- 综合排序
- 最热优先
- 最新优先
- 来自专栏初见Linux
11-2 环境是如何建立的
在普通用户看来 ~/.bashrc 可能是最重要的启动文件，因为系统几乎总是要读取。non-login shell 会默认读取 ~/.bashrc ，而大多数login shell 的启动文件也能 以读取 ~/.bashrc 文件的方式来编写。
57010发布于 2020-08-11 - 来自专栏Lan小站
试题 算法提高 11-2删除重复元素
为库设计新函数DelPack，删除输入字符串中所有的重复元素。不连续的重复元素也要删除。 要求写成函数，函数内部使用指针操作。
32620编辑于 2022-07-13 - 来自专栏AI机器学习与深度学习算法
机器学习入门 11-2 SVM背后的最优化问题
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节从SVM算法的基本思想推导成最终的最优化数学表达式，将机器学习的思想转换为数学上能够求解的最优化问题。SVM算法是一个有限定条件的最优化问题。
2.5K72发布于 2020-06-10 - 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11-2 查找星期
习题11-2 查找星期 本题要求实现函数，可以根据下表查找到星期，返回对应的序号。
2.1K30发布于 2020-09-15 - 来自专栏A周立SpringCloud
如何自定义微服务的Instance ID
这样设置后，效果如图11-2所示。 ? 图11-2 Eureka Server上的微服务列表 拓展阅读 Spring Cloud初始化Instance ID的相关代码： org.springframework.cloud.netflix.eureka.EurekaClientAutoConfiguration
1.8K40发布于 2018-04-02 - 来自专栏愿天堂没有BUG（公众号同名）
大佬带你深入解析java虚拟机：垃圾优先的垃圾回收器（G1 GC）
G1 GC G1 GC是面向服务端应用程序的垃圾回收器，通过新的堆设计和停顿预测模型，可以到达用户指定的一个比较合理的软实时目标。本章将详细分析G1 GC的设计和实现。 G1 GC（以下简称G1）抛弃了既有堆模型，它将整个堆划分为一些大小固定的内存块（Region），通过-XX:G1HeapRegionSize=<val>控制Region大小（注意每个Region的大小只能是 G1同时使用两种方式，如图11-2所示。 图11-2 G1 RSet 假设有a.field = b，如果使用points-into记忆集，那么b拥有记忆集，它记录a的位置。 // 在被引用者的RSet中添加关系 if (to_rem_set->is_tracked()) { to_rem_set->add_reference(p, _worker_i); } } 停顿预测模型
67020编辑于 2022-10-31 - 来自专栏全栈程序员必看
latex中插入图片[通俗易懂]
\subfigure[11-1]{ %小图题的名称 \includegraphics[width=4cm]{11-1}} \hspace{0in} \subfigure[11 -2]{ \includegraphics[width=4cm]{11-2}} \caption{两张图片公用的图题} \end{figure} 这里第二中方法和第三种方法的不同之处在于第二种方法中排版两张图片后图片的图题编号会向后增加
4.1K20编辑于 2022-09-06 - 来自专栏Hadoop数据仓库
维度模型数据仓库（十六） —— 间接数据源
清单清单（五）-11-2给出了修改后的推广期导入脚本。 q.month <= r.end_month and p.year = q.year and p.month = q.month; COMMIT ; 清单（五）-11 图（五）- 11-1 图（五）- 11-2 图（五）- 11-3 图（五）- 11-4 图（五）- 11-5 图（五）- 11-6 现在测试新脚本
52740编辑于 2022-12-02 - 来自专栏全栈程序员必看
二代身份证号码验证器[超简单]
第十八位的数字是根据ISO 7064:1983.MOD 11-2校验码算法计算出来的 <script> function checkIDCard(idcode){ // 加权因子 var last = idcode[17];//最后一位 var seventeen = code.substring(0,17); // ISO 7064:1983.MOD 11
2.2K20编辑于 2022-09-14 - 来自专栏个人教程
使用Python计算18位身份证号最后一位校验码（ISO 7064:1983.MOD 11-2）
原理 校验算法有标准，叫ISO 7064:1983.MOD 11-2，这里简述下方法 计算方法 1.
