Arduino支持STM32套件的开发板管理器安装

最新推荐文章于 2025-04-22 22:44:54 发布
最新推荐文章于 2025-04-22 22:44:54 发布
阅读量5.1k 收藏 17
点赞数 4
文章标签： 编辑器 arduino stm32
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/huishowhui/article/details/103789736
版权

自己在Arduino中安装STM32套件的时候 ，及其郁闷的是：在没有FQ的情况下，下载很慢。慢就算了我可以等，可是不支持断点续传。在下载中间容易出错，出错就完蛋了。后面根本就算下载完成都会校验出错。
后来自己摸索总结出一套方法，终于可以快速的安装开发板了。
一，在https://raw.githubusercontent.com/stm32duino/BoardManagerFiles/master/STM32/package_stm_index.json中有很多下载连接。找到：CMSIS-5.5.1.tar.bz2，STM32-1.8.0.tar.bz2，STM32Tools-1.3.2-windows.tar.bz2，xpack-arm-none-eabi-gcc-9.2.1-1.1-win32-x32.zip四个文件的连接。
二，用其他下载软件下载下来，我是用的迅雷。
三，将下载下来的文件放在：C:\Users\XXX\AppData\Local\Arduino15\staging\packages文件夹里面。路径根据自己的电脑来找。
四，在arduion中：文件-》首选项-》附加开发板管理器网址
输入https://github.com/stm32duino/BoardManagerFiles/raw/master/STM32/package_stm_index.json
五，在arduion中：工具-》开发板-》开发板管理器，类型选“贡献”，在下面找到“STM32 Cores by STM……”选择版本安装。我是1.8.0的版本。
六，一路轻松安装。

我把下载的文件打包上传网盘分享给大家。大家可以自行下载。
https://pan.baidu.com/s/1W9wVXsI7vtN61Vk3Tz_1ew
提取码：4o42

