- 综合排序
- 最热优先
- 最新优先
- 来自专栏龙行天下CSIEM
科学瞎想系列之一三四 电机绕组(11)
这里再次强调，要想尽量减小阻尼绕组对齿谐波电势的负面影响，应使阻尼绕组的节距满足以下范围； t2=(0.7～0.9)t1 或 (11
2.5K30发布于 2021-08-05 - 来自专栏Bennyhuo
Java 17 更新（11）：支持矢量运算，利好科学计算？
我们这一篇来简单聊聊 JEP 414: Vector API (Second Incubator)，之前 Java 16 就已经开始孵化这个项目了。
3K30发布于 2021-10-19 - 来自专栏PPV课数据科学社区
【译文】关于数据科学难以忽视的11大真相
. 9、Presentation is key - be a master of Power Point. 10、All models are false, but some are useful. 11 11、没有完全自动化的数据科学。很多你需要人工手动操作。 翻译：lily PPV课原创编译 转载请注明出处 原文链接：http://www.ppvke.com/Answer/?
85570发布于 2018-04-20 - 来自专栏龙行天下CSIEM
科学瞎想系列之一〇六 NVH那些事(11)
交变激励下系统的稳态响应 建立了上述电路系统和振动系统的数学模型，我们就可以通过解算上述三个微分方程(2)、(4)、(6)来得到电路系统和振动系统在激振力的作用下产生的电路状态和振动状态响应(解算过程详见科学瞎想系列之六十 相应地电机机械振动系统的阻抗为： Zm1=jωm1 Zm2=rm1+1/(jωλ1) Zm3=rm2+jωm2+1/(jωλ2) (11
1.2K20发布于 2020-03-04 - 来自专栏Python工程师
Python-科学计算-pandas-11-df获取特定行或者列
7 语言版本：Anaconda3-4.3.0.1-Windows-x86_64 编辑器：pycharm-community-2016.3.2 pandas：0.19.2 这个系列讲讲Python的科学计算及可视化 import pandas as pd dict_1 = {"time": ["2019-11-02", "2019-11-03", "2019-11-04", "2019-11-05",
3.5K10发布于 2020-06-16 - 来自专栏量子位
提前11秒，AI让神经科学家预知了你的决定
当你在鸡肉饭和牛肉面之间徘徊不定的时候，神经科学家出现了： “别纠结了，你会在11秒之后决定选鸡肉饭。” 诶？我还没决定呢，你怎么知道我会选鸡肉饭？ 一个选择实验 神经科学家的研究来自一项有14名人类受试者参与的实验，当然，这次的选择不是鸡肉饭和牛肉面，而是： ? 根据实时记录下来的大脑活动，使用SVM分类器对10秒的感知或图像数据进行了训练和测试并交叉验证，将四个重点区域逐一分析后，研究人员可以平均提前11秒预知受试者会做出何种选择。 为什么我们明明没有作出选择，神经科学家就知道我们要选什么了呢？ ? 最后，这项研究的相关学者警告，并非所有选择都是由大脑活动提前决定的，所以，你的思维和想法都是自由的，没有什么冥冥中的神经科学想法在指引着你。
56010发布于 2019-04-23 - 来自专栏新智元
这位顶尖科学家正式回国！29岁教授博导，11篇Nature、Science
28岁入选中国科学院“百人计划”回母校中国科学技术大学工作，29岁成为中国科学技术大学最年轻的教授、博士生导师之一。 2004年获得著名的美国斯隆研究奖，成为中国本土培养的博士中第一个获得该奖的科学家。 他是中国科大培养的天才科学家，读博士时就发表40篇论文，并获选全国百篇博士优秀论文，同时提前一年毕业。 28岁入选中国科学院“百人计划”回母校中国科学技术大学工作，29岁成为中国科学技术大学最年轻的教授、博士生导师之一。 2019年4月24日，他正式获聘首位“清华大学基础科学讲席教授”。 他就是段路明，一位天才级的科学家。他的全职回国或将大大助力中国量子科学研究进入世界前列。 中国科大培养的杰出科学家 段路明1972年8月出生于安徽桐城。1990年毕业于桐城中学，因化学竞赛取得优异成绩，被保送到中国科学技术大学。
96020发布于 2019-05-17 - 来自专栏数据科学与人工智能
【数据科学】数据科学家与数据科学
Jeff Wu做出题为“统计学=数据科学吗？ 的演讲，建议统计改名数据的科学统计数据的科学家。 2002年，国际科学理事会：数据委员会科学和技术（CODATA）开始出版数据科学杂志。 2003年，美国哥伦比亚大学开始发布数据科学杂志，主要内容涵盖统计方法和定量研究中的应用。 二、数据科学家的定义 数据科学(Data Science)是从数据中提取知识的研究，关键是科学。 数据科学并不局限于大数据，但是数据量的扩大诚然使得数据科学的地位越发重要。 数据科学的从业者被称为数据科学家。数据科学家通过精深的专业知识在某些科学学科解决复杂的数据问题。 为了掌握完成这多方面任务需要的技术，我们创造了数据科学家这个角色。” (1) 计算机科学 一般来说，数据科学家大多要求具备编程、计算机科学相关的专业背景。
