也许有一天我们再相逢 睁开眼睛看清楚 我才是英雄！

数据结构_赫夫曼树、赫夫曼编码及其应用(数据的压缩和解压)

软件获取方式：1.直接下载（https://download.csdn.net/download/admin_maxin/19720209）；2.关注UP

软件安装视频教程见B站“小星课堂” 软件获取方式： 1.直接下载： 2.关注bozhu

压缩包内含有注册工具 安装及注册教程可看该博文，视频教程可至bilibili中搜索“小星课堂”进行查看

相关关键安装包可至本人上传资源处获取（仅需5积分）

一、结构方程模型的概念结构方程模型（Structural Equation Model,简称SEM）是基于变量的协方差矩阵来分析变量之间关系的一种统计方法，因此也称为协方差结构分析。结构方程模型属于多变量统计分析，整合了因素分析与路径分析两种统计方法，同时可检验模型中的显变量（测量题目）、潜变量（测量题目表示的含义）和误差变量直接按的关系，从而活动自变量对因变量影响的直接效果、间接效果和总效果。结构方程模型基本上是一种验证性的分析方法，因此通常需要有理论或者经验法则的支持，根据理论才能构建假设的模型

目录1.什么是CDN2.为什么访问速度慢、下载慢？3.如何解决？4.参考博客链接1.什么是CDNCDN，Content Distribute Network，可以直译成内容分发网络，CDN解决的是如何将数据快速可靠从源站传递到用户的问题。用户获取数据时，不需要直接从源站获取，通过CDN对于数据的分发，用户可以从一个较优的服务器获取数据，从而达到快速访问，并减少源站负载压力的目的。2.为什么访问速度慢、下载慢？github的CDN被某墙屏了，由于网络代理商的原因，所以访问

1.Windows 10中桌面版GitHub客户端安装官网（https://www.git-scm.com/download/）下载.exe运行文件 双击安装.exe文件（安装步骤如下图：默认操作步骤并未进行截图展示） 安装完成后，鼠标右键单击会有两个选项（Git GUI Here + Git Bush Here），桌面也可能会有Git Bash的软件运行图标2.GitHub仓库的创建官网（https://github.com/）注册一个GitH

整个过程一般可以概括为四部分，语料预处理->特征工程->模型训练->指标评价第一部分：语料预处理通过语料清洗、分词、词性标注、去停用词四个大的方面来完成语料的预处理工作。（1）语料清洗数据清洗，顾名思义就是在语料中找到我们感兴趣的东西，把不感兴趣的、视为噪音的内容清洗删除，包括对于原始文本提取标题、摘要、正文等信息。对于爬取的网页内容，去除广告、标签、HTML、JS 等代码和注释等。常见的数据清洗方式有：人工去重、对齐、删除和标注等，或者规则提取内容、正则表达式匹配、根.

下图为个人整理的人工智能学习框架图，部分内容并未展开，仅供个人学习使用，感兴趣的小伙伴可以关注博主，评论区留下邮箱，博主看到会尽快给大家发送源文件。如果，框架内容存在问题，也欢迎各位小伙伴评论区交流，让我们共同进步~...

硬间隔：完全分类准确，其损失函数不存在；其损失值为0；只要找出两个异类正中间的那个平面；软间隔：允许一定量的样本分类错误；优化函数包括两个部分，一部分是点到平面的间隔距离，一部分是误分类的损失个数；C是惩罚系数，误分类个数在优化函数中的权重值；权重值越大，误分类的损失惩罚的越厉害。误分类的损失函数可分为hinge损失，指数损失，对率损失。而经常使用的或者说默认的是使用了损失函数为hinge损失的软间隔函数。

1.参考博客https://www.cnblogs.com/wupeiqi/articles/5713330.html2.实战代码from sqlalchemy.ext.declarative import declarative_basefrom sqlalchemy import Column, Integer, String, ForeignKey, UniqueConstraint, Indexfrom sqlalchemy import create_enginefrom

1.环境说明[客户端] windows 10 / PyCharm/ Python 3.7[服务端] ubuntu/ mysql2.问题说明[问题描述]pymysql.err.OperationalError: (2003, "Can't connect to MySQL server on '192.168.x.x' ([WinError 10061] 由于目标计算机积极拒绝，无法连接。)")[原因分析] 1.mysql中用户权限不足 2.mysql远程连接配置存在问题.

目录1.linux学习框架图2.说明1.linux学习框架图2.说明补充资料：相关视频教学可关注博主 bilibili账号（_ssh小星）自行观看

1.表结构2.建库/建表建库create database test default charset utf8;创建class表 / 插入数据-- 创建表create table class ( cid int(11) not null auto_increment primary key, caption char(12) not null) engine=innodb auto_increment=1 default charset=utf8;-- 插入数据

目录1.信息论1.1.信息量1.2.熵1.3.KL散度（相对熵）1.4.交叉熵2.交叉熵的类型2.1.多分类交叉熵2.2.二分类交叉熵3.学习过程（以二分类为例）3.1.第一项求偏导3.2.第二项求偏导3.3.第三项求导3.4.计算结果1.信息论交叉熵（cross entropy）是深度学习中常用的一个概念，一般用来求目标与预测值之间的差距。同时，交叉熵也是信息论中的一个概念，要想了解交叉熵的本质，需要先从最基本的概念讲起。1.1.信息..

