自定义博客皮肤VIP专享

*博客头图：

格式为PNG、JPG，宽度*高度大于1920*100像素，不超过2MB，主视觉建议放在右侧，请参照线上博客头图

请上传大于1920*100像素的图片！

博客底图：

图片格式为PNG、JPG，不超过1MB，可上下左右平铺至整个背景

栏目图：

图片格式为PNG、JPG，图片宽度*高度为300*38像素，不超过0.5MB

主标题颜色：

RGB颜色，例如：#AFAFAF

Hover：

RGB颜色，例如：#AFAFAF

副标题颜色：

RGB颜色，例如：#AFAFAF

预览 取消 提交

自定义博客皮肤

-+
上一步保存

gongdiwudu的专栏

  • 博客(1961)
  • 资源 (83)
  • 收藏
  • 关注
排序：
按最后发布时间
按访问量
RSS订阅

原创 ML 系列：机器学习和深度学习的深层次总结(05)非线性回归

非线性回归是指因变量和自变量之间存在非线性关系的模型。该模型比线性模型更准确、更灵活，可以获取两个或多个变量之间复杂关系的各种曲线。

2024-09-21 11:14:45 670

原创 ML 系列：机器学习和深度学习的深层次总结(04)多元线性回归 （MLR）

线性回归从一维推广到多维，这与单变量线性回归有很多不同，情况更加复杂，而在梯度优化也需要改成向量梯度，同时，数据预处理也成了必要步骤。

2024-09-21 09:46:26 952

原创 岭回归：带示例的分步介绍

​岭回归是一种在独立变量高度相关的情况下估计多元回归模型系数的方法。[1]它已用于计量经济学、化学和工程学等许多领域。[2]也称为Tikhonov 正则化，以Andrey Tikhonov命名，是一种解决不适定问题的正则化方法。[a]它对于缓解线性回归中的多重共线性问题特别有用，这种问题通常发生在具有大量参数的模型中。[3]通常，该方法在参数估计问题中提供了更高的效率，以换取可容忍的偏差量​

2024-09-15 19:26:41 1052

原创 空间不确定性的表示与估计

本文介绍了一种估算温度的通用方法之间的标称关系和预期误差（协方差）表示对象相对位置的坐标框。这些帧只能通过一个简单的例子间接地知道一系列空间关系，每个关系都有其相关的错误，由多种原因引起，包括定位错误，测量误差或零件尺寸公差。

2024-09-11 21:24:16 1564

原创 ML 系列：机器学习和深度学习的深层次总结（02）线性回归

欢迎学习机器学习系列。这门综合课程目前包括40个部分，指导您了解机器学习、统计和数据分析的基本概念和技术。以下是最基本机器学习模型，线性回归模型。

2024-09-10 10:52:48 1335

原创 ML 系列：机器学习和深度学习的深层次总结(01)

欢迎学习机器学习系列。这门综合课程目前包括40个部分，指导您了解机器学习、统计和数据分析的基本概念和技术。以下是到目前为止涵盖的关键主题的简要概述

2024-09-09 12:32:15 1550

原创 学习算法的类型

嘿，好奇的伙伴们！今天，让我们踏上一段激动人心的机器学习算法领域之旅。🚀 如果你和我一样，你可能会发现机器学习的世界非常迷人，有时甚至有点让人不知所措。但不要害怕，因为我在这里以有趣、友好且易于理解的方式指导您了解一些最常见的 ML 算法类型！

2024-09-08 11:29:06 933

原创 微积分直觉：隐含微分

取 S 的导数意味着考虑这两个变量的微小变化，一些微小的变化 dy 到 y，一些微小的变化 dx 到 x（不一定让你留在圆圈里，它可以在任何方向）。方程的左侧是时间 （y（t）² + x（t）²） 的函数，它恰好等于一个常数，这意味着该值不会随着时间的流逝而改变，但仍被写为依赖于时间的表达式。方程的左侧是时间 （y（t）² + x（t）²） 的函数，它恰好等于一个常数，这意味着该值不会随着时间的流逝而改变，但仍被写为依赖于时间的表达式。x（t）² 的导数是 x（t） 的 2 乘以 x 的导数（链式法则）。

2024-09-07 09:36:23 924

原创 Bagging： 数量，而不是质量。

机器学习中的集成方法是指组合多个模型以提高预测性能的技术。集成方法背后的基本思想是聚合多个基础模型（通常称为弱学习器）的预测，以生成通常比任何单个模型更准确、更稳健的最终预测。一般而言，我们通常遵循质量胜于数量的原则。然而，在这种情况下，事实证明相反的原理同样有效。

2024-09-06 11:20:47 1077

原创 什么是机器学习中的 Bagging？带有示例的指南

集成方法是机器学习中强大的技术，它可以结合多种模型来提高整体预测准确性和模型稳定性。Bootstrap Aggregating（俗称 Bagging）是一种流行且广泛实施的集成方法。在本教程中，我们将深入研究 bagging、其工作原理以及其优势所在。我们将它与另一种集成方法 (Boosting) 进行比较，并查看 Python 中的 bagging 示例。最后，您将对 bagging 有扎实的了解，包括最佳实践。

