精华内容
下载资源
问答
  • 一般将之定义为DataMining技术的CART、CHAID或模糊计算等等理论方法,也都是由统计学者根据统计理论所发展衍生,换另一个角度看,DataMining有相当大的比重是由高等统计学中的多变量分析所支撑。但是为什么Data...
  • LabVIEW入门第一天

    千次阅读 2020-02-19 22:17:27
    LabVIEW入门第一天 从今天开始,我将分享我的LabVIEW的编程之路!欢迎各位相互学习讨论(▽)!!! 一,LabVIEW介绍 LabVIEW是一种程序开发环境,由美国国家仪器(NI)公司研制开发,类似于C和BASIC开发环境,但是...

    在这里插入图片描述

    LabVIEW入门第一天

    从今天开始,我将分享我的LabVIEW的编程之路!欢迎各位相互学习讨论()!!!

    一,LabVIEW介绍

    LabVIEW是一种程序开发环境,由美国国家仪器(NI)公司研制开发,类似于C和BASIC开发环境,但是LabVIEW与其他计算机语言的显著区别是:其他计算机语言都是采用基于文本的语言产生代码,而LabVIEW使用的是图形化编辑语言G编写程序,产生的程序是框图的形式。 LabVIEW软件是NI设计平台的核心,也是开发测量或控制系统的理想选择。 LabVIEW开发环境集成了工程师和科学家快速构建各种应用所需的所有工具,旨在帮助工程师和科学家解决问题、提高生产力和不断创新。

    二,LabVIEW平台详细介绍

    与 C 和BASIC 一样,LabVIEW也是通用的编程系统,有一个完成任何编程任务的庞大函数库。LabVIEW的函数库包括数据采集、GPIB、串口控制、数据分析、数据
    LabVIEW标志
    LabVIEW标志
    显示及数据存储,等等。LabVIEW也有传统的程序调试工具,如设置断点、以动画方式显示数据及其子程序(子VI)的结果、单步执行等等,便于程序的调试。

    LabVIEW(Laboratory Virtual Instrument Engineering Workbench)是一种用图标代替文本行创建应用程序的图形化编程语言。传统文本编程语言根据语句和指令的先后顺序决定程序执行顺序,而 LabVIEW 则采用数据流编程方式,程序框图中节点之间的数据流向决定了VI及函数的执行顺序。VI指虚拟仪器,是 LabVIEW 的程序模块。

    LabVIEW 提供很多外观与传统仪器(如示波器、万用表)类似的控件,可用来方便地创建用户界面。用户界面在 LabVIEW 中被称为前面板。使用图标和连线,可以通过编程对前面板上的对象进行控制。这就是图形化源代码,又称G代码。LabVIEW 的图形化源代码在某种程度上类似于流程图,因此又被称作程序框图代码。

    三,LabVIEW平台特点

    尽可能采用了通用的硬件,各种仪器的差异主要是软件。

    可充分发挥计算机的能力,有强大的数据处理功能,可以创造出功能更强的仪器。

    用户可以根据自己的需要定义和制造各种仪器。

    虚拟仪器研究的另一个问题是各种标准仪器的互连及与计算机的连接。目前使用较多的是IEEE488 或 GPIB协议。未来的仪器也应当是网络化的。

    LabVIEW(Laboratory Virtual instrument Engineering Workbench)是一种图形化的编程语言的开发环境,它广泛地被工业界、学术界和研究实验室所接受,视为一个标准的数据采集和仪器控制软件。LabVIEW 集成了与满足 GPIB、VXI、RS-232和 RS-485 协议的硬件及数据采集卡通讯的全部功能。它还内置了便于应用TCP/IP、ActiveX等软件标准的库函数。这是一个功能强大且灵活的软件。利用它可以方便地建立自己的虚拟仪器,其图形化的界面使得编程及使用过程都生动有趣。

    图形化的程序语言,又称为 “G” 语言。使用这种语言编程时,基本上不写程序代码,取而代之的是流程图或框图。它尽可能利用了技术人员、科学家、工程师所熟悉的术语、图标和概念,因此,LabVIEW是一个面向最终用户的工具。它可以增强你构建自己的科学和工程系统的能力,提供了实现仪器编程和数据采集系统的便捷途径。使用它进行原理研究、设计、测试并实现仪器系统时,可以大大提高工作效率。

