- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI机器学习与深度学习算法
机器学习入门 10-5 精确率和召回率的平衡
前言 本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要说明精准率和召回率是相互制约、相互矛盾的两个指标，通过选取不同的threshold阈值来观察精准率和召回率的变化。
4.6K51发布于 2020-04-26 - 来自专栏mysql
hhdb数据库介绍(10-5)
管理用户界面的审计日志主要用来查看管理用户对管理平台的操作记录，同时可查看所有纳管的计算节点集群内普通用户的基本操作。
66510编辑于 2025-03-13 - 来自专栏完美Excel
VBA专题10-5：使用VBA操控Excel界面之隐藏取消隐藏及最小化功能区
.ExecuteMso"MinimizeRibbon" End If End With End If End With 说明：本专题系列大部分内容学习整理自 《Dissectand Learn Excel VBA in 24 Hours：Changingworkbook appearance》，仅供学习研究。
4.3K30发布于 2020-08-17 - 来自专栏前端知识分享
第27天：js-表单获取焦点和数组声明遍历
45 46
- 47 上证指数364110 48
49- 50 上证指数364110 51
52- 53 上证指数364110 54
55- 56 上证指数364110 57
58- 59 上证指数364110
4.6K20发布于 2018-09-11 - 来自专栏机器学习与自然语言处理
Stanford机器学习笔记-10. 降维(Dimensionality Reduction)
在10.1节我们默认以红色线所画平面(不妨称之为平面s1)为2维平面进行投影(降维)，投影结果为图10-5的(1)所示，这样似乎还不错。那为什么不用蓝色线所画平面（不妨称之为平面s2）进行投影呢? 可以想象，用s2投影的结果将如图10-5的(2)所示。 ? 图10-4 样本在3维正交空间的分布 ? 图10-5 样本投影在2维平面后的结果 由图10-4可以很明显的看出，对当前样本而言，s1平面比s2平面的最近重构性要好（样本离平面的距离更近）；由图10-5可以很明显的看出，对当前样本而言，s1平面比 图10-6 PCA不是线性回归 分别基于上述两种目标的具体推导过程参见周志华老师的《机器学习》P230。 参考：《机器学习》 周志华
1K80发布于 2018-03-13 - 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10-5 递归计算Ackermenn函数
习题10-5 递归计算Ackermenn函数 本题要求实现Ackermenn函数的计算，其函数定义如下： ?
84010发布于 2020-09-15 - 来自专栏机器学习算法与Python学习
机器学习(8) -- 降维
图10-2 一个3维到2维的例子 降维的好处很明显，它不仅可以数据减少对内存的占用，而且还可以加快学习算法的执行。 注意，降维只是减小特征量的个数(即n)而不是减小训练集的个数(即m)。 可以想象，用s2投影的结果将如图10-5的(2)所示。 ? 图10-4 样本在3维正交空间的分布 ? 图10-5 样本投影在2维平面后的结果 由图10-4可以很明显的看出，对当前样本而言，s1平面比s2平面的最近重构性要好（样本离平面的距离更近）；由图10-5可以很明显的看出，对当前样本而言，s1平面比 图10-6 PCA不是线性回归 分别基于上述两种目标的具体推导过程参见周志华老师的《机器学习》P230。 参考：《机器学习》 周志华
1.1K100发布于 2018-04-04 - 来自专栏杨建荣的学习笔记
K-Means算法原理和简单测试
这是学习笔记的第 2011 篇文章 今天学习了下K-Means算法，很多语言和工具都有成型的库和方法，不过为了能够督促自己理解，还是做了一些额外的工作，自己设想了一个例子，假设有10名员工，我们根据他们的技术能力和沟通能力来评估一下他们的综合能力 我们选择P1,P2为质心，即他们作为参照标准，分别和其他的员工数据进行比对，得到一个差异值，即两点之间的距离，可以使用欧式距离来得到，比如P1到P3的距离就是（10-7）（10-7）+（10-5）（10