2024-09-05 09:24:24 1319

原创 缺失值插补解释：六种插补方法？

让我们谈谈每个数据科学家、分析师或好奇的数字计算者迟早必须处理的事情：缺失值。现在，我知道你在想什么 — “哦，太好了，又一个缺失值指南。但请听我说。我将向您展示如何使用不一种、两种而是六种不同的插补方法来解决这个问题，所有这些都在单个数据集上（还有有用的视觉效果！到最后，您将明白为什么领域知识物有所值（即使是我们的 AI 朋友也可能难以复制）

2024-09-04 08:06:13 1500

原创 机器学习如何用于音频分析？

近十年来，机器学习越来越受欢迎。事实上，它被用于医疗保健、农业和制造业等众多行业。随着技术和计算能力的进步，机器学习有很多潜在的应用正在被创造出来。由于数据以多种格式大量可用，因此现在是使用机器学习和数据科学从数据中提取各种见解并使用它们进行预测的合适时机。机器学习最有趣的应用之一是音频分析和分别了解不同音频格式的质量。因此，使用各种机器学习和深度学习算法可确保使用音频数据创建和理解预测。

2024-09-03 06:56:20 1303

原创 旅行商问题及其解决方法

旅行商问题 (TSP)是指一位上门推销员在给定的时间段内（通常是一个工作日）试图找到最短和/或最快的路线来服务他所访问的所有站点。虽然这曾经是销售人员的问题，但如今面临这个问题的工人要多得多。近年来，电子商务和网上购物的蓬勃发展使得直接送货上门的商品比以往任何时候都多。对于送货司机来说，这意味着每天要送货到 100 多个地点。

2024-09-02 08:09:28 1044

原创 如何在 Python 中将字符串转换为日期时间或时间对象

Pythondatetime和time模块都包含strptime()将字符串转换为对象的类方法。在本文中，您将使用strptime()将字符串转换为datetime对象struct_time()。

2024-09-01 07:53:39 249

原创 系统设计：一致性哈希的概念

我们生活在一个每天都会生成大量数据的世界里。在大公司中，几乎不可能将所有数据存储在单个服务器上。这就是为什么我们需要水平扩展，其中每个数据部分都存储在单独的服务器上。与垂直扩展相反，我们可以简单地将所有数据存储在一个地方，而使用水平扩展，以能够快速访问不同服务器上的数据的方式组织存储至关重要。通过了解简单系统实现的性能缺点，我们将设计一个弹性系统来缓解上述问题。

2024-08-31 03:02:54 2255

原创 强化学习，第 6 部分：n 步 Bootstrapping

为此，唯一需要做的更改是调整他们的更新公式，以使用不是来自下一个状态的信息，而是来自。，我们还强调了一步式 TD 算法相对于 MC 方法的优势，以及它们如何实现更快的收敛。代理的目标是找到到 X 的最短路径。将一步 TD 和蒙特卡洛方法推广到 n 步算法中，在强化学习中起着重要作用，因为 n 的最佳值通常位于这两个极端之间。在一步 TD 中，我们分析收到的奖励与状态值如何变化之间的差异，从当前状态切换到下一个状态 （强化学习的显着之处在于，可以使用相同的算法来使代理适应完全不同的、未知的和复杂的条件。

2024-08-30 08:16:19 1362

原创 强化学习，第 5 部分：时间差异学习

R强化学习是机器学习中的一个领域，它引入了智能体在复杂环境中学习最佳策略的概念。代理从其操作中学习，从而根据环境的状态获得奖励。强化学习是一个具有挑战性的话题，与机器学习的其他领域有很大不同。

2024-08-29 10:13:25 1491

原创 强化学习，第 4 部分：蒙特卡洛控制

R强化学习是机器学习中的一个领域，它引入了代理的概念，代理必须在复杂环境中学习最佳策略。代理从其操作中学习，这些操作会在给定环境状态的情况下产生奖励。强化学习是一个困难的话题，与机器学习的其他领域有很大不同。这就是为什么它应该只在给定的问题无法通过其他方式解决时使用。

2024-08-28 09:12:48 1110

原创 应用程序编程接口 （API） — 简单解释

API是应用程序在以编程方式与其他应用程序交互时需要遵循的一组规则。API 代表应用程序编程接口。在 API 上下文中，“应用程序”一词指的是具有独特功能的任何软件。接口可以被认为是两个应用程序之间的服务契约。该合约定义了两者如何使用请求和响应相互通信。

2024-08-27 11:16:14 689

原创 具有强制函数的物理信息神经网络

​在物理学、数学、经济学、工程学和许多其他领域，微分方程根据变量的导数来描述函数。简而言之，当涉及一个变量相对于其他变量的变化率时，你可能会找到一个微分方程。许多示例描述了这些关系。微分方程的解通常是通过解析或数值方法得出的。​

2024-08-26 15:12:51 959

原创 【图像增强】使用 Albumentations Python 库（02）

​在本博客的第 1 部分中，我介绍了使用 Albumentations Python 库进行图像增广的基础知识。本部分介绍高级详细信息。​

2024-08-25 14:31:51 1367

原创 【图像增强】使用 Albumentations Python 库（01）

图像增广是通过对可用图像进行微小更改来创建新训练图像的过程。这包括更改图像的亮度或对比度、裁剪图像的一部分、翻转或旋转原始图像等更改。使用对原始标记图像的这些转换，可以增加图像数量。Albumentations 有效地实现了丰富的 Image Transform 操作，并执行 同时提供简洁而强大的图像增广界面 不同的计算机视觉任务，包括对象分类、分割、 和检测。