    利用 LabVIEW,可产生独立运行的可执行文件,它是一个真正的32位/64位编译器。像许多重要的软件一样,LabVIEW提供了Windows、UNIX、Linux、Macintosh的多种版本。

    它主要的方便就是,一个硬件的情况下,可以通过改变软件,就可以实现不同的仪器仪表的功能,非常方便,是相当于软件即硬件!现在的图形化主要是上层的系统,国内现在已经开发出图形化的单片机编程系统(支持32位的嵌入式系统,并且可以扩展的),不断完善中(大家可以搜索 CPUVIEW 会有更详细信息;)

    四,LabVIEW平台应用领域

    LABVIEW有很多优点,尤其是在某些特殊领域其特点尤其突出。

    测试测量:
    LABVIEW最初就是为测试测量而设计的,因而测试测量也就是现在LABVIEW最广泛的应用领域。经过多年的发展,LABVIEW在测试测量领域获得了广泛的承认。至今,大多数主流的测试仪器、数据采集设备都拥有专门的LabVIEW驱动程序,使用LabVIEW可以非常便捷的控制这些硬件设备。同时,用户也可以十分方便地找到各种适用于测试测量领域的LabVIEW工具包。这些工具包几乎覆盖了用户所需的所有功能,用户在这些工具包的基础上再开发程序就容易多了。有时甚至于只需简单地调用几个工具包中的函数,就可以组成一个完整的测试测量应用程序。

    控制:
    控制与测试是两个相关度非常高的领域,从测试领域起家的LabVIEW自然而然地首先拓展至控制领域。LabVIEW拥有专门用于控制领域的模块----LabVIEWDSC。除此之外,工业控制领域常用的设备、数据线等通常也都带有相应的LabVIEW驱动程序。使用LabVIEW可以非常方便的编制各种控制程序。

    仿真:LabVIEW包含了多种多样的数学运算函数,特别适合进行模拟、仿真、原型设计等工作。在设计机电设备之前,可以先在计算机上用LabVIEW搭建仿真原型,验证设计的合理性,找到潜在的问题。在高等教育领域,有时如果使用LabVIEW进行软件模拟,就可以达到同样的效果,使学生不致失去实践的机会。

    儿童教育:
    由于图形外观漂亮且容易吸引儿童的注意力,同时图形比文本更容易被儿童接受和理解,所以LabVIEW非常受少年儿童的欢迎。对于没有任何计算机知识的儿童而言,可以把LabVIEW理解成是一种特殊的"积木":把不同的原件搭在一起,就可以实现自己所需的功能。著名的可编程玩具"乐高积木"使用的就是LabVIEW编程语言。儿童经过短暂的指导就可以利用乐高积木提供的积木搭建成各种车辆模型、机器人等,再使用LabVIEW编写控制其运动和行为的程序。除了应用于玩具,LabVIEW还有专门用于中小学生教学使用的版本。

    快速开发:
    根据笔者参与的一些项目统计,完成一个功能类似的大型应用软件,熟练的LabVIEW程序员所需的开发时间,大概只是熟练的C程序员所需时间的1/5左右。所以,如果项目开发时间紧张,应该优先考虑使用LabVIEW,以缩短开发时间。

    跨平台:
    如果同一个程序需要运行于多个硬件设备之上,也可以优先考虑使用LabVIEW。LabVIEW具有良好的平台一致性。LabVIEW的代码不需任何修改就可以运行在常见的三大台式机操作系统上:Windows、Mac OS 及 Linux。除此之外,LabVIEW还支持各种实时操作系统和嵌入式设备,比如常见的PDA、FPGA以及运行VxWorks和PharLap系统的RT设备。

    五,LabVIEW平台开发系统

    每位LabVIEW用户的起点都是开发系统,这一开发系统也是图形化编程的基础环境。 以下软件包的功能相辅相成,可帮助用户满足当前和未来的需求。

    LabVIEW包括基本版,完整版和专业版。

    LabVIEW基本版:
    图形化用户界面开发
    数据采集
    仪器控制
    报告生成和文件I/O

    LabVIEW完整版:
    700多个数学/分析函数
    外部代码集成 (.dll)
    互联网连接
    高级用户界面开发

    LabVIEW专业版:
    应用发布 (creat.exe)
    开发管理
    源代码控制
    网络通信

    本博文摘抄链接: https://baike.so.com/doc/2068940-2188708.html

    图片:
    在这里插入图片描述

    展开全文
  • 《Python数据分析从入门到精通》内容精练、重点突出、实例丰富,是广大数据分析工作者必备的参考书,同时也非常适合大、中专院校师生学习阅读,还可作为高等院校统计分析及相关专业的教材。 参考文献格式 : 张啸宇,...

