- 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 4-9 更多有关k近邻算法的思想
本小节主要使用kNN算法解决回归问题的思路以及回顾总结前面学习到的知识。
66300发布于 2019-11-13 - 来自专栏二猫の家
GEE代码实例教程详解：地表温度长时间序列分析
通过结合Landsat 4-9的数据，我们将探索1982年至2024年间地表温度的变化趋势。 背景知识 Landsat数据集 Landsat数据集提供了多时相、多光谱的地表观测数据，是遥感领域中应用最广泛的数据集之一。 加载Landsat数据集 加载Landsat 4-9的数据集，并根据时间范围、地理范围和质量条件进行筛选。 3.
1.2K10编辑于 2024-07-09 尼康五年来首度营业亏损，下调全年光刻机销量
11月6日，日本相机及光刻机大厂尼康（Nikon）公布了2026财年上半年（2025年4-9月）财报。 从主营业务来看，今年4-9月期间精机业务（包含半导体光刻、FPD光刻设备）营收较去年同期减少14.3%至698.86亿日元、营业利润受益于结构改革效益而暴涨222.6%至30.44亿日元；图像业务（相机业务 从产品销量来看，4-9月期间，尼康半导体光刻机销量为9台，低于去年同期的10台；FPD光刻设备销量为15台，低于去年同期的16台；尼康单反相机全球销售量同比增长17%至48万台、更换用镜头销售量同比增长
65210编辑于 2026-03-19- 来自专栏bit哲学院
Python编程学习——运用python编写简单的计算器程序
其中包含加减乘除，括号以及空格的算式，并且优先计算最里的括号的算式，例如1+ 22*3 2-2 2*(2 3 1+34*33/4+55*(1 2-5 *8+7/ 9)+(20+(39/13+8)+8*4- 9)+7 8/9-10*76+(8 6*9)) 二、要求与知识点： 1、要求不能使用 eval() 的方法 2、字符串的处理 3、正则表达式的使用，re模块 4、递归函数的使用 三、程序的大概思路 main_func() print(main_func()) print(eval("1+22*32-22*(231+34*33/4+55*(12-5*8+7/9)+(20+(39/13+8)+8*4- main_func()): 20704.222222222226 eval计算结果： 20704.222222222226 ''' 四、小结 通过该简单程序的编写，对相应的知识点得到了熟悉与加深
1.3K00发布于 2020-12-31 - 来自专栏Ms08067安全实验室
最新SQL注入漏洞原理及与MySQL相关的知识点
MySQL中与SQL注入漏洞相关的知识点 在详细介绍SQL注入漏洞前，先介绍MySQL中与SQL注入漏洞相关的知识点。 图4-8 COLUMNS表存储该用户创建的所有数据库的库名、表名和字段名，如图4-9所示。 图4-9 常用的MySQL查询语句和语法如下。
89760编辑于 2023-09-11 - 来自专栏二猫の家
GEE代码实例教程详解：长时间序列NDVI分析
背景知识 Landsat数据集 Landsat是美国地质调查局和美国航天局联合发射的一系列卫星，提供地表的长时间序列、中等分辨率的遥感数据。 , 'SR_B4']).rename('ndvi'); return ndvi.copyProperties(img, img.propertyNames()); } // 筛选Landsat 4- 筛选和处理Landsat数据集 分别筛选Landsat 4-9的数据集，应用相应的NDVI计算函数，并处理SLC偏移问题。 6.