2024-08-24 18:19:42 1176

原创 【OpenCV】SIFT（尺度不变特征变换）算法？

与人类不同，机器很难识别图像中具有不同比例或视角的物体。SIFT 弥补了这一差距。通过从图像中提取独特的特征，SIFT 允许机器将这些特征与同一物体的新图像进行匹配。这为图像识别、物体检测等领域的激动人心的应用铺平了道路。在本文中，我们将深入研究 SIFT 算法，并探索它如何赋予机器类似人类的图像识别能力。

2024-08-23 10:45:21 1983

原创 【OpenCV】 中使用 Lucas-Kanade 光流进行对象跟踪和路径映射

本文针对基于光流法的目标追踪进行叙述，首先介绍Lucas-Kanade 方法的引进，以及基本推导，然后演示如何实现光流法的运动跟踪。并以OpenCV实现一个基本项目。

2024-08-22 19:05:31 1401

原创 时间序列分析中的特征提取

在多变量时间序列分析期间，数据包含随时间推移测量的多个数据。为了管理模型性能，建议进行特征提取，以使模型的数据点更加紧凑。

2024-08-21 09:42:43 1187

原创 递归神经网络 （RNN） 简介

机器学习领域的议程是多方面的，旨在提高计算机从数据中学习并在没有明确编程的情况下做出预测或决策的能力。这包括一系列广泛的任务，包括：模式识别、预测分析、自然语言处理 （NLP）、深度学习等。循环神经网络 （RNN） 的改进极大地影响了 NLP、时间序列分析和顺序数据处理中应用的发展。

2024-08-20 07:44:12 1730

原创 贝叶斯推理：分步指南

让我们深入了解贝叶斯推理的迷人世界。我将通过易于遵循的示例向您介绍其实际应用。 贝叶斯推理为统计分析提供了一个强大而灵活的框架，特别是在存在不确定性和先验知识的情况下。通过结合先前的分布并使用贝叶斯定理根据新证据更新这些信念，贝叶斯方法使我们能够对未知参数做出更明智和细致的推断。

2024-08-19 07:58:55 1652

原创 机器学习/人工智能中的学习证明

在进行任何数学发展之前，我们必须首先了解学习的基础以及它如何与错误的概念密切相关。关于代价函数，它的工作原理是梯度下降原理。本文将回顾梯度下降原理。

2024-08-18 06:50:00 1745 2

原创 了解 K-Means 聚类的工作原理（详细指南）

K-means 的目标是将一组观测值划分为 k 个聚类，每个观测值分配给均值（聚类中心或质心）最接近的聚类，从而充当该聚类的代表。

2024-08-17 09:20:14 2021 1

原创 论文演示：Vision Transformer （ViT）

Vision Transformer（或通常缩写为ViT）可以被视为计算机视觉领域的突破。当涉及到与视觉相关的任务时，它通常使用基于CNN的模型来解决，到目前为止，这些模型的性能总是比任何其他类型的神经网络都好。

2024-08-16 11:17:41 450

原创 注意力机制 — 它是什么以及它是如何工作的

注意力机制是深度学习领域的一个突破。它们帮助模型专注于数据的重要部分，并提高语言处理和计算机视觉等任务的理解和性能。这篇文章将深入探讨深度学习中注意力的基础知识，并展示其背后的主要思想。

2024-08-15 14:26:51 1466

原创 PyTorch — 初学者教程

​在本文中，我将编译 PyTorch 的初学者教程。本教程大量使用了官方 PyTorch 教程中的材料。PyTorch 是Torch库的 Python 接口。​

2024-08-14 19:05:17 234 1

原创 我喝醉了吗？随机游走的数学

在这里，我们关注的是一个更简单的版本，即一维随机游走，以及它奇特的数学定律。

2024-08-12 18:39:24 847

原创 提升您的数据技能：利用Python 类

本文将探讨类和对象的基本概念，以及 Python 中的继承概念。我将讨论继承如何允许类从其他类继承属性和行为。此外，我们将提供示例来说明这些概念的实际应用，帮助您了解如何在 Python 代码中有效地使用它们。

2024-08-10 22:51:38 1609

原创 信息论在机器学习中的实际应用

如作为一名数据科学家，你可能经常听到“信息论”这个词在机器学习的背景下出现。但究竟什么是信息论，为什么它对机器学习如此重要？在本文中，我们将探讨信息论的基础知识、其关键概念，以及它如何以简单而翔实的方式应用于机器学习。

2024-08-09 08:02:18 1470

原创 面向数据科学家的实用贝叶斯推理

Bayesian Inference 是一种方便的统计方法，可帮助数据科学家在新数据或信息可用时更新假设的可能性。基于贝叶斯定理，它为进行概率预测提供了一个强大的框架，通常用于机器学习、人工智能和数据分析等领域。

