- 博客(14)
- 收藏
- 关注
RSS订阅原创 Git 命令行教程：配置 SSH 密钥高效克隆与管理项目
本文提供Git配置与克隆的完整指南，涵盖SSH密钥生成、GitHub公钥配置和项目克隆操作。重点讲解SSH密钥的生成方法（使用ssh-keygen命令）、公钥上传GitHub流程，以及HTTPS/SSH两种克隆方式的区别。特别说明首次SSH连接时的主机验证机制，并给出权限设置、多密钥管理等实用建议。通过SSH方式连接可避免重复认证，提升代码管理效率，适合需要频繁操作仓库的开发者。文中包含详细命令行操作示例和可视化配置截图，帮助用户快速完成环境搭建。
2025-09-17 20:29:07
1054
原创 逻辑回归（三）：从原理到实战-训练，评估与应用指南
本文深入探讨鸢尾花分类项目中的数据可视化核心步骤。超越基础的df.describe()，我们通过绘制特征分布直方图、相关性热力图和散点图矩阵，直观评估数据质量、特征效用与模型选择依据。文章详解代码实现与图表解读，旨在培养你的数据直觉，明白为何可视化是模型成功不可或缺的一环。这是一份从实践出发的“避坑”指南，助你为机器学习打下坚实基础。
2025-09-14 19:30:00
1316
原创 逻辑回归（二）：从原理到实战 - 训练、评估与应用指南
从数据异常到预测模型：手把手教你搞定鸢尾花分类项目！想实战机器学习却不知从何下手？ 本文以经典的鸢尾花数据集为例，带你跨出最关键的第一步！你将会学到：如何快速“读懂”你的数据，一眼发现隐藏的异常值和陷阱？数据预处理的完整流水线：从清洗缺失值、编码文本标签，到标准化特征。 我们不只讲理论，更提供每一步的可运行代码和结果分析，让你真正理解每个步骤背后的意义，轻松复现到自己的项目中。完美的数据预处理是模型成功的基石。 本文将为你打好这个基础，下一篇我们将一起训练多个模型并科学评估它们的表现！
2025-09-13 15:54:19
1222
原创 Conda 环境管理与 PyCharm 集成实战：从创建到包安装的全方位指南
Conda 有一个官方的默认仓库（Anaconda 仓库），其中包含了大量常用的包。
2025-09-10 23:08:12
1172
原创 【机器学习十大算法】逻辑回归(一）
本期文章深入浅出地讲解了逻辑回归的核心思想。虽然名字中带有“回归”，但它实质上是一个二分类算法，用于预测样本属于某个类别（如“是/否”）的概率，而非连续的数值。线性计算：像线性回归一样，计算特征的加权和（z概率映射：通过神奇的Sigmoid 函数，将任意范围的z值平滑地、非线性地压缩到(0, 1)区间，将其转化为一个概率值。这是逻辑回归得名的原因，也是它能完成分类任务的关键。决策分类：设定一个阈值（通常为0.5），将得到的概率转化为最终的类别标签。为了找到最佳的模型参数，文章引入了似然函数的概念。
2025-09-09 22:48:15
1242
原创 Visual Studio 2022 安装失败？可能是路径长度惹的祸！
摘要： 从VS2019升级到VS2022时，因安装路径过长（超50字符）导致报错且无明确提示。尝试多种清理方法无效，最终缩短路径解决。原因是复杂安装过程易超出系统路径处理极限。关键教训：首次安装必须选简短路径（如C:\VS2022\），安装后无法修改路径，失败时优先检查路径长度并使用官方卸载工具清理。提前规划路径可避免重复安装问题。
2025-09-06 23:39:07
637
原创 【机器学习十大算法】线性回归(二）
本文介绍了梯度下降算法在机器学习优化中的应用。通过"下山"的比喻，解释了梯度下降的核心思想：通过计算损失函数的梯度（最陡下降方向），以适当步长（学习率）迭代更新模型参数，逐步逼近最优解。文章分析了三种梯度下降方法：批量梯度下降（计算精确但慢）、随机梯度下降（快速但不稳定）和小批量梯度下降（平衡效率与稳定性，最常用）。同时指出该方法可能陷入局部最优的局限性。内容注重直观理解，避开了复杂数学推导，适合初学者建立基本认知。
2025-09-05 21:22:30
987
原创 解决冷门数据集下载难题：QIN LUNG CT的qBittorrent优化方案
本文介绍获取QINLUNGCT肺癌CT影像数据集的详细方法及下载优化技巧。数据集可通过BitTorrent客户端下载，推荐使用qBittorrent。针对学术资源下载慢的问题，提供两种优化方案：一是调整qBittorrent设置，包括取消限速、增加连接数等；二是更新Tracker列表，通过添加公共Tracker服务器来提高下载速度。这些方法能有效改善冷门种子的下载体验，帮助研究者更高效地获取医学影像数据。