73020发布于 2019-06-18 - 来自专栏气象学家
利用深度学习估计再分析数据集中的大气重力波参数
深度学习已经被证明是大气科学以及天气和气候预测应用中的一个强大工具。 在本研究中，根据大尺度的低层（1-9km）大气流动、温度和湿度，利用深度学习获得了在低层平流层（约18km）传播动量巨大的中层大气（10-100km）的细尺度轨道重力波的物理参数。 因此，提出了一种用于估算重力波动量通量的深度学习方法，并利用北海道地区（日本）300、700和850 hPa的低分辨率带状和经状风、温度和比湿度数据，测试了其在100 hPa下的性能。 特别是在冬季重力波较强的时候，最大动量通量和特征区带文数的中位数RMSE分别为0.06-0.13mPa和1.0×10-5。 本文的亮点： * 提出了一种深度学习方法，利用29年的再分析数据估计轨道重力波； * 从空间分辨率为60公里的低层大气数据中直接转换了100 hPa 的重力波动量通量； * 利用所提出的方法，可以很好地估计目标区域强动量通量的波结构
82610发布于 2020-10-09 - 来自专栏Hadoop数据仓库
维度模型数据仓库（十五） —— 多重星型模式
实际生产环境每天定期装载应该共用一个调度，也即应该把清单（五）- 10-5里的脚本并入每天定期装载脚本中，并且针对使用cdc_time表做相应的修改。 -5 Kettle定期装载工厂维度表和产品事实表如图（五）- 10-5到图（五）- 10-22所示。 图（五）- 10-5 图（五）- 10-6 图（五）- 10-7 图（五）- 10-8 图（五）- 10-9 图（五）- 10-10 图（五）- 10-11 运行完清单（五）- 10-5里的脚本以后，需要把系统日期设置成任意晚于上一篇“杂项维度”设置的日期。这里设置系统日期为2015年3月18日。 先把系统日期设置为2015年3月19日，然后执行清单（五）- 10-5里的脚本或对应的Kettle定期装载作业。
65020编辑于 2022-12-02 - 来自专栏深度学习和计算机视觉
每日一题C++版（拼凑面额）
编程是很多偏计算机、人工智能领域必须掌握的一项技能，此编程能力在学习和工作中起着重要的作用。 我们可以换一种思考方式，比如我们有一张10元钱，其某种组成方式中有一张5元钱，见变成了：（10-5）元钱有多少种组合方式，这样一直循环下去，最后变成0元钱。
75050发布于 2019-10-24 - 来自专栏Java技术圈子
编译与优化
Javac编译动作的入口是 com.sun.tools.javac.main.JavaCompiler类，上述3个过程的代码逻辑集中在这个类的compile()和compile2() 方法里，其中主体代码如图10 图10-5 Javac编译过程的主体代码 10.2.3 注解处理器 JDK 5之后，Java语言提供了对注解（Annotations）的支持，注解在设计上原本是与普通的Java代 码一样，都只会在程序运行期间发挥作用的 本章小结 在本章中，我们从Javac编译器源码实现的层次上学习了Java源代码编译为字节码的过程，分析了 Java语言中泛型、主动装箱拆箱、条件编译等多种语法糖的前因后果，书中还有实战练习如何使用插入式注解处理器来完成一个检查程序命名规范的编译器插件
66520编辑于 2023-02-28 - 来自专栏全栈程序员必看
体验vSphere 6之7-为虚拟机启用容错
图10-4 辅助虚拟机运行截图 当ESXi主机内存是4GB、5GB时，尝试启动容错虚拟机，则会弹出”父资源池中可用内存资源不足”的提示，如图10-5所示。 图10-5 父资源池中可用内存资源不足 11 其他 vSphere Web Client控制台中，各个窗口可以向四个方向拖动，如图11-1所示。 图11-1 拖动窗口 图11-2 拖动到指定位置
1.5K40编辑于 2021-12-23 - 来自专栏LeetCode解题
1619. 删除某些元素后的数组均值
与 标准答案 误差在 10-5 的结果都被视为正确结果。