2024-08-09 07:30:50 1406

原创 准确度与精密度：差异和示例

当您依赖数据得出结论时，准确度和精确度是测量的关键属性。这两个概念都适用于测量系统中的一系列测量，并与测量误差的类型有关。

2024-08-08 06:21:18 1465

原创 准确度和精密度之间有什么区别？

在这篇文章中，当我们继续我的系列文章，标题为“有什么区别......？今天，我们将探讨统计学和数据科学中的两个重要术语：准确性和精确度。这些概念对于理解测量和预测的质量至关重要。通过揭示准确性和精确度之间的差异，我们可以获得对数据分析和解释世界的宝贵见解。因此，让我们深入研究并揭示准确度和精确度之间的区别。

2024-08-08 05:27:02 1551

原创 物理动力系统的强化学习：一种替代方法

对于非线性系统，我们面临着两个问题：系统识别——即理解它在给定状态下的行为方式，以及系统控制——它如何在短期和长期内响应给定的输入而变化，以及进行什么输入以获得期望的结果。

2024-08-07 13:55:04 1302

原创 统计学：条件概率模型

在概率的许多应用中，不可能直接观察实验的结果；而是观察与结果相关的事件。因此，条件概率模型对于考虑和利用从观察到的事件中获得的信息至关重要。此外，条件概率模型与贝叶斯定理非常相关。在这篇博客中，我将介绍条件概率模型的基础知识，并使用参考文献 [1] 解答一些测验以熟悉该概念。

2024-08-07 13:45:34 2453

【双曲几何-0加莱模型】庞加来上半平面模型的Python实现
我们知道，双曲几何的著名模型有四种：微分解析模型、庞加莱盘、庞加莱半平面、克莱因盘。庞加莱圆盘模型是表示双曲几何的一种方法，对于大多数用途来说它都非常适合几何作图。然而，另一种模型，称为上半平面模型，使一些计算变得更容易，包括三角形面积的计算。所有的依赖库： ```python import pygame import math import numpy as np import scipy from scipy.linalg import fractional_matrix_power ``` 外加两个自开发库： ```python from PoincarePlot import PoincarePlot from Line import Line ``` 因为代码数量较大，请需要的读者自行下载。

2024-05-07

OpenGL4.6的GLSL语言规格手册
本文档仅指定 OpenGL 着色语言 (GLSL) 4.60 版本。这个需要__VERSION__ 替换 460，并且要求 #version 仅接受 460。如果声明了 #version数字较小时，接受的语言是着色语言的早期版本，即是否支持取决于 API 中上下文的版本和类型。参见规范有关支持哪些语言版本的详细信息，请参阅参考资料。 以前版本的 OpenGL 着色语言以及 OpenGL ES 着色语言，不是此处指定版本的严格子集，特别是在精度、名称隐藏规则和接口变量的处理方面。参见对应的规格特定语言版本，了解特定于该语言版本的详细信息。

2024-04-19

OpenGL4.6开发手册
这是现代图形渲染技术OpenGL4.6开发手册，共有800页，包括丰富的案例和解说，是游戏开发人员的有力助手。

2024-04-19

【OpenGL高级】刚体绕任意轴旋转
解决三维坐标下的刚体旋转问题，欧拉角存在缺陷，当旋转点落在坐标轴上，旋转公式失灵。围绕任意轴旋转的点3d变换，正规公式是罗德里格斯矩阵。本篇专门介绍它的推导过程，而且提供C++的示例代码。

2024-04-19

【OpenGL实践08】现代渲染管线在GLUT和Pygame和Qt.QOpenGLWidget上各自的实现代码
该资源花了很多精力完成，主要看点是1）组件（按钮）参与渲染 2）渲染的关键步骤、关键函数。3）如何在Qt5使用着色器 4）三维视图如何调节显示 5）Qt5下较为健壮的程序布局设计 6）一些手册上不明说的隐含关键点。总之，用Qt5下的渲染管线中，这是一个成功典范。

2024-04-19

QOpenGLWidget的三维渲染
你好朋友们，我试图用 QOpenGLWidget 替换旧的 QGLWidget 来渲染我的 osg 场景很长一段时间，直到我找到这个例子帮了大忙。我们知道，QOpenGLWidget是较为推荐的OpenGL界面，我们就需要了解和使用它。目前这方面资料似乎不够多，尤其是example不多，本篇给出其中之一。以帮助大家熟悉此类编程。

2024-04-17

【OpenGL实验】在python、Qt5、pyOpenGL程序的若干要点
我们采用Qt5做OpenGL的界面，是因为在QGLWidget窗口上，既可以渲染三维动画，也能有按键，方便人机交互。学习渲染艺术的顺序是：首先要能对一些基本几何图形进行渲染。然后是二维物品渲染，最后是三维物体渲染。以下我们对这个学习过程进行系列解读。伴随的程序开发有许多注意点，稍有不慎就使程序陷入瘫痪状态，本系列针对作者的调试代码进行实况分析。

2024-04-15

强化学习的Q(λ）学习原理资料
Q(λ)-学习（Watkins，1989；Peng & Williams，1996）是一种重要的强化学习（RL）方法。它结合了 Q-learning（Watkins，1989；Watkins & Dayan，1992）和 TD(λ)（萨顿，1988；Tesauro，1992）。 Q(λ) 被广泛使用——人们普遍认为它优于简单的一步 Q 学习，因为它使用单一经验来更新评估过去发生的多个状态/动作对 (SAP)。线上与线下。我们区分在线强化学习和离线强化学习。