2025-09-04 19:15:00
1121
原创 【机器学习十大算法】线性回归(一）
本文以侦探破案为类比，通俗易懂地解释了线性回归的核心概念和误差项假设。文章首先将线性回归比作侦探的"经验法则"，通过自变量（如房间数量、天气因素）预测目标变量（物品丢失数量），并引入误差项代表模型无法解释的随机因素。重点剖析了误差项的四个关键假设：独立性（案件间互不影响）、同分布（误差波动程度相似）、零均值（无系统性偏差）和高斯分布（误差呈钟形分布）。这些假设保证了模型的无偏性、最优性和统计推断的有效性。文章最后指出实际应用中这些假设可能不完美满足，并简要介绍了相应的解决方法。全文在严谨
2025-09-03 10:34:29
943
原创 MobX Store 与小程序页面：实现数据与行为的无缝集成
本期介绍了如何将MobX store绑定到小程序页面生命周期中，实现全局数据管理。主要步骤包括：1）在页面.js文件中导入createStoreBindings和store实例；2）在onLoad生命周期中调用createStoreBindings，配置需要绑定的数据字段(fields)和方法(actions)；3）在onUnload中销毁绑定防止内存泄漏。通过这种方式，页面可以直接访问store中的数据和方法，并实现响应式更新。
2025-09-02 21:39:10
414
原创 解锁小程序全局状态管理：MobX 状态共享实战指南
我们定义了一个名为 updateNum1 的 MobX Action。MobX 会拦截这个调用，并在一个名为 updateNum1 的事务中执行。在事务内部，this.numA 的值会增加 step。MobX 会追踪这个对 this.numA 的修改。一旦 updateNum1 函数执行完毕，MobX 就会通知所有监听 this.numA 变化的地方（例如 UI 组件），让它们根据新的 numA 值进行更新。
2025-09-01 22:00:54
721
原创 解决 Docker Compose 启动失败：快速配置 Docker 国内镜像源
更换国内镜像源提速 在使用 Docker 进行项目部署时，`docker compose up -d` 命令是常用的启动方式。这通常意味着 Docker 在从 Docker Hub 下载镜像时发生了网络超时。本文将介绍如何通过更换国内镜像源来解决这个问题，提升开发效率。docker compose up -d网络超时的问题。在docker中调整下载镜像源地址。
2025-08-31 18:12:22
1524
原创 告别回调地狱！微信小程序API Promise化实战指南 (@miniprogram-api-promise)
本文介绍了如何通过npm包实现API的Promise化。API Promise化是指将基于回调函数的异步API改造为基于Promise的形式，以提升代码可读性和避免回调地狱。具体步骤包括：1)安装miniprogram-api-promise包；2)在app.js中导入promisifyAll方法；3)将wx对象方法转换为Promise形式。这种改造使异步操作更清晰易管理，只需获取"结果凭证"即可等待操作完成。实现后可直接调用Promise化的API方法。
2025-08-24 18:11:43
422
原创 【计算机视觉 在CVAT中导出YOLO格式数据文件，详细解析文件内容，小白新手必看！】
YOLO格式数据导出与文件解析：CVAT导出的YOLO格式数据包含obj_train_data文件夹（存储顺序命名的视频帧图像）。配套文件包括：1）YOLO标注文件（与图像同名，含类别ID和边界框信息）；2）train.txt（训练图像路径列表）；3）obj.names（类别名称列表，行号对应类别ID）；4）obj.data（配置文件，定义类别数、训练集路径等关键参数）。这些文件共同构成YOLO模型训练所需的标准数据集结构，其中命名规则和路径配置对训练过程至关重要。
2025-07-17 23:08:39
416
Java 课程设计利器：移动电源租赁系统 (附源码+超详细报告)
2025-09-02
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人