    359549.jpg

    1-1Z611224GR13.png

    作 者 :张啸宇,李静编

    出版发行 : 北京:电子工业出版社 , 2018.02

    ISBN号 :978-7-121-33613-3

    页 数 : 316

    原书定价 : 69.00

    开本 : 16开

    主题词 : 软件工具-程序设计

    中图法分类号 : TP311.561 ( 工业技术->自动化技术、计算机技术->计算技术、计算机技术->计算机软件 )

    内容提要:对于希望使用Python来完成数据分析工作的人来说,学习IPython、Numpy、pandas、Matplotlib这个组合是目前看来不错的方向。《Python数据分析从入门到精通》就是这样一本循序渐进的书。《Python数据分析从入门到精通》共3篇14章。第1篇是Python数据分析语法入门,将数据分析用到的一些语言的语法基础讲解清楚,为接下来的数据分析做铺垫。第2篇是Python数据分析工具入门,介绍了Python数据分析"四剑客”——IPython、Numpy、pandas、Matplotlib。第3篇是Python数据分析案例实战,包括两个案例,分别是数据挖掘和玩转大数据,为读者能真更多...对于希望使用Python来完成数据分析工作的人来说,学习IPython、Numpy、pandas、Matplotlib这个组合是目前看来不错的方向。《Python数据分析从入门到精通》就是这样一本循序渐进的书。《Python数据分析从入门到精通》共3篇14章。第1篇是Python数据分析语法入门,将数据分析用到的一些语言的语法基础讲解清楚,为接下来的数据分析做铺垫。第2篇是Python数据分析工具入门,介绍了Python数据分析"四剑客”——IPython、Numpy、pandas、Matplotlib。第3篇是Python数据分析案例实战,包括两个案例,分别是数据挖掘和玩转大数据,为读者能真正使用Python进行数据分析奠定基础。《Python数据分析从入门到精通》内容精练、重点突出、实例丰富,是广大数据分析工作者必备的参考书,同时也非常适合大、中专院校师生学习阅读,还可作为高等院校统计分析及相关专业的教材。

    参考文献格式 : 张啸宇,李静编.Python数据分析从入门到精通[M].北京:电子工业出版社,2018.02.

    展开全文
  • 《Tableau数据可视化从入门到精通》第一版出版于2017年,读者反映较好,但是彼时基于Tableau的数据可视化仍然是一个发展迅速的事物。在本次更新修订的第二版中,对原书中一些章节的内容进行了修订,以阐述过去4年中...


                                                                                                  序 言

    《Tableau数据可视化从入门到精通》第一版出版于2017年,读者反映较好,但是彼时基于Tableau的数据可视化仍然是一个发展迅速的事物。在本次更新修订的第二版中,对原书中一些章节的内容进行了修订,以阐述过去4年中软件功能发生的变更和一些新特性等。此外,为了进一步提升本书读者的学习效果,在本版每个章节后,我们增加了上机操作题,供读者练习使用 ,并在随书配套的资料中添加了本书的PPT和学习视频等。

    本书基于Tableau的最新版本编写,详细介绍了Tableau 2020.1的数据连接功能、图形编辑与展示功能,包括软件的安装与激活、数据类型和运算符、连接数据源、基础操作、数据与图形的导出、连接大数据、基础图表、函数、高级数据操作、地图分析、故事、Tableau Online、Tableau Server等内容。

    本书的内容

    第1章介绍大数据时代的特征和挑战,数据可视化的新特性,以及目前主要的数据可视化软件。此外还简单介绍Tableau软件,包括Tableau Desktop、Tableau Prep、Taleau Online、Tableau Server、Tableau Mobile、Tableau Public、Tableau Reader。

    第2章介绍Tableau Desktop的新增功能,以及软件的数据类型、运算符、开始页面、以及软件的安装与激活。

    第3章介绍Tableau Desktop可以连接的数据源,包括Excel文件、文本文件、Access、统计文件等,还介绍了如何连接各类数据库,如SQL Server、MySQL、Oracle等。