2.2K11编辑于 2024-07-09 - 来自专栏bit哲学院
Python编程学习——运用python编写简单的计算器程序
其中包含加减乘除，括号以及空格的算式，并且优先计算最里的括号的算式，例如1+ 22*3 2-2 2*(2 3 1+34*33/4+55*(1 2-5 *8+7/ 9)+(20+(39/13+8)+8*4- 9)+7 8/9-10*76+(8 6*9)) 二、要求与知识点： 1、要求不能使用 eval() 的方法 2、字符串的处理 3、正则表达式的使用，re模块 4、递归函数的使用 三、程序的大概思路 main_func() print(main_func()) print(eval("1+22*32-22*(231+34*33/4+55*(12-5*8+7/9)+(20+(39/13+8)+8*4- main_func()): 20704.222222222226 eval计算结果： 20704.222222222226 ''' 四、小结 通过该简单程序的编写，对相应的知识点得到了熟悉与加深
1.5K40发布于 2021-01-27 - 来自专栏深度学习和计算机视觉
【从零学习OpenCV 4】直方图匹配
在代码清单4-9中给出了实现直方图匹配的示例程序。 程序中待匹配的原图是一个图像整体偏暗的图像，目标直方图分配形式来自于一张较为明亮的图像，经过图像直方图匹配操作之后，提高了图像的整体亮度，图像直方图分布也更加均匀，程序中所有的结果在图4-8、图4-9给出 代码清单4-9 myHistMatch.cpp图像直方图匹配 1. #include <opencv2\opencv.hpp> 2. #include <iostream> 3. 4. 图4-9 myHistMatch.cpp程序中给图像的直方图
3.1K30发布于 2019-12-24 - 来自专栏人工智能头条
资源 | Python数据分析课程：从入门到实战
以下是课程内容介绍： ▌课程主题 介绍/审查命令行 Python 基础知识及其数据类型 数据分析软件包 Numpy 和 Pandas 绘图软件包 Matplotlib 和 Seaborn 统计学 常用表达 第 4-9 课将介绍如何使用 Python 进行编程。主要内容将是 Learn Python 3 the Hard Way。
1.7K30发布于 2018-06-05 - 来自专栏机器学习-大数据
动手学深度学习--基础知识上篇
动手学deep learning ☁️本专栏会定期更新关于动手学深度学习的每章知识点的讲解，题目答案 如果喜欢，欢迎点赞，收藏 动手学深度学习-预备知识篇 线性代数篇 1-3题讲解 证明一个矩阵 torch.tensor(([4,2,3,4],[42,12,56,88],[74,32,12,44],[9,93,32,12])) print((Y+Y.T)),print((Y+Y.T).T) 运行结果 4- sqrt((W2*W2).sum(axis = [0,1]))) print(sum(sum(W2*W2))) print((W2*W2).sum(axis = [0,1])) 运行结果 下篇预备知识
60520编辑于 2023-10-16 - 来自专栏有三AI
【知识图谱】知识表示：知识图谱如何表示结构化的知识？
如何将这些信息有效组织起来，进行结构化的存储，就是知识图谱的内容。 那么，在知识图谱中以什么样的形式对现实世界中的知识进行表示与存储呢？本编介绍知识图谱中的知识表示，以回答上面的问题。 作者&编辑 | 小Dream哥 1 什么是知识表示 知识表示是知识图谱中非常重要的概念，知识表示之于知识图谱的重要性，就好比内功心法之于绝世武功的重要性。 知识图谱中的知识表示也是如此，例如，要对所存储的知识进行应用，其中最关键的就是要能够进行知识的推理，而知识的表示形式和手段决定了知识推理的形式和难度；此外，知识表示的形式也决定了知识获取的形式和难度。 现在流行的知识图谱采用的是哪一套知识表示的方法呢？下面来进行介绍。 2 知识表示的方法 知识图谱，或者说知识系统的研究其实由来已久。 在知识图谱中，知识表示有知识定义（知识体系）与知识实例两个层面。 知识定义（知识体系）描述了本体以及本体之间的关系，是上层建筑。知识实例是本体的一个一个实例，对应的是真实的数据存储层。
6.3K21发布于 2019-11-26 - 来自专栏云计算linux
硬件知识 网络基础知识
如何判断电脑是否互通 ping命令可以判断是否和其他主机互通 ping ip地址
30800编辑于 2024-12-07 - 来自专栏机器学习AI算法工程
知识图谱入门 ， 知识抽取
知识抽取的概念 知识抽取，即从不同来源、不同结构的数据中进行知识提取，形成知识(结构化数据)存入到知识图谱。大体的任务分类与对应技术如下图所示： ? 远程监督 该方法认为若两个实体如果在知识库中存在某种关系,则包含该两个实体的非结构化句子均能表示出这种关系。如在某知识库中存在“创始人(乔布斯，苹果公司)”。 同时由于是在知识库中抽取存在的实体关系对，因此很难发现新的关系。 面向结构化数据的知识抽取 所谓结构化数据就是指类似于关系库中表格那种形式的数据，他们往往各项之间存在明确的关系名称和对应关系。因此我们可以简单的将其转化为RDF或其他形式的知识库内容。 百科类知识抽取 对于百科类数据我们都较为熟悉，下面着重介绍怎么从百科里抽取知识： ? 上图给出从百科里抽取知识的流程介绍。