1.数学原理1.1.【参考博客】https://www.cnblogs.com/xinyuyang/p/11178676.html1.2.【精简描述】PCA实际上是将含有冗余特征的高维空间数据集投影到地位空间中，在保证信息量的同时，对数据集冗余特征进行筛选。而投影的关键就在于确定高维空间向低维空间转换的基向量。而基向量选取的原则则是尽可能的保持投影后的数据的信息量，也就是高维数据投影到低维空间中某个基向量之上以后，数据越分散越好（常用方差衡量数据的分散程度，即相同特征之间方差越大越好）。同

1.FCM模糊聚类原理模糊c均值聚类FCM算法融合了模糊理论的精髓，相较于k-means的硬聚类，FCM算法（Fuzzy C-Means，FCM）提供了更加灵活的聚类结果。因为大部分情况下，数据集中的对象不能划分成为明显分离的簇，将一个对象划分到一个特定的簇有些生硬，不符合人的客观认知。因此，对每个对象和每个簇赋予一个权值，指明对象属于该簇的程度即可。当然，基于概率的方法也可以给出这样的权值，但是有时候我们很难确定一个合适的统计模型，因此使用具有自然地、非概率特性的FCM聚类算法就是一个比较好的选择。

import reimport requestsfrom requests.exceptions import RequestExceptionimport multiprocessingimport randomheaders = {'User-Agent': "Mozilla/5.0 (Windows; U; Windows NT 6.1; en-US) AppleWebKit/534.16 (KHTML, like Gecko) Chrome/10.0.648.151 Safari/.

1.task_mater.py在Thread和Process中，应当优选Process，因为Process更稳定，而且，Process可以分布到多台机器上，而Thread最多只能分布到同一台机器的多个CPU上。Python的multiprocessing模块不但支持多进程，其中managers子模块还支持把多进程分布到多台机器上。一个服务进程可以作为调度者，将任务分布到其他多个进程中，依靠网络通信。由于managers模块封装很好，不必了解网络通信的细节，就可以很容易地编写分布式多进程程序。举个例

目录1.dataframe中可迭代元素因长度不同修改时报错的问题1.dataframe中可迭代元素因长度不同修改时报错的问题原始代码：将商品标题对应特征词列表转换为向量并重新赋值 for i in range(itemsData.shape[0]): words = itemsData["name"][i].split(" ") tmp1 = np.zeros(w2c.wv.vector_size) for word in word

123

1.作者简介【姓名】：赵玺【个人主页】：http://som.xjtu.edu.cn/info/1014/3587.htm【研究方向】：大数据驱动的行为理论、行为分析和仿真；基于大数据行为的决策支持；人工智能与深度学习；区块链2.近期学术论文[1]位置推荐[1]A complementing preference based method for locationr...

1.最优化问题分类按照约束条件分，可以分为：无约束优化问题、有不等式优化问题、有不等式优化问题。按照是否线性，可以分为线性优化问题(目标函数和约束均线性)、非线性优化问题(目标函数和约束中任意部分非线性)。按是否凸，可以分为凸优化问题、非凸优化问题。对于有约束优化问题，常见的做法是转换到无约束问题上：对于只有等式约束的问题，通过拉格朗日乘子转换；对于有不等式约束的问题，通过KKT...

123

目录1.比较运算符2.逻辑运算符3.元素查询运算符4.求值查询运算符5.地理空间查询运算符6.数组查询运算符7.按位查询运算符8.投影运算符1.运算符1.1.查询(query)与投影(projection)运算符1.1.1比较运算符查询操作符 含义 {field:{$eq:value}} 匹配字段field值等于指定值val...

1.基本概念1.1.数据库（database）1.1.1.基本性质①一个MongoDB中可建立多个数据库②默认数据库为“db”，且存储在“data”目录当中③单个实例可容纳多个独立的数据库，每一个都有自己的集合和权限，不同的数据库也放置在不同的文件中1.1.2.基本操作①启动数据库：mongo②显示所有数据库：show dbs③显示当前数据库对象与几何：d...

1.MongoDB概述MongoDB 是由C++语言编写的，是一个基于分布式文件存储的开源数据库系统。在高负载的情况下，添加更多的节点，可以保证服务器性能，其旨在为WEB应用提供可扩展的高性能数据存储解决方案。MongoDB 将数据存储为一个文档，数据结构由键值(key=>value)对组成。MongoDB 文档类似于 JSON 对象。字段值可以包含其他文档，数组及文档数组。2....

1.“排序推荐算法”分类2.贝叶斯个性化排序(Bayesian Personalized Ranking, BPR)2.1.应用场景传统的近邻协同过滤推荐算法的核心思想是基于现有“用户-商品评分矩阵”计算用户之间的相似度，并通过评分预测公式对整个矩阵中的缺失评分进行预测，并依据评分的高低对用户进行推荐，实践证明使用起来也很有效。但是，在千万级别的商品中用户感兴趣的商品仅仅是个位数...

待整理

1.概述KS(Kolmogorov-Smirnow)是一种非参数的统计检验方法，是针对连续分布的检验。这种检测常被用来应用于比较单样本是否符合某个已知分布(将样本数据的累计频数分布与特定理论分布相比较，如果两者间差距较小，则推断该样本取自某特定分布簇)，双样本的KS检测比较两个数据集的累积分布（连续分布）的相似性。2.优缺点【优点】①KS检验与卡方检验相比(都采用实际频数与理...

123

目录1.特征值分解（EVD）1.1.实对称矩阵（也可为方阵）1.2.一般矩阵2.奇异值分解（SVD）2.1.奇异值分解定义2.2.奇异值求解2.3.数学引例2.4.图像压缩应用（Python）2.5.协同过滤推荐系统中矩阵分解应用3.SVD++3.1. 增加偏执项的SVD3.2.SVD++奇异值分解（SVD）在数据降维中应用较多1.特征值分...

0.专有词汇data sparsity: 数据稀疏cold start : 冷启动matrix factorization : 矩阵分解knowledge base : 知识库accuracy : 准确性1.论文摘要