'the': 7, 'over': 5, 'brown': 0, 'jumped': 3} [ 1.69314718 API TfidfTransformer scikit-learn API HashingVectorizer scikit学习API 概要 在本教程中，你可以了解如何使用scikit-learn为机器学习准备文本文档
1.9K50发布于 2018-02-14 - 来自专栏小王的生信学习
Day1新手上路指南—小王—逢山开路,遇水架桥
专业教程：搜狗vx、搜狗知乎、github峰回路转不见君，转头向他人求助：拍电脑用截屏 but not 拍照，授课内容问在微信群，公众号问题用email学习准备——磨刀不误砍柴功explorer：Google
38220编辑于 2024-03-04 - 来自专栏量子位
AMD深度学习库MIOpen更新，支持CNN加速
此次更新包括： 同时为正向和反向传播优化的深度卷积解算器 优化的卷积算法，包括Winograd和快速傅立叶转换 为深度学习准备的、优化的GEMM 池化、Softmax、激活、梯度算法的批量归一化，以及LR
1.5K120发布于 2018-03-29 - 来自专栏技术探究
程序员开发必知必会之正则表达式学习资料[附完整资料]
相关好文推荐 想精通正则表达式 这几个正则表达式学习资料及工具你必须有 ：https://www.cnblogs.com/3rocks/p/11212724.html 菜鸟教程-正则表达式 ：https http://www.cnblogs.com/zxin/archive/2013/01/26/2877765.html 深入理解正则表达式 ：https://www.cnblogs.com/China3S 爬虫逆向 | js逆向分析破解之学习准备。 爬虫逆向 | js_cookie破解 ，爬虫遇到521还不会解决吗？
1.1K20发布于 2019-07-30 - 来自专栏企鹅号快讯
非CS背景，我是如何成为AI工程师的？
主要内容 AI工程师学习准备过程：（C++；图像知识；深度学习知识；简历内容） AI工程师求职面试经验总结 大家好，今天跟大家分享一下自己在AI方向求职的经验，希望能够帮助大家少走弯路尽早收获offer 我在整个求职准备过程中，要求自己尽量在3天内完成每个小目标，因为求职准备时间宝贵，整个求职周期也非常长，所以需要保持一个高效快速的节奏。 学习准备的干货内容 在所有工作开始之前，首先要做的是把自己AI方向的环境设置好，包括以下几方面： OpenCV DL framework（Tensorflow，Keras，Caffe，MxNet） Ubantu
2.2K80发布于 2018-01-02 - 来自专栏实战docker
机器学习的开发环境准备
等机器学习常用的包； 去Anaconda官网下载，地址是：https://www.anaconda.com/distribution ，如下图所示，找到合适的操作系统后点击下载，注意这里选择的是python3： 问题不在文中讨论了，请自行处理： 双击下载文件开始安装，一路next完成； 设置和验证 打开PyCharm，选择创建一个工程，如下图： 选择Pure Python，如下图所示，再选择红框2中的，再点击红框3： 在弹出的窗口作如下设置，注意/Users/zhaoqin/anaconda3是anaconda的安装路径： 点击确定回到先前的页面，如下图，点击右下角的"Create"开始创建： 如下图， 点击下图红框中的按钮，启动jupyter server： jupyter server启动后，会运行我们刚刚编写的代码，绘制一个正弦波图形，如下图所示： 至此，开发环境已经准备完毕，如果您也在为机器学习准备开发环境
86930发布于 2019-08-01 一. 生信入门环境搭建
随手记dev.off() #关闭画板libPaths() # 包安装路径【NO.1】 学习班学习准备工作大家把电脑配置一下，参考视频 https://www.bilibili.com/video/av80872684 1upnRTXwkI0hvxuuA2Gm49w 提取码: cnrv 【2】然后是R包安装，跟着指引来：http://www.bio-info-trainee.com/3727.html 【3】
50900编辑于 2024-03-15- 来自专栏博文视点Broadview
书单丨5本AI著作，记录前沿科技的最新发展