3.4K10编辑于 2024-03-11 - 来自专栏软件开发
C语言 第六章 多重循环
for(k=1;k<=i-1;k++) { printf(" "); } for(j=1;j<=11 { printf("*"); } printf("\n"); } } /* 1 1 4 0 9 11
1.3K50发布于 2018-01-03 - 来自专栏TopSemic嵌入式
CRC校验怎么算？
在详细介绍CRC计算之前，我们先来看两个常见的较为简单点的校验：串口通信中的奇偶校验和身份证号码中的MOD 11-2校验。 4)校验码,用来检验身份证号码是否正确,采用MOD 11-2校验码系统。 110010000000 除以10011，最后得到余数：0010 5) 由于RefOuT为True，所以余数要逆序变为0100 6) 由于Xorout为0，表示不用再取反，所以最终的结果就是0100 CRC每种参数模型的检错能力
5K20编辑于 2022-12-06 - 来自专栏前端说吧
flag - 4-5月份预整理总结的文章目录
基于vue+qrcode实现ajax响应url参数生成二维码展示 11-1：vue 移动端长按手势 11-2： vue自定义指令 11-3.
88350发布于 2018-05-17 - 来自专栏华章科技
马太效应和幂律分布是怎么回事？终于有人讲明白了
导读：描述“富者愈富，穷者愈穷”的马太效应，以及经济学中的帕累托法则，其背后的数学模型是什么？在统计学中，它们可以被抽象成幂律分布。 作者：帕诺斯·卢里达斯（Panos Louridas） ? 这是我们将一个数学模型应用到现实世界时必须要面对的情况。 ? 如果我们计算每个数字的概率，就会得到表11-2中的结果。表中的数值告诉我们，如果数据库中有一组数，其首位数字为1的概率约为30%，大约有17%的数会以2开头，大约有12%的数会以3开头，依此类推。 表11-2 Benford定律，给出了数字出现在一个值首位的概率 ? 图11-8中给出了Benford定律的一个图示。
2K11发布于 2020-08-07 - 来自专栏nginx
基于 Python 的公共自行车借用量分析与预测
借用量时序趋势 通过对 count 字段进行时间序列分析，可以得出以下趋势： 按年变化：借用量呈现逐年上升趋势，反映出公共自行车服务的普及程度逐步提高； 按月变化：借用量在夏季（5-9月）达到峰值，冬季（11 四、借用量预测模型构建 4.1 模型选择 本文选择以下两种机器学习模型进行预测： 线性回归（Linear Regression）：适合简单线性关系的建模； 随机森林（Random Forest）：能有效处理非线性关系 4.2 数据集划分 将数据划分为训练集与测试集： 训练集：占总数据的 80%，用于模型训练； 测试集：占总数据的 20%，用于评估模型效果。 4.3 模型训练与评估 （1）线性回归模型 使用 scikit-learn 的 LinearRegression 类实现，模型公式如下： [ y = w_1 \cdot x_1 + w_2 \cdot 六、优化与拓展 6.1 模型优化 特征工程：引入更多外部数据（如实时天气数据、交通流量数据）以增强模型预测能力； 超参数调优：通过网格搜索（GridSearchCV）优化随机森林的超参数配置； 时间序列模型
31810编辑于 2025-11-15 - 来自专栏博文视点Broadview
Excel Power Query与Power Pivot结合：TOP-N对象贡献度分析