2024-03-27

强化学习的Q-Learn算法ppt资源
强化学习的主要算法：包括Q-learning、SARSA、DQN、A3C、TRPO、PPO和SAC等。这些算法各有特点，适用于不同的场景和任务。例如，Q-learning和SARSA是基于值函数的强化学习算法，旨在学习最优策略以最大化累积奖励；而DQN则是深度强化学习算法，使用神经网络来估计值函数，并通过反向传播算法更新网络参数。 强化学习在多个领域具有广泛应用。在自动驾驶系统中，强化学习可以帮助车辆感知周围环境并做出决策，实现自主行驶。在医疗领域，强化学习可以用于辅助医生进行病例分析、诊断和治疗方案制定，提高医疗服务的准确性和效率。此外，强化学习还在智能物流和仓储管理、金融投资决策等领域发挥着重要作用。

2024-03-27

使用 python + Qt + OpenGL 的第一步
在本教程中，我们将编写一个小型 Python 脚本，该脚本在 GUI 中呈现一个立方体，并使用滑块来控制其旋转。这将基于其他教程，即本教程，但会更详细地解释该过程和一般 OpenGL 概念。您可以在此处下载完整的脚本。

2024-03-27

使用Python动画粒子的薛定谔波函数（ψ）（完整代码）
物质的双重性质是物理学家中一个著名的概念。原子尺度的物质在某些情况下表现为粒子，而在某些情况下，它们的行为类似于波。为了解释这一点，我们引入了波函数ψ（x，t），它描述的不是粒子的实际位置，而是在给定点找到粒子的概率。波函数ψ（x，t）或概率场，满足一个也许是最重要的偏微分方程，至少对物理学家来说是这样，是薛定谔方程。

2024-03-20

glViewport - 人为干预视口改变和场景
游戏开发中，人机互动机制是必不可少的。输入装置要么操作杆、要么是键盘。视口改变是无论在3D还是2D都要出现的功能，比如，google地图就是一个显然的变视口问题，视口如同一个放大镜在地图上方移动，理论上可以看到地图上所有地方。本篇就模拟实现之。

2024-03-10

【OpenGL实现 03】纹理贴图原理和实现
一、说明 本篇叙述在画出图元的时候，如何贴图纹理图片。和纹理坐标的原理实现，以及纹理如何生成，和如何传递进入着色器。对以上进行解说，并附上源代码。

2024-03-08

12pyopenGL静态圆锥方体球体前后遮挡
一、裁剪说明 在 OpenGL 中提高渲染的一种方式。只刷新屏幕上发生变化的部分，OpenGL 允许将要进行渲染的窗口只去指定一个裁剪框。 基本原理：用于渲染时限制绘制区域，通过此技术可以在屏幕（帧缓冲）指定一个矩形区域。启用裁剪测试之后，不在此矩形区域内的片元被丢弃，只有在此矩形区域内的片元才有可能进入帧缓冲。因此实际达到的效果就是在屏幕上开辟一个小窗口，可以再其中进行指定内容的绘制。

2024-02-23

11PyopenGL如何将图片贴到表面class03
本资源实现对于openGL如何将纹理图片粘贴到对象平面中。 纹理（贴图），纹理是一张2D图片（当然也有1D和3D的纹理），用于贴在物体表面。相比于使用顶点来增添图形的细节，使用纹理能节省开销，并且能做到更多细节。 为了能够把纹理映射(Map)到物体上，我们需要指定物体的每个顶点各自对应纹理的哪个部分。这样每个顶点就会关联着一个纹理坐标(Texture Coordinate)，2D的纹理坐标通常用(u,v)或是(s,t)表示，并且 u,v ∈(0, 1)，使用纹理坐标获取纹理颜色叫做采样(Sampling)。纹理坐标起始于(0, 0)，也就是纹理图片的左下角，终始于(1, 1)，即纹理图片的右上角。 我们只需要指定每个顶点对应的纹理坐标，之后在图形的其它片段上进行片段插值(Fragment Interpolation)。

2024-02-23

大脚怪野外募集报告数据分析
大脚怪野外研究组织 (BFRO) - www.bfro.net - 是一个致力于调查大脚怪/大脚野人之谜的组织。 共有三个文件： bfro_report_locations.csv- 表格地理编码报告 bfro_reports.json- 以行分隔的 JSON 格式的全文报告。 bfro_reports_geocoded.csv- 报告位置和全文报告的合并和清理版本。 报告 数据集中最有用的文件可能是bfro_reports_geocoded.csv. 它包含与报告位置相关的完整报告中最相关的字段，现在还包含目击当天的天气状况。 天气状况是使用Dark Sky API获得的。 围绕时间戳和纬度/经度值，还对该数据集应用了一些数据清理。 并非所有全文报告都有相应的地理编码报告 - 在这种情况下，地理信息为空。 每个地理编码报告显然都包含纬度和经度值。 它还包含报告标题、报告编号和报告分类。 BFRO 网站上对报告分类进行了解释，但基本上分类决定了事件的性质 - 直接目击、噪音、踪迹等。 还有时间戳。 除了标题之外，该文件中的数据也是结构化的。