NO. 3 《移动深度学习》 李永会 著 ? 本书由浅入深地介绍了如何将深度学习技术应用到移动端运算领域，书中尽量避免罗列公式，尝试用浅显的语言和几何图形去解释相关内容。 本书共分为5篇：第1篇，介绍了学习准备、搭建开发环境、使用AI模型来识别图像；第2篇，介绍了用TensorFlow开发实际工程的一些基础操作，包括使用TensorFlow制作自己的数据集、快速训练自己的图片分类模型 、编写训练模型的程序；第3篇，介绍了机器学习算法相关内容，包括特征工程、卷积神经网络（CNN）、循环神经网络（RNN）；第4篇，介绍了多模型的组合训练技术，包括生成式模型、模型的攻与防；第5篇，介绍了深度学习在工程上的应用
1.2K10发布于 2020-06-10 - 来自专栏玩转大前端
VuePress 入门
wheel) 对应配置是 module.exports = { base: '/wheel/', title: ' EchoWheel UI', description: '一套为开发者学习准备的基于 base: '/wheel/', // 仓库名，表示部署到哪里 title: ' EchoWheel UI', // 网页左上角标题名，也是主页标题 description: '一套为开发者学习准备的基于
97030编辑于 2022-08-15 - 来自专栏人工智能应用
数据科学家的第一课：Python数据预处理完全指南
二、NumPy数据处理基础 2.1 多维数组创建 import numpy as np # 创建3×3随机矩阵 data = np.random.rand(3,3) NumPy的ndarray对象支持矢量化运算 # 轴向计算 np.mean(arr, axis=1) # 行方向均值 三、Pandas数据处理实战 3.1 核心数据结构 Series：带标签的一维数组 s = pd.Series([1,3,5 缺失值处理 df.fillna(method='ffill') # 前向填充 df.interpolate() # 插值填充 异常值检测 Q1 = df.quantile(0.25) Q3 = df.quantile(0.75) IQR = Q3 - Q1 df[~((df < (Q1-1.5*IQR)) | (df > (Q3+1.5*IQR))).any(axis=1)] 数据转换 指定数据类型 避免循环，尽量使用apply()或向量化操作 六、总结 掌握这些技术后，您将能够： ✓ 高效清洗百万级数据集 ✓ 自动识别数据质量问题 ✓ 构建可复用的数据处理管道 ✓ 为机器学习准备好高质量数据
43301编辑于 2025-08-01 - 来自专栏机器学习-大数据
同济子豪兄带我学pytorch图像分类-task01（数据集准备）
学习准备： 本机配置环境的过程很繁琐，考虑时间的问题，直接租一个云服务器。 学习过程中代码没有出现任何问题，代码具有很高的时效性。竟然没有一个语法报错。 所有图片均来源于网络，若有侵犯，多有抱歉 学习中遇到的问题： 在准备数据的时候，我自己爬取图片，每组图片都需要花3分钟，17组。
1K20编辑于 2023-02-01 - 来自专栏AIGC新知
我用AI帮我生成了流程图、时序图(顺序图)、甘特图
3. 用户可以使用生成的源码在支持的平台上创建流程图。 UI设计 : des3, after des2, 5d 未来任务 : des4, after des3, 5d section 开发 学习准备理解需求 :crit TD A[方形] --> B(圆角) B --> C{条件a} C --> |a=1| D[结果1] C --> |a=2| E[结果2] F[竖向流程图] ``` 3、 des4, after des3, 5d section 开发 学习准备理解需求 :crit, done, 2014-01-06,24h
4.5K10编辑于 2024-10-08 - 来自专栏java技术大本营
tomcat学习|tomat中的server.xml的学习
学习还要啥背景,技多不压身,Come on 上篇我们讲到了tomat的目录结构: https://www.lixiang.red/articles/2019/08/04/1564907616303.html 学习准备
63440发布于 2019-08-16
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