    第4章首先介绍Tableau Desktop中维度和度量、连续和离散的概念和操作,然后介绍了工作区和工作表,并结合具体的案例进行讲解。

    第5章介绍Tableau Desktop的数据导出,包括数据文件导出、图片文件导出、PDF文件导出、PowerPoint文件导出。

    第6章和第7章介绍Tableau在大数据方面的应用,主要有:连接基本条件、主要步骤和注意事项等,同时还介绍了Tableau大数据引擎优化方法,以及如何提升连接性能。

    第8章介绍如何使用Tableau 生成一些统计图形,如条形图、饼图、直方图、折线图、散点图、树状图等。

    第9章介绍Tableau函数,包括数学函数、字符串函数、日期函数、类型函数、逻辑函数、聚合函数、直通函数、用户函数、表计算函数等,同时介绍了每类函数的用法和例子。

    第10章介绍Tableau的一些高级操作,如表计算、创建字段、创建参数、聚合数据和缺失值处理,并结合具体实例进行讲解。

    第11章介绍如何使用Tableau创建地图,包括设置角色、标记地图、添加字段信息、设置地图选项、创建分布图和自定义地图等。

    第12章介绍Tableau故事的概念,包括如何创建故事、修改故事点、设置故事格式和演示故事等。

    第13章介绍Tableau Online,包括如何导入工作簿、导入数据源、搜索内容等基础操作,如何创建用户站点角色、站点添加用户和导入现有用户等,如何创建和管理项目,以及为项目添加工作簿等。

    第14章介绍Tableau Server,包括安装的系统要求,安装步骤,以及如何配置服务器,包括常规配置、数据连接、通知和订阅、SMAL、OpenID等。

    第15章介绍网上超市运营分析案例,分别从客户分析、配送分析、销售分析、退货分析和预测分析等5个方面进行详细介绍。

    第16章介绍网站流量分析案例,分别从页面指标分析、访问量分析、浏览量分析、退出量分析和下载量分析等5个方面进行详细介绍。

    本书的特色

    (1)内容全面,讲解详细

    本书是一本百科全书式的Tableau著作,详细介绍了大部分常用功能,对于初次学习Tableau软件的读者来说帮助较大,书中列出了创建可视化数据分析视图的每一步操作,便于读者的练习实践。

    (2)由浅入深、循序渐进

    本书从Tableau简介、连接数据源、基础操作、高级操作到Tableau Online和Tableau Server等,逐步深入,从易到难,由浅入深,循序渐进,适合各个层次的读者阅读。

    (3)案例丰富,高效学习

    本书在介绍功能的同时,基本都是结合案例进行了操作,同时,为了使读者快速提高数据分析的整体能力,在本书的最后两章,列举了网上超市运营分析和网站流量分析两个案例。

    本书的读者对象

    本书的内容和案例适用于互联网、银行证券、咨询审计、快消品、能源等行业数据分析用户以及媒体、网站等数据可视化用户,可供高等院校相关专业学生以及从事数据分析的研究者参考使用,也可作为Tableau软件培训和自学的教材。

    由于编者水平所限,书中难免存在错误和不妥之处,请广大读者批评指正。

    作者微信公众号:Hanalyst。

    展开全文
  • 数据挖掘与数据分析(快速入门)

    千次阅读 2019-08-09 15:33:14
    所谓数据分析,即对数据进行分析,然后提取出一些有价值的信息,比如统计出平均数,标准差等信息,数据分析的数据量有时可能不会太大,而数据挖掘,是指对大量数据进行分析与挖掘,得到一些未知的,有价值的信息等,...

    什么是数据挖掘与数据分析:

    所谓数据分析,即对数据进行分析,然后提取出一些有价值的信息,比如统计出平均数,标准差等信息,数据分析的数据量有时可能不会太大,而数据挖掘,是指对大量数据进行分析与挖掘,得到一些未知的,有价值的信息等,比如从网站的用户或用户行为数据中挖掘出用户的潜在需求信息,从而对网站进行改善等。
    数据分析与数据挖掘密不可分,数据挖掘是数据分析的提升。

    数据分析与挖掘技术能做什么事情:

    数据挖掘技术可以帮我们更好的发现事物之间的规律。所以我们可以利用数据挖掘技术实现规律探索,比如发现窃电用户,发掘用户潜在需求,实现信息个性化推送,发现疾病与症状甚至疾病与药物之间的规律…等。

    数据挖掘的过程:

    数据挖掘过程主要有:
    1:定义目标
    2:获取数据(常用的手段有通过爬虫采取或者下载一些统计网站发布的数据)
    3:数据探索
    4:数据处理(数据清洗**[去掉脏数据],数据集成[集中],数据变换
    [规范化],数据规约
    [精简]**)
    5:完结建模(分类,聚类,关联,预测)
    6:模型评价与发布

    数据分析与挖掘相关模块简介与安装:

    本课概要:

    • 相关模块简介

    1:numpy可以高效的处理数据,提供数组支持,很多模块都依赖他,比如pandas,scip,matplotlib都依赖他,所以这个模块是个基础。
    2:pandas我们课后需用的最多的一个模块,主要用于数据探索和数据分析。
    3:matplotlib 作图模块,解决可视化问题。
    4:scip主要进行数值计算,同时支持矩阵运算,并提供了很多高等数据处理功能,比如积分,傅里叶变换,微分方程求解等。
    5:statsmodels 这个模块主要用于统计分析
    6:Gensim 这个模块主要用于文本挖掘
    7:sklearn,keras前者机器学习,后者深度学习

    • 相关模块的安装与技巧
      模块安装的顺序与方式建议如下:
      1:numpy,kml(下载安装)
      2:pandas
      3:mataplotlib
      4:scipy
      5:statsmodels
      6:Gensim
      在这里插入图片描述
      找到Setting
      在这里插入图片描述
      在这里插入图片描述
      搜索要下载的包下载即可:
      在这里插入图片描述
    • 相关模块的基本使用
      numpy的数组应用
      在这里插入图片描述
      Result:
      在这里插入图片描述

    KNN算法实现

    机器学习算法:KNN分类算法

    • KNN算法介绍:
      KNN,K-NearestNeighbork 又称k最邻近所谓K最邻近,就是K个最邻近的意思,说的是每个样本都可以用它最接近的k个人邻居来代表,是一种分类算法,用于参考已知的数据,对未知实例的类别进行判断

    • 算法流程
      将每个样本视作一个点
      1:载入数据,对数据进行必要的预处理
      2:设置参数k,k最好选择技术,因为后续进行归类的策略是少数服从多数,设置k为奇数的话总会有结果。
      3:计算待预测点与已知点之间的关系,这里的关系可以有多种方式来体现,常用如下:
      1:欧式距离(应用较广,其他及其算法也有广泛的应用),其计算方法:
      在这里插入图片描述
      4:之前确定了参数k,计算带预测点与已知点之间的距离衡量,将计算结果进行从小到大排序,取取前k 个点
      5:将待预测点归为一类为多数的哪一个类别,这便是对于未知点的预测结果
      KNN算法实现:python

               import numpy as np
               import operator
               import matplotlib.pyplot as plt
               class KNN(object):
                   def __init__(self,k=3):
                       self.k=k
                   def fit(self,x,y):
                       self.x=x
                       self.y=y
                   def _squqre_distance(self,v1,v2):
                       return np.sum(np.square(v1-v2))
                   def vote(self,ys):
                       ys_unique = np.unique(ys)
                       vote_dict = {}
                       for y in ys:
                           if y not in vote_dict.keys():
                               vote_dict[y]=1
                           else:
                               vote_dict[y]+=1
                       sorted_vote_dict = sorted(vote_dict.items(),key=operator.itemgetter(1),reverse=True)
                       return  sorted_vote_dict[0][0]
                   def predict(self,x):
                       y_pred=[]
                       for i in range (len(x)):
                           dist_arr = [self._squqre_distance(x[i],self.x[j])for j in range(len(self.x))]
                           sorted_index = np.argsort(dist_arr)
                           top_k_index =sorted_index[:self.k]
                           y_pred.append(self.vote(ys=self.y[top_k_index]))
               return np.array(y_pred)
             def score(self,y_true=None,y_pred=None):
               if y_true is None or y_pred is None:
                    y_pred = self.predict(self.x)
                    y_true = self.y
               score = 0.0
               for i in range(len(y_true)):
                   if y_true[i]== y_pred[i]:
                       score+=1
               score/=len(y_true)
               return  score
      