1.5K90发布于 2018-02-26 - 来自专栏新智元
CCF 大数据与计算智能大赛：挑战 11 题，成为顶尖数据科学家
【新智元导读】2016 CCF大数据与计算智能大赛9月24日启幕，发布了 11 道高质量创新赛题，涉及智能电网、搜索广告、O2O营销、舆情分析、监控识别、计算广告、无人驾驶、市场预测、LBS营销、气候预测等多个热门方向 本次大赛的11道高质量大数据与人工智能创新赛题，涉及智能电网、搜索广告、O2O营销、舆情分析、监控识别、计算广告、无人驾驶、市场预测、LBS营销、气候预测等多个热门方向，将为图像处理、自然语言处理、用户画像
1.3K30发布于 2018-03-23 - 来自专栏数据科学与人工智能
【数据科学】数据科学入门指南
数据科学虽然刚刚兴起，却发展迅速。 只要有数据的地方，就需要数据科学团队来分析、挖掘数据。 因而，在各个行业都需要大量的数据科学家。 所以我并不建议从最基础的数学理论开始学习数据科学。 下面的这些建议会告诉你如何高效、快速的入门数据科学 ? 数据科学知识体系图 1. 学习别人的程序特别是高手的程序，是数据科学进阶的有效途径。 尝试着重复作者的工作，在这个过程中，你会了解到这个模型的细节以及数据科学的方方面面，比如如何更好的组织你的成果。 数据科学是一座高山，停止学习意味着你永远无法到达顶点。 但是，养成这些良好的习惯，你会很自然的成为以为数据科学专家。 掌握正确的方法和习惯，任何人都可以掌握这门科学。
1.1K90发布于 2018-02-26 - 来自专栏数据科学与人工智能
【数据科学】如何学习数据科学
研究小组有5名成员，但最后只有2个人选择去更深入地研究这个领域（数据科学并不适合每一个人）。 解决一些好玩的小问题：好奇心是数据科学的关键。如果你对国家的经济问题，犯罪统计，体育成绩等感兴趣的话，去收集数据并开始回答你的问题吧。 有很多的培训材料可以在网上找到： 统计202 加州理工学院的数据科学课程 Coursera：数据科学，机器学习，数据分析，数据分析计算 加州大学伯克利分校 - 数据科学 骑士新闻中心的课程：资讯图像和数据可视化 关注业内领袖：网络中有很多厉害的数据科学家，关注这些人可以得到很好的启发。 3、有用的数据科学读物 数据挖掘导论 果壳中的R 数据之魅 可视化之美 查看更多的数据科学的书籍：O'Reilly，Manning 4、对我感觉没多大用的东西 学习多个统计工具：一年前，我开始有一些
1K100发布于 2018-02-27 - 来自专栏数据科学与人工智能
【数据科学】什么是数据科学家与数据科学
Jeff Wu做出题为“统计学=数据科学吗？ 的演讲，建议统计改名数据的科学统计数据的科学家。 2002年，国际科学理事会：数据委员会科学和技术（CODATA）开始出版数据科学杂志。 2003年，美国哥伦比亚大学开始发布数据科学杂志，主要内容涵盖统计方法和定量研究中的应用。 二、数据科学家的定义 数据科学(Data Science)是从数据中提取知识的研究，关键是科学。 数据科学并不局限于大数据，但是数据量的扩大诚然使得数据科学的地位越发重要。 数据科学的从业者被称为数据科学家。数据科学家通过精深的专业知识在某些科学学科解决复杂的数据问题。 [11].A Practical Intro to Data Science [12].解码数据科学家
1.9K60发布于 2018-02-27 - 来自专栏大数据文摘
如何11步转行数据科学家 (适用数据员 MIS BI分析师)
工程师、计算机科学家、市场和金融毕业生、分析师、人力资源人员——每个人都想尝一块 “数据科学馅饼”。 如果你正是这样一位希望从数据分析/数据仓库（MIS）/商业智能（BI）跳转到数据科学家，这篇文章就是为你量身定制的。你可以将这11步作为你能遵循的学习路径。 utm_source=11stepsBItoDSarticle&utm_medium=blog ? 参加开放的数据科学竞赛，提高自己的形象：参加数据科学竞赛是一个极好学习数据科学的方式，这将提高你的知识和形象，以及了解你相对于世界顶级科学家所处的位置。 -11-steps-transition-data-science-reporting-mis-bi/
99530发布于 2019-04-26 - 来自专栏数据科学与人工智能
【数据科学】数据科学可以做什么
机器学习是数据科学的发动机。每种机器学习方法（也称为算法）获取数据，反复咀嚼，输出结果。机器学习算法负责数据科学里最难以解释又最有趣的部分。数学的魔法在此发生。 许多数据科学问题看起来是这种形式，或者可以被组织成这种形式。这是最简单也最常提到的数据科学问题。几个典型的例子： 这名顾客会不会继续订阅？ 这图片上是一只猫还是一只狗？ 这名顾客会不会点击顶部链接？ 无监督学习和增强学习的算法家族则有完全不同的数据科学问题。 数据是如何构成？ 有关数据如何构成的问题属于无监督学习。有许多技术试图提炼数据的结构。