4.1K20发布于 2019-10-28 - 来自专栏六个周
Week1-需求分析与架构设计
项目预览、体系关系图、知识点图谱等。 收获：具有web前端架构师能力、亲身精力实战研发过程、拥有架构师思维。 对前置知识：TS/Vue/React/Webpack/nodejs等自行查漏补缺。 整体架构设计范本 4-9 本周总结以及下一步操作 第五章 本周总结 ---- 5-1 本周总结 以架构师思维分析需求、理解需求，写整体技术方案设计。
61130编辑于 2022-10-28 个人知识管理中的元知识和知识的复用
如果沿用到元知识上，那么元知识应该是知识的知识，即知识本身应该是一种什么结构，什么类型，符合什么样的约束，具备哪些特点，这些可以称为元知识。 用最简单的一句话，元知识应该是我们对所有的知识进行了分析和观察后抽象出来的知识的共性特征和属性定义，如当我们说一个知识是应用到哪个领域，哪个维度即元知识。 这个理解清楚后，就必须再讲组合知识，组合知识是多个元知识点经过推理和论证出来的大家公认正确的公理或定理知识，叫组合知识。 组合知识粒度会更大一些，没有元知识容易复用，但是组合知识的好处就是在复用组合知识的时候，不需要再一步一步的用元知识去证明。 最后再返回来谈下我最前面的给元知识的定义，即知识的知识，元知识即对知识的结构，组织形式，类型，维度，知识关系，线索等的理解和定义。那么这个元知识在哪里使用？
29600编辑于 2025-06-24我用 WorkBuddy 一句话搓出自主学习台，迭代 16 次后总结这套方法
图④：V1极简验证版（迭代1-3）——三个按钮就是全部，丑但能跑阶段二：扩展（迭代4-9）当基础闭环跑顺后，我开始围绕"学习"这个场景做加法。 图⑤：V4加模块版（迭代4-9）——围绕学习场景做加法，页面开始变厚阶段三：贯通（迭代10-16）最后几次迭代，做的全是"连接"，也是整个台子从"工具"变成"中枢"的转折点。 所谓五模块，是每个知识点卡片下面挂的五个标签：思维导图：把零散知识捋成一张结构化网（比如"一元二次方程"——概念、直接开平方法、配方法、公式法，娃清楚知道"就这四种情况"）五模块之一：思维导图——让娃看到知识的全貌 五模块就是我提前整理好的"内容燃料"——接进工作台后，娃点开任何一个知识点，底下都是现成、和课标同步、经过验证的五个维度。 导入后绿色提示——文件已本地化存储，模块直接打开，不再依赖原始路径六、一图看全貌：16次迭代时间线前面三个阶段的界面证据都看过了，这里把整条时间线拉通，方便你对照自己的进度：图②：验证（1-3）→扩展（4-
1.7K23编辑于 2026-08-08- 来自专栏陈黎栋的专栏啦
知识图谱基础知识
Ontology （本体或本体论） 知识图谱 语义网络，语义网，链接数据和知识图谱 （二）－－基础篇.https://blog.csdn.net/qq_19707521/article/details/
2.2K30发布于 2020-02-18 - 来自专栏GiantPandaCV
知识蒸馏综述: 知识的类型
这篇是知识蒸馏综述的第一篇，主要内容为知识蒸馏中知识的分类，包括基于响应的知识、基于特征的知识和基于关系的知识。 1知识蒸馏简介 定义：知识蒸馏代表将知识从大模型向小模型传输的过程。 知识蒸馏的核心研究：如何将知识从大模型传递给小模型。 因此中间层的特征也可以作为知识的载体，供学生网络进行学习。 基于特征的知识可以视为基于响应的知识的一个扩展。 4基于关系的知识（Relation-Based Knowledge) 基于关系的知识进一步扩展了基于响应的知识以及基于特征的知识，更全面深入的探索了不同层、不同数据样本之间的关系。 ，比如数据的结构化知识、输入特征的专有知识等。
1.5K20发布于 2021-12-02 - 来自专栏机器学习AI算法工程
知识图谱入门 ， 知识问答
知识问答简介 问答系统的历史如下图所示： ? 可以看出，整体进程由基于模板到信息检索到基于知识库的问答。基于信息检索的问答算法是基于关键词匹配+信息抽取、浅层语义分析。 基于知识库的问答则基于语义解析和知识库。 根据问答形式可以分为一问一答、交互式问答、阅读理解。 即将自然语言问句与知识库中的本体概念相映射的过程。 对于resource 和 class实体识别，用WordNet 定义知识库中标签常用方法或计算字符串相似度。 逻辑表达式 逻辑表达式是一种能让知识库”看懂“的表示，可以表示知识库中的实体、实体关系,并且可以想数据库语言一样，进行Join，求教及和聚合等操作。 逻辑形式通常可分为一元形式和二元形式，一元实体是指对应知识库中的实体，二元实体关系是对应知识库中所有与该实体相关的三元组中的实体对。
3.1K20发布于 2019-10-28 - 来自专栏常用算法专栏
常用的排序算法之桶排序（Bucket Sort）
确定桶的数量和范围：假设我们使用5个桶，每个桶的范围是0-1, 1-2, 2-3, 3-4, 4-9。 将数据放入对应的桶中： 桶0（0-1）: 无数据 桶1（1-2）: [1] 桶2（2-3）: [2, 2, 3, 3] 桶3（3-4）: [4] 桶4（4-9）: [8] 对每个桶内的数据进行排序：
76710编辑于 2025-04-05
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