网上自主学习《用Python玩转数据》： 已学课程： 接下来的课程： 第三周内容基本框架： 3.1 本地数据获取 3.2 网络数据获取 3.3 序列 3.4 字符串 3.5 列表 3.6 元组 拓展视频1：正则表达式入门 拓展视频2：输入输出&函数式编程入门 拓展视频3：可变可迭代对象修改问题解释 ...
转载
2021-10-10 10:33:00
73阅读
2评论
7.1数值微分与数值积分 一、数值微分 1、数值差分与差商：微积分中，任意函数f(x)在x0点的导数是通过极限定义的： 如果去掉极限定义中h趋向于0的极限过程，得到函数在x0点处以h（h>0）为步长的向前差分、向后差分和中心差分公式： 向前差分： 向后差分： 中心差分： 函数f(x)在点x0的微分接 ...
转载
2021-10-23 22:18:00
114阅读
2评论
已学习至第七章JavaScript基本语法 ...
转载
2021-10-23 20:50:00
58阅读
2评论
观看完前三章课程视频； 完成前三章的测验和作业 ...
转载
2021-10-23 23:06:00
50阅读
2评论
初步学习了HTML的知识 HTML是网页内容的载体。内容就是网页制作者放在页面上想要让用户浏览的信息，可以包含文字、图片、视频等。 CSS样式是表现。就像网页的外衣。比如，标题字体、颜色变化，或为标题加入背景图片、边框等。所有这些用来改变内容外观的东西称之为表现。 基本的 HTML 标签 HTML ...
转载
2021-09-29 23:09:00
34阅读
2评论
一、我选择的课程是《Python数据爬取及可视化》 分享一些可视化的笔记： 1、导入模块：import matplotlib.pyplot as plt 2、定义图像窗口：figure(num=None, figsize=None, dpi=None, facecolor=None, edgecol ...
转载
2021-09-29 23:27:00
156阅读
2评论
一、近期学习的主要课程 近期主要学习了函数的运用及文件读写，另外学习了微信小程序的基础开发。 二、收获 通过这一章的学习，我对文件读写及函数的运用有了更深的认识。相对于之前所学的，本次学习加大了该知识点的深度，以实际应用为例子，给我们讲述知识，从实际到理论。 三、其他 除此之外，我还自己去找了有关于 ...
转载
2021-10-23 19:53:00
29阅读
2评论
408汤家凤高数零基础第一课汤家凤高数基础第一课英语复习打卡
今天完成了老师给出的第二阶段，在这过程中，学会了Date的使用，对cursor、list了解了更多，不过也发现个之前问题：在向list中add时，如果类的变量是静态的list内容就会和最后一次数据重复、一样。
转载
2021-03-09 17:56:14
36阅读
2评论
小说爬取 1.获得文章的每个章节链接地址2.获得章节内容3.保存到指定位置 import urllib import urllib.request import urllib.parse import os import lxml import lxml.html from bs4 import B ...
转载
2021-10-21 22:37:00
30阅读
2评论
学习进度笔记04multiprocessing由于Windows没有fork调用，由于Python是跨平台的，自然也应该提供一个跨平台的多进程支持。multiprocessing模块就是跨平台版本的多进程模块。multiprocessing模块提供了一个Process类来代表一个进程对象，下面的例子演示了启动一个子进程并等待其结束。创建子进程时，只需要传入一个执行函数和函数的参数，创建一个Proc
转载
2021-05-09 10:18:02
107阅读
2评论
我选择的课程是《Python数据爬取及可视化》 一、近期学习的主要课程 第一章讲的就是Python的快速入门，通过这段时间的学习，让我重新了解了一些Python的基础知识，Python这门课我们在大一下的时候就学习了，但是由于时间有点久了，所以对一些小细节有点遗忘了，所以这一章的学习对基础的巩固还是 ...
转载
2021-09-29 22:52:00
123阅读
2评论
老子花费了三天多一点的时间,终于把emacs的使用指南完完整整地看完了.--不用说,这当然也是用emacs写出的文字!
原创
2017-11-28 11:00:43
700阅读
学完了使用指南,会不会有疑惑:emacs如何剪切复制粘贴?是不是没有印象?呵呵,没有就对了!粘贴其实在emacs里的术语叫做'召回'(c-y),是这个东东.c-@选中一段要操作的文字,c-w(剪切),M-w(复制),怎么样,现在脑子清楚了吧.通了吧!
原创
2017-11-29 14:59:45
765阅读
基于距离的机器学习模型： K近邻：样本间的距离 支持向量机：样本到决策面的距离 层次聚类：不同簇之间的路基 推荐系统：商品或用户相似度 信息检索：查询和文档之间的相似度 应对维度灾难：过度拟合和正则化 正则化：对学习算法的修改，接在减少泛化误差而不是训练误差
原创
2021-07-29 09:17:56
94阅读
K-Means 的 Python 实现及在图像分割和新闻聚类中的应用 1 实现 K-Means 算法 K-Means 算法的基本运行流程为： 1 随机选择 kk 个点作为初始中心 2 Repeat： 2.1 将每个样本指派到最近的中心，形成 kk 个类 2.2 重新计算每个类的中心为该类样本均值 3
原创
2021-07-29 09:17:57
158阅读
第五讲：聚类 物以类聚，人以群分 聚类的本质：将数据集中相似的样本进行分组的过程 每一个组成为一个簇，每个簇的样本对应一个潜在的类别 样本没有类别标签，一种典型的无监督学习方法。 这些簇满足以下两个条件 相同簇的样本之间距离较近 不同簇的样本之间距离较远 聚类方法：层次聚类，K-Means，谱聚类等
原创
2021-07-29 09:17:57
54阅读
决策树、随机森林和adaboost的python实现 1 分类决策树 Python 实现 我们首先加载一份鸢尾花数据集以便于测试。鸢尾花数据集包含 150 个鸢尾花样本，每个样本包含 4 个特征和一个类别标签，数据集下载地址为 UCI鸢尾花。在 Sklearn 中可以使用 datasets.load
原创
2021-07-29 09:17:57
102阅读