5K20发布于 2021-02-26 - 来自专栏用户8928967的专栏
第10章 手机响应式开发（上）
带着问题去看书学习啦~ HTML5＋CSS3＋JavaScript Web 前端开发案例教程（慕课版）【不推荐】，微信读书中找到的学习Web前端书籍，第10章开始啦，耶(＾－＾)V 习题 10-1 简述什么是响应式网页设计及其优缺点 @media关键字 10-5 简要说明什么是视口。 在桌面浏览器中，视口的概念等于浏览器中窗口的概念。视口中的像素指的是CSS像素，视口大小决定了页面布局的可用宽度。 CSS3的Flex布局，而且只是为了示例，一笔带过的既视感，啊哈~~~ 我在怀疑，此书章节介绍Flex布局一些描述，是拷贝到了阮一峰网络日志滴~ 啊哈哈哈~ 上面有推荐文章，文章很好，排版也好，更易新手学习
1K40发布于 2021-09-22 - 来自专栏Michael阿明学习之路
LeetCode 1776. 车队 II（单调栈）
答案精度误差需在 10-5 以内。 ; 572 ms 122.8 MB C++ ---- 我的CSDN博客地址 https://michael.blog.csdn.net/ 长按或扫码关注我的公众号（Michael阿明），一起加油、一起学习进步
47330发布于 2021-09-06 - 来自专栏机器之心
学界 | 深度学习在单图像超分辨率上的应用：SRCNN、Perceptual loss、SRResNet
我们将在本文借助三个深度学习模型解决这个问题，并讨论其局限性和可能的发展方向。 它对超参数的变化非常敏感，论文中展示的设置（前两层的学习率为 10-4，最后两层的学习率为 10-5，使用 SGD 优化器）导致 PyTorch 实现输出次优结果。 我们观察到在不同的学习率下，输出结果有一些小的改变。最后我们发现，使性能出现大幅提升的是设置是：每层的学习率为 10-5，使用 Adam 优化器。 存在两个小的更改：一个是 SRResNet 使用 Parametric ReLU 而不是 ReLU，ReLU 引入一个可学习参数帮助它适应性地学习部分负系数；另一个区别是 SRResNet 使用了图像上采样方法 未来工作 还有一些适用于单图像超分辨率的有潜力的深度学习方法，但由于时间限制，我们没有一一测试。
3.5K60发布于 2018-05-10 - 来自专栏科研猫
R语言从入门到精通：Day2
本来想着R语言虽然重要，但是肯花心思学习的人可能还是少数，但是这两天大家高涨的学习热情着实让人惊讶，很多同学后台催着要我们赶紧更新。 上节课程中，我们讲解了R和RStudio的安装，本节内容我们来学习如何使用他们。有同学可能觉得简单，那不就是打开软件直接敲击几个命令就行了嘛。 我们也可以计算10-5，2×3，8÷4等，结果如图： ? 我们发现，我们书写过的代码，全部还都保存在代码编辑页面中，如果我们想保存这个代码怎么办呢？
1.2K11发布于 2019-09-24 - 来自专栏python3
Python三维绘图--Matplotl
Axes3D #定义坐标轴 fig4 = plt.figure() ax4 = plt.axes(projection='3d') #生成三维数据 xx = np.random.random(20)*10 -5 #取100个随机数，范围在5~5之间 yy = np.random.random(20)*10-5 X, Y = np.meshgrid(xx, yy) Z = np.sin(np.sqrt(
3K40发布于 2020-01-08 - 来自专栏编程技术宇宙
嘿嘿，我用代码写了一篇游记！
顺便提前找找感觉，要好好学习技术了！ ScenicSpots("侨港风情街")); day5.eat(new Dessert("芒果沙冰")); /* * 第六天 */ Holiday day6("10 骑电瓶车，从 涠洲岛 到 涠洲岛 游玩: 滴水丹屏 游玩: 鳄鱼山 吃海鲜: 虾饼 吃粉: 汤粉 坐船，从 涠洲岛 到 北海 游玩: 侨港风情街 吃甜品: 芒果沙冰 ---------------假日: 10
42010发布于 2021-10-15
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