2024-02-22

1975年卡顿伍德湖研究区湿地P1数字正射校正航空
北达科他州斯图茨曼县卡顿伍德湖研究区湿地 P1 航拍照片的正射校正图像。这张照片是 1975 年至 2015 年 7 月和 8 月初拍摄的研究区域照片集的一部分。

2024-02-22

坦桑尼亚的多多马太阳能测量数据
坦桑尼亚的多多马和欣扬加截至 2021 年 12 月 31 日以及达累斯萨拉姆截至 2022 年 11 月 30 日的地面测量太阳辐射和气象数据。马昆杜奇的地面测量太阳辐射和气象数据可在桑给巴尔找到。

2024-02-22

2022年全球气候热点数据集
作为世界资源研究所全球恢复倡议绘制森林和景观恢复机会地图的一部分，潜在森林地图代表了对在当前气候条件下、没有人类影响的情况下森林生长位置的估计。定义潜在森林范围的主要数据来源是世界陆地生态区（Olson 等，2001）。每个生态区根据其描述（包括当前和潜在的植被）及其不同森林类型的比例，以及以下方面的额外输入，被归类为属于四个类别之一：茂密森林、开阔森林、林地或非森林数据集：当前森林范围；生物气候区划和原始森林覆盖范围；以及根据全球气候变量和海拔进行建模生成的森林分布图（Hansen 等人，2013 年；Zomer 等人，2007 年）。由于全球一致数据的可用性有限，该数据集基于显着简化。这些地图的比例相对较粗，只能用于估计区域或全球范围内的潜在森林覆盖率。潜在森林覆盖率的估计是基于在没有人为干扰的情况下当前的气候条件。

2024-02-22

林业类数目种类分布的数据集
仅根据制图变量预测森林覆盖类型（无遥感数据）。给定观测（30 x 30 米单元）的实际森林覆盖类型是根据美国林务局 (USFS) 第 2 区资源信息系统 (RIS) 数据确定的。自变量源自最初从美国地质调查局 (USGS) 和 USFS 数据获得的数据。数据为原始形式（未缩放），包含定性自变量（荒野地区和土壤类型）的二进制（0 或 1）数据列。 该研究区域包括位于科罗拉多州北部罗斯福国家森林的四个荒野地区。这些区域代表了人为干扰最小的森林，因此现有的森林覆盖类型更多的是生态过程而不是森林管理实践的结果。这四个荒野地区的一些背景信息： Neota（区域 2）可能具有 4 个荒野地区中最高的平均海拔值。 Rawah（区域 1）和 Comanche Peak（区域 3）的平均海拔值较低，而 Cache la Poudre（区域 4）的平均海拔值最低。 至于这些地区的主要树种，尼奥塔的主要树种是云杉/冷杉（1 型），而拉瓦和科曼奇峰的主要树种可能是黑松（2 型），其次是云杉/冷杉和白杨（5 型） ）。 Cache la Poudre 往往含有黄松（3 类）、花旗松（6 类）和棉白杨/柳

2024-02-22

实木板表面纹理识别数据集
说明 我们搭建了一个用于拍摄实木板表面纹理照片的自动化传输平台，配备了 OscarF810CIRF 工业相机。拍摄的照片被裁剪为200×200像素，构成模型训练和测试的数据集。为了更好地拟合我们的模型，我们随机选择了原始数据集的80%作为训练集。然后通过四种扩展方法将原始训练集扩展至原来的六倍。第一种方法，以图像横轴为对称轴，对训练集中所有图像进行上下镜像；第二种方法，以图像纵轴为对称轴，对训练集中所有图像进行左右部分镜像；第三种方法随机提取原始训练集的二分之一，并对其进行随机亮度变换；第四种方法随机抽取一半的原始训练集，对其进行随机对比变换。剩余20%的原始数据集作为模型的测试集。

2024-02-21

Capstone-食物数据集
说明 以下是该项目的一些用例： 饮食跟踪应用程序：该模型可用于饮食和营养跟踪应用程序，帮助个人识别和记录他们每天消耗的食物。这有助于更好地跟踪他们的卡路里摄入量和其他营养信息。 自动化食品服务机器人：“Capstone-food”模型可用于自动化餐厅的食品服务机器人。机器人可以使用这个模型来识别不同类型的食物，并相应地将它们送到正确的餐桌上。 快餐行业的食品质量控制：该模型可以帮助实现快餐连锁店质量控制过程的自动化。它可以标记食物呈现中的任何不一致之处，检查是否准备了正确的食物订单，或者是否有任何异常情况（例如错误的物体）。 互动烹饪节目或教程：此模型可用于互动烹饪节目或在线教程。观众可以参与诸如成分识别或了解正在准备的特定菜肴的琐事等任务。 智能杂货购物：该模型可用于构建智能购物应用程序。这些应用程序可以帮助用户在购物时识别食品，并提供营养成分、可能的食谱或是否符合他们的饮食要求等信息。

2024-02-21

关于数据集：食物的热量
关于数据集：食物的热量 该数据集将帮助您发现常见食物的热量含量和其他事实。当您使用此数据集来了解您的身体如何从您最喜欢的膳食和零食中获取能量时，特别注意您所吃食物中的卡路里含量，您将能够做出永远不会让您感到内疚的饮食选择（或备胎）。44 个食品类别中每 100 克 2225 种食品的卡路里/KJ。