在这个模型中，我们可以根据实际业务的需求，去个性化地选择以产品销售总金额或毛利润为观察对象，分析每个大区的前3名、前5名、前10名及所有门店的业绩对于整体业绩的贡献情况。 该模型主要的功能在于可以根据选择的指标动态地进行筛选，方便我们实时把握贡献最大的TOP-N的门店，开展有针对性的经营活动。下面介绍一下这个模型的具体的建立步骤。 第4步：在弹出的对话框中选择“仅创建数据连接”按钮，并勾选“将此数据添加到数据模型”选项，最后单击“确定”按钮，就将数据加载到数据模型中了。 第二部分：建立数据模型 然后我们进入到Excel的Power Pivot数据模型中， 第1步：建立日期表。日期表的作用是通过日期表可以对其他表的相关的日期进行筛选。 在工作表中先准备好相应的字段和值，再将其添加到数据模型中，这两个参数表不与其他任何表建立关系，如图11-2所示。如图所示。 第3步：编写计算各个大区门店产品销售总金额和毛利润排名的度量值。
3K70编辑于 2023-04-04 - 来自专栏数据分析与挖掘
pycaret之集成模型（集成模型、混合模型、堆叠模型）
1、集成模型 组装训练好的模型就像编写ensemble_model一样简单。它仅采用一个强制性参数，即经过训练的模型对象。 此函数可用于混合可以使用blend_models中的estimator_list参数传递的特定训练模型，或者如果未传递列表，它将使用模型库中的所有模型。 3、堆叠模型 堆叠模型是使用元学习的整合方法。堆叠背后的想法是建立一个元模型，该模型使用多个基本估计量的预测来生成最终预测。在PyCaret中堆叠模型就像编写stack_models一样简单。 此函数使用estimator_list参数获取训练模型的列表。所有这些模型构成了堆栈的基础层，它们的预测用作元模型的输入，可以使用meta_model参数传递该元模型。 restack参数控制将原始数据公开给元模型的能力。默认情况下，它设置为True。当更改为False时，元模型将仅使用基本模型的预测来生成最终预测。
3.6K10发布于 2020-10-27 - 来自专栏华章科技
所到之处，寸草不生！深扒黑产工具和羊毛党操作流程
2）猫池：猫池是一种集成了多路短信收发模块的高性能工业级短信猫设备，支持多路并发，进而满足大量短信收发的应用需求，如图11-2所示。 ? ▲图11-2 猫池 3）设备农场：由大量廉价手机组成的设备池，并依赖“群控”软件对设备进行批量操作，如图11-3所示。 ?
4.2K21发布于 2020-07-29 - 来自专栏全栈程序员必看
–AR模型,MA模型,ARMA模型介绍
AR模型的定义 ————— AR模型平稳性判别 AR模型是常用的平稳序列的拟合模型之一，但并非所有的AR模型都是平稳的 。 第一个平稳的AR模型 这个AR模型的递推式子是x[t]=0.8*x[t-1]+e，其实e是一个误差项。 AR模型的一些性质 若AR模型满足平稳性条件，则他的均值为0，我们可以从上面的图中看出 AR模型的自相关系数是呈复指数衰减– 有拖尾性 AR模型的偏自相关系数有截尾性 注意第二,第三条很重要，后面可以用来做模型的识别 我在强调一遍 AR模型的自相关系数是呈复指数衰减– 有拖尾性 * AR模型的偏自相关系数有截尾性* MA模型 MA模型的定义 MA模型的可逆性 这个性质在推到MA模型的相关系数和自相关系数的时候比较有用 看一下可逆的定义 接下来看一下MA模型怎么转换成AR模型 最后我们看一下什么样的MA模型可以转化为AR模型 可逆MA模型的应用 对于一些MA模型，虽然其生成的式子不一样，但是其自相关图是一样的
2.7K20编辑于 2022-09-20 - 来自专栏愿天堂没有BUG（公众号同名）
如果你精通java虚拟机：新生代垃圾回收YoungGC之后，薪资不止20K
CSet的创建过程如代码清单11-2所示： 代码清单11-2 选择Region放入CSet void G1Policy::finalize_collection_set(...) { // 先选择新生代
67920编辑于 2022-10-31
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