1.5K100发布于 2018-02-27 - 来自专栏数据科学与人工智能
【数据科学】数据科学的教育体系
结语 大数据给科学和教育事业的发展提供了前所未有的机会，同时也提出了前所未有的挑战。它将对现有的科研和教学体制带来大幅度的变革，对科学与产业之间的关系、科学与社会之间的关系带来大幅度的变革。 首先是数据科学将成为科研体系中的重要部分，并逐渐达到与包括物理、化学、生命科学等学科在内的自然科学分庭抗礼的地位。未来的科研和教育体制应该由两条主线组成：一条是以基本原理为主线。 现在的物理学、化学、机械工程等学科，以及生命科学、材料科学、天体物理、地球科学等学科的大部分都是沿着这样一条主线展开的。另一条是以数据为主线。 数据科学的兴起，将极大地推动许多社会科学学科朝着量化的方向发展，使他们逐步由经验性的模式转变成科学性的模式。 这样的例子在数据科学和信息产业并不陌生。但在传统的自然科学领域，从基本原理的突破，到技术、到产业，往往要经过一个漫长的过程。
87670发布于 2018-02-27 - 来自专栏用户画像
数据科学
https://blog.csdn.net/jxq0816/article/details/82823331 数据科学：如何从实际的生活中提取数据，然后利用计算机的运算能力和模型算法从这些数据中找出一些有价值的内容 1、数据科学在工程上的挑战可以大致分为3类：特征提取、矩阵运算和分布式机器学习。 （1）一个建模项目的成功很大程度上依赖于建模前期的特征提取。它包含数据清洗、数据整合、变量归一化等。 2、模型搭建的挑战 数据科学对模型搭建的要求也可以总结为3点：模型预测效果好、模型参数是稳定且“正确”的、模型结果容易解释。 （1）模型的预测效果好，这是数据科学成功的关键。 （3）数据科学家将模型搭建好了，并不是一个数据科学项目的终点。为了充分发挥数据的价值，需要将模型结果应用到实际的生产中，参与这个过程的不仅有懂模型的数据科学家，还有更多非技术的业务人员。
69920发布于 2018-09-29 - 来自专栏数据科学与人工智能
【数据科学】教你成为数据科学“大咖”！
以往高等学府才能接触到的计算机科学和数据科学，也随着这次风潮来到了公众面前。OSDSM，即数据科学开源课程，能够从理论和技术两方面，帮助人们学习有效利用数据的核心技能。 这些课程中，计算机科学尤其是数据科学相关的知识都已包含在内，用户通过使用Coursera、ebooks、StackOverflow以及GitHub等平台发布免费的教育资源，完全能够掌握数据科学的关键内容 二、学习数据科学的动力 现在数据科学家岗位面临极大的缺口。所谓数据科学家，就是同时掌握统计学 知识与程序设计技巧，能够服务大数据开发的技术专家。成为一名数据科学家，就有了大数据时代互联网行业的通行证。 数据科学的平台和工具正通过开源得到了极大丰富，大数据时代的数据科学家也通过开源不断增加。 此外，还有另一项趋势可以缓解现在的人才缺口：数据科学民主化。 四、从这里开始：数据科学的课程表 这些数据科学的开源课程，从数学、编程等几个方面塑造数据科学“大咖”。这不是为了重温大学课程，而是以问题导向准备知识。
1.5K40发布于 2018-02-28 - 来自专栏探物及理
科学写作
回复审稿人 调整心态： ##清晰标明所有文章中的修改 礼貌客气 问题分类 最多的问题： 最难的问题： 回复Reviewers 时间 必问问题 Rejection的冲动 文章好感度爆棚 怼回去 1|11.
95420发布于 2020-08-25 - 来自专栏三流程序员的挣扎
2022-11-11-工作
昨天的控件点击时通过外面，加个 listener。然后如果外部设定当前选中位置，也要刷新一下页面，所以刷新逻辑放到设置 textSelectedIndex 中去。
32530编辑于 2022-11-13 - 来自专栏数据科学与人工智能
【数据科学】数据科学中的 Spark 入门
Apache Spark 为数据科学提供了许多有价值的工具。 随着 Apache Spark 1.3.1 技术预览版的发布，强大的 Data Frame API 也可以在 HDP 上使用数据科学家使用数据挖掘和可视化来帮助构造问题架构并对学习进行微调。 我们将通过一系列的博客文章来描述如何结合使用 Zeppelin、Spark SQL 和 MLLib 来使探索性数据科学简单化。 总结 数据科学家们使用许多种工具进行工作。Zeppelin 为他们提供了一个新工具来构建出更好的问题。 在下一篇文章中，我们将深入讨论一个具体的数据科学问题，并展示如何使用 Zeppelin、Spark SQL 和 MLLib 来创建一个使用 HDP、Spark 和 Zeppelin 的数据科学项目。
2.1K60发布于 2018-02-26
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