    ‘’‘data genernation’’’

    np.random.seed(272)#利用随机数种子,每次生成的随机数相同
    #print(np.random.randn(1,5))
    data_size_1 = 300
    #正态分布式画图
    x1_1 = np.random.normal(loc=5.0,scale=1.0,size=data_size_1)
    x2_1 = np.random.normal(loc=4.0,scale=1.0,size=data_size_1)
    y1=[0 for _ in range(data_size_1)]
    
    data_size_2=400
    x1_2 = np.random.normal(loc=10.0,scale=2.0,size=data_size_2)
    x2_2 = np.random.normal(loc=8.0,scale=2.0,size=data_size_2)
    y2=[1 for _ in range(data_size_2)]
    
    #列向量进行拼接
    x1 = np.concatenate((x1_1, x1_2),axis=0)
    x2=np.concatenate((x2_1,x2_2),axis=0)
    x = np.hstack((x1.reshape(-1,1),x2.reshape(-1,1)))
    y=np.concatenate((y1,y2),axis=0)
    
    data_size_all=data_size_1+data_size_2
    shuffled_index= np.random.permutation(data_size_all)
    x = x[shuffled_index]
    y = y[shuffled_index]
    
    split_index =int(data_size_all*0.7)
    x_train = x[:split_index]
    y_train = y[:split_index]
    x_test = x[split_index:]
    y_test = y[split_index:]
    #visual data
    plt.scatter(x_train[:,0],x_train[:,1],c=y_train,marker='.')
    plt.show()
    plt.scatter(x_test[:,0],x_test[:,1],c=y_test,marker='.')
    plt.show()
    #data preprocessing
    x_train = (x_train-np.min(x_train,axis=0))/(np.max(x_train,axis=0)-np.min(x_train,axis=0))
    x_test = (x_test-np.min(x_test,axis=0))/(np.max(x_test,axis=0)-np.min(x_test,axis=0))
    
    clf = KNN(k=3)
    clf.fit(x_train,y_train)
    score_train=clf.score()
    print('train accuarcy:{:.3}'.format(score_train))
    y_test_pred =clf.predict(x_test)
    print('train accuarcy:{:.3}'.format(clf.score(y_test,y_test_pred)))
    
    展开全文
  • 一、大数据分析的五个基本方面 1、可视化分析 大数据分析的使用者有大数据分析...大数据分析的理论核心就是数据挖掘算法,各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点,...
  • 一般将之定义为Data Mining技术的CART、CHAID或模糊计算等等理论方法,也都是由统计学者根据统计理论所发展衍生,换另一个角度看,Data Mining有相当大的比重是由高等统计学中的多变量分析所支撑。但是为什么Data ...
  • 大数据时代正在变革着我们的生活、工作和思维,如何让大数据更有意义,使之更贴近大多数人,最重要的手段之一就是数据可视化,数据可视化是关于数据视觉表现形式的技术,这种数据的视觉表现形式被定义为,一种以某种...
  • 适用于高等学校GIS专业、测绘工程、国土测绘与规划等专业,大学本科研究ArcGIS实验教程:ArcGIS 10.2手把手图文安装教程 ArcGIS实验教程——实验一:ArcGIS软件的认识与使用 ArcGIS实验教程——实验二:地理配准完整...
  • 中山大学 数学实验与数学软件 第01章 MATLAB软件入门(共46页).pptx 中山大学 数学实验与数学软件 第02章 MATLAB编辑器与符号计算(一)(共43页).pptx 中山大学 数学实验与数学软件 第03章 MATLAB符号计算(二) ...
  • 8.1 MATLAB入门;图8-1 MATLAB工作界面 ; 命令窗口是用于输入数据运行MATLAB函数并显示结果的窗口是工作的主平台其中>为运算提示符表示MATLAB正处于准备状态. 在提示符后输入一段命令并按Enter键后MATLAB将输出运算...
  • 2020前端学习路线收集整理

    千次阅读 多人点赞 2019-12-08 15:05:24
    当然还有比如说网络协议、浏览器工作原理、数据结构与算法也都是比较重要的、如果你对高等数学、线性代数、概率统计比较感兴趣的话也可以去学习学习,谢谢查阅 :) 20200421添加: 在学到一个知识点的时候如果还是...
  • 今天这篇文章是居士推荐的宝器兄,在知乎上的一个问答,超级菜鸟如何入门数据分析?文章很精彩,值得收藏~回答全文大致如下(全文很长,建议收藏阅读):经常看到很多朋友会问,入行数据分析之前我要...
  • 点击上方“涛哥聊Python”,选择“星标”公众号重磅干货,第一时间送达来源:数据管道今天这篇文章是宝器在知乎上的一个问答,超级菜鸟如何入门数据分析?(...
  • 机器学习(一):什么是机器学习