2024-02-21

坦克打飞船的完整代码（可执行）
说明 此为完整游戏完成。 这是一个完整的pygame游戏。1）有动画，有音乐，对象编程。2）事件管理：我们将首先管理事件的代码移到了一个名为check_events()的函数中，以简化run_ganme()并隔离事件管理循环。通过隔离事件循环，可将事件管理与游戏其他方面(如更新屏幕)分离。3）事件循环：这个模块中导入了事件检查循环要使用的sys和pygame。当前函数check_envents()不需要任何形参，其函数体复制了alien_invasions.py事件循环。比如：修改alien_invasion.py，使其导入模块game_functions，并将事件循环替换为对函数check_points()的调用。4）重构设计：在大型的项目中，经常需要在添加新代码前重构既有代码。重构旨在简化既有代码的结构，使其容易扩展。在本小节中，我们创建了一个名为game_functions的新模块，它将存储大量让游戏《外星人入侵》运行函数。通过创建模块game_functions，可避免alien_invasion.py太长，并使其逻辑更容易理解。

2024-02-16

坦克打飞碟的游戏基础界面实现
说明 这里是pygame游戏制作的示范，其中看点是，1）如何在时间驱动下对象移动；2）如何用键盘驱动坦克移动 3）画面重叠后如何处理遮挡。总之，这是一个简短的掌握pygame的高效案例。

2024-02-16

8pygame键盘动画实现
1 说明 该资源是面向游戏编程的初步阶段，是模拟游戏背景设定；游戏前景如何设定；游戏中定时器; 游戏中的键盘操控；游戏前景物体移动等. 资源内共分三段程序：1 如何显示图片；如何重叠显示图片；2 如何分配键盘和时间的关系. 3 如何使得游戏中前景移动。参照博客和示例代码，相信客户很快就能掌握相关知识。 2 资源描述 在Pygame中窗口和图片都称为Surface，所谓Surface对象在Pygame中就是用来表示图像的对象，图片是由像素组成的，Surface 对象具有固定的分辨率和像素格式。 Surface screen是绘制其他图形的主要窗口，我们设置的是一个800*600像素的窗口，默认是黑色的窗口，这个就是我们游戏的主界面。不过目前还不能随意关闭窗口，需要关闭事件。 3 具体参照博客： https://blog.csdn.net/gongdiwudu/article/details/136112471?spm=1001.2014.3001.5501

2024-02-15

双曲几何的库geometry-tools库（在python用）
说明 Geometry_tools 是一个 Python 包，旨在帮助您处理和可视化双曲空间和射影空间上的群动作。 该包主要构建在 numpy、matplotlib 和 scipy 之上。或者，该包可以使用 Sage 提供的工具来执行（缓慢的）精确计算。 几何工具可以帮助您： 在多个模型（即克莱因模型、双曲面模型、射影模型、庞加莱模型和半空间模型）中对双曲空间中的对象执行数值（或有时是精确）计算 在双曲平面、实射影平面、复射影线上画出漂亮的图画 使用 Coxeter 群的表示进行实际计算双曲距离。 使用有限状态自动机在字双曲群中进行一些简单的计算在双曲平面、实射影平面、复射影线上画出漂亮的图画 还提供了对 3D 图形的一些有限支持（通过 matplotlib）。 参考文章： https://yamagota.blog.csdn.net/article/details/136091083

2024-02-10

C++ 中的模型预测控制(012)
以下文章介绍了应用模型预测控制器的简单控制系统方法。本文讨论了这种控制的基本机制，该机制适用于各种工程领域。MPC 涉及对未来系统行为的预测（由一组方程描述的模型）。在优化过程中实现物理模型的所需位置（成本函数）。 您可以想象，具有系统动态模型（线性时不变 （LTI） 系统中的矩阵 A）的 MPC 模拟或预测模型在未来的位置或行为。然后，控制器计算一系列控制输入，以最小化预定义的成本函数，同时考虑所需的目标和约束。出于本文的目的，我在 C++ 中准备了简单的模拟。其目的是展示可以轻松复制的原理，用于更高级的模型动力学。

2024-02-09

4用C++和matplotlib实现贝塞尔曲线的库
以下文章介绍了用 C++ 计算和绘制的贝塞尔曲线（2D 和 3D）。    贝塞尔曲线具有出色的数学能力来计算路径（从起点到目的地点的曲线）。曲线的形状由“控制点”决定。所讨论的曲线最重要的特征是平滑度。    在许多应用和领域中，平滑度是不可或缺的。我们可以考虑机器人或其他机器的运动，其中运动必须是可预测的，以确保人员和硬件的安全（低磨损系数）。当机器人关节的轨迹被计算为平滑路径时，我们可以假设机器人将按照规划的路径平滑地移动，不会出现急动或意外移动。请注意，在我们考虑的机器人技术中，除了路径之外，还有速度、加速度、冲击力和电机扭矩。所有这些参数主要影响最终路径。    除了机器人技术之外，贝塞尔曲线还用于动画、游戏和设计。为了绘图的目的，我将使用我之前的文章中讨论过的 C++ 的 matplotlib 库。    头文件（用于绘图库）必须与您的 cpp 位于同一文件夹中。您的程序可以按如下方式编译。参考博文：https://yamagota.blog.csdn.net/article/details/136081941

2024-02-09

python多进程博客案例
用python实现线性方程组。线性方程组的计算机解法，如果自己写一个，不仅需要程序机巧，而且需要数字计算的理论机巧；绝对不同于《线性代数》所讲授的那样 如果您尝试自己用克莱蒙方法解线性方程组，却实现的不太理想，那就看看这个代码吧。

2024-01-27

2用python实现仿射变换的案例
用python实现线性方程组。线性方程组的计算机解法，如果自己写一个，不仅需要程序机巧，而且需要数字计算的理论机巧；绝对不同于《线性代数》所讲授的那样 如果您尝试自己用克莱蒙方法解线性方程组，却实现的不太理想，那就看看这个代码吧。

2024-01-27

基于python的线性方程数字解法
用python实现线性方程组。线性方程组的计算机解法，如果自己写一个，不仅需要程序机巧，而且需要数字计算的理论机巧；绝对不同于《线性代数》所讲授的那样如果您尝试自己用克莱蒙方法解线性方程组，却实现的不太理想，那就看看这个代码吧。

2024-01-27

pygame泡泡碰撞游戏
该项目是pygame库多泡泡碰撞游戏的项目。该项目虽简单，但是专业化作品，包括滚动的泡泡碰撞检测、场景画面，音乐伴随等。有兴趣游戏开发的读者，可以从中获得灵感感和启发。与本项目相关的博文地址是：https://yamagota.blog.csdn.net/article/details/134148849 可以参考，进行更高水平的游戏开发。

2023-11-04

python基于pygame库开发的滑雪游戏
该项目是pygame库建立滑雪游戏的项目。该项目虽简单，但是专业化作品，包括滚动的场景画面，音乐伴随等。有兴趣游戏开发的读者，可以从中获得灵感感和启发。与本项目相关的博文地址是：https://yamagota.blog.csdn.net/article/details/134148849 可以参考，进行更高水平的游戏开发。

2023-11-04

Ceras下cifar10的图像识别深度网络
一、说明 深度学习最一般的网络是lenet，和数据集minist数据集搭配；而图像的最一般数据集是cifar10，该数据集由32x32尺度的小图片构成，本项目演示，在tensorflow2.0下，如何构建一个小型感知机，去识别cifar10的图片内容，稍加改变，就可以实现客户图片的识别。

2023-10-26

小工具：移除目录内部所有空目录
一说明  此 Python 脚本搜索并删除指定目录中的空文件夹。它可以帮助您保持干净整洁的文件夹结构，尤其是在处理大型数据集时。此为整理文件小工具，实现归档目的。

2023-10-23

小工具：将目录中文件按照扩展名整齐归档
一说明 此 Python 脚本通过根据文件扩展名将文件分类到子目录中来组织目录中的文件。它标识文件扩展名并将文件移动到相应的子目录。这对于整理下载文件夹或组织特定项目的文件非常有用。此为整理文件小工具，实现归档目的。

2023-10-23

pytorch下多层感知机的实现
一、说明 用pytorch轻松实现多层感知机。本项目中两个看点：1）如何在torch实现多层感知机。2）如何调试这个程序，在调试中，作者发现了典型的系统错误，这种错误是普遍的，很值得记录之，因此，本项目附带《调试记录》以警告读者，如何避免同类问题。

2023-10-23

二项分布的字符串自动生成和统计验证
一、说明 在进行概率实验的时候，需要最基本的抽样实验，而抽样中，最简单的是抛币实验，这里我们实现了机器模拟抛硬币仿真，可以修改0-1分布的概率分布，以生成不同的符号序列。这里假定我们只有a和b两种符号的字符串。稍加修改，该项目可以实现多样本的抽样模拟。以至于数据集可以自动生成。

2023-10-22

AdaBoost 从弱分类器到强分类器的工作原理
一、说明 AdaBoost 从弱分类器到强分类器的工作原理 AdaBoost 通过一系列迭代或轮次运行来构建强大的分类器。以下是 AdaBoost 工作原理的分步概述： 初始化权重：在第一轮中，所有训练样本都被分配相同的权重。目标是对这些示例进行正确分类。 训练弱学习器： AdaBoost 选择弱学习器并根据训练数据对其进行训练，为上一轮错误分类的示例赋予更多权重。 计算误差：训练后，AdaBoost 计算弱学习器的误差。误差是错误分类示例的权重之和除以总权重。 更新权重： AdaBoost 增加了错误分类示例的权重，使它们在下一轮中更加重要。这更加强调了之前具有挑战性的数据点。 迭代：重复步骤 2 到 4 预定的轮数或直到达到一定的准确度。 组合弱学习器：最后，AdaBoost 通过根据每个学习器的表现分配权重来组合弱学习器的预测。更强的学习者会获得更高的权重，对最终预测的贡献更大。 进行预测：为了对新数据进行预测，AdaBoost 计算弱学习器预测的加权和，每个学习器的权重由其在训练期间的表现决定。

2023-10-22

查看更多

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章？
取消 删除