    千次阅读 2019-02-02 16:11:56
    大家感兴趣也可以自己去看一看吴恩达老师的课,这套课程,被公认为最好的机器学习的入门教程,下面是课程视频链接: 斯坦福大学公开课 :机器学习课程 一、人工智能和机器学习、深度学习有什么关系 首先我们来...
  • 一文入门基于三维数据的深度学习

    千次阅读 2020-07-26 23:59:26
    本文转载自北京智源人工智能研究院。这是一篇三维数据深度学习的入门好文,兼顾基础与前沿,值得收藏!为方便大家学习,本文PDF版本和所列出的所有文献提供下载,(2020年7月27日11点后)...
  • 上一篇有说到《Python从入门到实战》这本书,这段时间我已经读完了,里面更多的是Python的一些使用基础,如果这一主题的文章继续围绕这本书就不太合适了,我自己也想加快一下学习的速度,做一些更有价值的总结,所以...
  • Python-数据统计入门

    2017-09-05 21:01:45
    是一种使用Numpy来做高等数学,信号处理,优化,统计的扩展包; from scipy import linalg A = =np.array([[1,2],[3,4]]) linalg.det(A) 做矩阵的行列式算 Pandas: 也是基于numpy;高级数据结构和精巧的...
  • 本专栏以实战为主,通过解决数据挖掘的实际问题带领零基础的学习者入门机器学习领域。 1. 选择一个行业成熟的系统化流程(CRISP-DM); 2. 选择适合初学者入门的工具平台(基于 Pyrhon 的 Orange); 3. 专注于...
  • 2 数据类型 3 表达式 4 在线评判系统 03 判断与循环 课时 1 判断 2 循环 04 进一步的判断与循环 课时 1 逻辑类型和运算 2 级联和嵌套的判断 3 多路分支 4 循环的例子 5 判断和循环常见的错误 05 循环控制 课时 1 ...
  • , 《ASP.NET 4.0从入门到精通》内容丰富,结构清晰,语言简练,图文并茂,具有很强的实用性和操作性,是一本适合于各高等院校及社会培训的优秀教材,也是广大初、中级软件开发爱好者的自学参考书。
  • Oracle11g从入门到精通2

    2014-06-04 13:47:10
    不仅适合作为高等院校本/专科计算机软件、信息系统、电子商务等相关专业的数据库课程教材,同时还适合作为各种数据库技术培训班的教材以及数据库开发人员的参考资料。 目录 前言 第1章 Oracle数据库概述 1.1...
  • 统计学入门推荐书:《商务与经济统计学》 如果你是理工科背景、或者在本科学习过高等数学,可以选择《商务与经济统计学》,其中大量的实际案例能让你更容易补全知识体系、上手实际应用。 如果你的数学基础较弱,...
  • 如果您计划成为一名数据分析师,目标是提升数据...CDA数据分析研究院的老师指导您零基础入门数据分析,以下将针对零基础学员介绍数据分析的流程。 第一:锻炼数据分析思维 核心数据分析思维: 1.结构化: 也叫做金字...
  • 带你入门Java网络爬虫

    千次阅读 2019-12-06 07:15:28
    记得,在本科时,因为毕业论文需要不少网络上的用户的问答数据。最开始,我并没有搞过网络爬虫,只能利用关键词搜索的方式,找到相关的数据,然后一条一条复制。你可能觉得这样很傻,但不得不承认这确实我最初的操作...
  • C语言程序入门(零基础入门

    千次阅读 2021-10-16 19:20:42
    运算方便、数据结构丰富、适用范围广、执行效率高等特点在全世界迅速推广。c语言也是其他众多高级语言的鼻祖语言,所以学习c语言是进入编程世界的必修课。 一 C语言的书写规则 (1)一个说明或一个语句占一行。 ...
  • 这本书以python语言为载体,介绍了数据科学的基本概念和相关的数学方法。本书也是O'Reilly系列丛书之一,作者为格鲁斯(Joel Grus)。
  • 一个月不走弯路快速入门学python和python数据分析路线,呕心沥血加班加点做了2天,一共63页,该课件讲的都是路线中的核心知识,今天把该PPT分享给大家,能根据该课件提到的知识有针...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 8,430
精华内容 3,372
关键字:

高等数据入门