以上！

huishowhui
关注
AB实验_如何计算P值、效应量和统计功效
fff2zrx的博客
11-10 3079
P值、效应量和统计功效
从理论到实践：大数据环境中的A_B测试最佳实践
最新发布
AI天才研究院
05-08 490
在数字化转型加速的今天，A/B测试已成为数据驱动决策的核心工具。据Gartner调查，76%的头部互联网企业依赖A/B测试优化用户体验，但在日均千万级流量的大数据场景中，传统测试方法面临统计效力不足、实验污染、维度爆炸等挑战。如何设计符合大数据特征的实验方案？高维稀疏数据下如何保证统计结论的可靠性？工程实践中如何实现实验流量的精细化管理？实时数据流中如何构建动态监控与止损机制？本文覆盖从统计学理论到工程架构的全链路，适用于数据科学家、产品经理、算法工程师及技术管理者。章节核心内容核心概念。
AB实验求置信区间和p值
不爱吃鱼的馋猫
05-15 872
为了计算AB两组数据的置信区间和p值，我们首先需要确定要使用的统计检验。由于我们有两组独立样本（实验组和对照组），并且想要比较它们的均值是否有显著差异，我们通常使用两独立样本t检验（也称为双样本t检验）。做AB实验，实验组的数值分别为：0.70, 0.697, 0.693, 0.694, 0.726，对照组的0.711, 0.701, 0.695, 0.6956, 0.7287。此外，置信区间的计算是基于t分布的，它依赖于样本大小、自由度和选择的置信水平。在上述代码中，我们使用了95%的置信水平。
AB 实验 p_value 计算
weixin_41888257的博客
09-05 1498
p值计算
p 值计算（置信度）
weixin_41888257的博客
03-28 8644
注意，这里需要对 μ 取绝对值，即 μ=2.273，2.273是介于 1.96 到 2.58 之间，所以 p 值介于 0.01 到 0.05 之间。下图中，μ0 表示整个地区的总体均值，μ 表示整个矿区的整体均值，如下图所示，S 表示标准差，n 表示样本数。
数据分析——AB实验
热门推荐
森谷蘑的博客
03-17 2万+
AB测试 什么是AB测试 AB测试的统计学原理 统计功效是什么 AB实验要开多久，样本量要多少 如何优雅的分析AB实验的结果 AB实验常见注意要点 1. 什么是AB测试 AB实验就是为了验证一个新的产品交互设计、产品功能或者策略、算法的效果，在同一时间段，给多组用户（一般叫对照组和实验组，用户分组方法统计上随机，多组用户统计角度无差别）分别展示优化前和优化后的产品交互设计，并通过数据分析，判断优化前后的方案在一个或多个评估指标上是否符合预期的一种实验方法。 通俗讲就是我们在线上可以切出一部分用户（降低风
ab实验
weixin_46072106的博客
01-06 2609
1. 简介 1.1 定义 在工作和互联网大厂中经常被用来验证一个功能最终是否会被上线的重要手段 1.2 原理 来源于假设检验 比如，现在有两个同质的样本组，对其中一个组做出某种改动 观测这个改动对于我们关注的核心指标是否有显著的影响 这个实验中原假设就是这项改动并不会对我们所关注的核心指标有显著的影响 如果做完这个实验后发现p值足够小，则推翻原假设，证明这项改动会对多关注的核心指标产生显著影响 1.3 本质 同质样本组的对照实验 2. 辛普森悖论 2.1 定义 在某种条件下所关注的两组数据分别
A/B test 的设计与分析（1）
妮可H的博客
01-03 1082
背景介绍 A/B test可以帮助你，通过不断尝试对产品采取一些改变，判断分析哪些改变更受用户青睐，以此来科学地决策如何优化你的网页或者APP。 A/B testing is a general methodology used online when you want to test out a product or a feature. 互联网常用的测试产品的方法 You are gonna take 2 sets of users. Show one set, your contro
论文研读-AI4VIS-可视化推荐-Table2Analysis/Table2Charts
weixin_43413013的博客
08-26 1591
Table2Analysis是发表在AAAI2020上的关于多维数据表格分析的文章，提出了Table2Analysis，从大量(Table,analysis)对中学习常用的分析模式，并推荐对任何一个以前从未见过的表进行分析。 Table2Charts发表在ACM会议KDD ’21（Conference on Knowledge Discovery and Data Mining），提出了 Table2Charts 框架，该框架可以从大量的（表，图表）对语料库中学习通用模式。...
【文献阅读】 2018-SIGKDD-STAMP:Short-Term Attention/Memory Priority Model for Session-based Recommendation
乐川大佛的博客
10-07 1万+
说明 原文链接。 此处将Session-based Recommendation直译为会话推荐，有地方意译为短序列推荐。 此处将external memory译为外部记忆，直译话为外部存储器(外存)，short-term memory译为短期记忆，直译的话为短期存储器。 标题 题目：STMAP:基于会话推荐的短期注意/记忆优先模型 作者： Qiao Liu University of ...
深入浅出：大数据环境下的A_B测试统计学基础
AI天才研究院
04-22 957
在大数据时代，企业和组织拥有海量的数据，如何从这些数据中获取有价值的信息并做出科学的决策是至关重要的。A/B测试作为一种常用的实验方法，能够帮助我们比较两个或多个方案的优劣，从而选择最优方案。本文的目的是深入介绍大数据环境下A/B测试的统计学基础，让读者了解A/B测试背后的原理和方法，掌握如何在实际项目中运用这些知识进行有效的A/B测试。本文的范围涵盖了A/B测试的核心统计学概念、算法原理、数学模型、实际应用案例以及相关工具和资源推荐等方面。
A/B实验详解
weixin_45800439的博客
03-25 1731
数据分析面试经常会问到的AB实验全流程讲解，包看包会，助您在相关面试中快速获取面试官的青睐。
AB测试需要知道的知识
weixin_43418093的博客
04-21 1103
ab实验常用知识点，面试必考！
深入解读AB测试(含统计学原理)
weixin_43805050的博客
03-19 1万+
什么是ABtest Abtest，又称分组隔离实验，是用于衡量网页设计、产品界面不同方案的效果的科学实验方法。 具体过程就是，为同一个产品目标制定两个方案(如一个界面按钮为蓝色，一个为红色)，然后分别为两个方案分配用户流量，同时上线，根据用户的的使用行为效果衡量哪一个方案对于产品目标是有利的，之后就可以将这个方案投入使用。 原则 方案设计：影响用户行为的因素很多，在不同的方案设计中尽可能一次只有...
AB测试的介绍与实施
tutu_a的博客
11-25 3169
AB测试的介绍与实施
AB测试/假设检验
weixin_43852674的博客
02-24 5608
文章目录基础概念：假设检验中的P值假设检验中的α-显著性水平假设检验中的1-α ：置信度/置信水平P值与α的关系双边/单边检验两类错误例题例1:给出两个样本总体的均值，方差和样本个数例2：给出两个样本总体的概率均值和样本个数明确假设：way1: 计算H0的假设前提下的概率：P值way2: 计算H0的假设前提下的Z值Tips给出两个样本总体的均值和样本个数 基础概念： 假设检验中的P值 假设检验是推...
【数理统计】显著性检验
tsfx051435adsl的博客
06-19 3616
假设检验 假设检验(hypothesis testing)，又称统计假设检验，是用来判断样本与样本、样本与总体的差异是由抽样误差引起还是本质差别造成的统计推断方法。 显著性检验 显著性检验是假设检验中最常用的一种方法，其基本原理是先对总体的特征做出某种假设，然后通过抽样样本的分析，对此假设应该被拒绝还是接受做出推断。常用的假设检验方法有t检验、卡方检验、F检验等。 检验的原理 基本思想是小概率事件，即小概率事件在一次试验中是几乎不发生的，但概率小到什么程度才能算作“小概率事件”，一般认为概率P在0.05以内
abtest-显著性差异(significance test)
SAN_YUN的专栏
06-02 1万+
目标转换率变化区间估计：在做A/B test的时候，抽样得到的数据并不能准确反映整体的真实水平，即样本得到的估计是有偏差的，因此需要去评估这个值可能的变化区间。例如通过区间估计得到：          A方案转换率为：6.5% ± 1.5%          B方案转换率为：7.5% ± 1.5% 方案胜出概率估计：由于最终有意义的是确立胜出的版本，然而并不是所有的实验都能做到样本足够大，...
P 值（p value）与统计检验
weixin_30355437的博客
08-26 6219
P 值是最常用的一个统计学指标，几乎统计软件输出结果都有P值。 统计学的观点，超过一定基准（比如 5%，其实是低于5%），就不能简单地认为这是偶然事件了，而是受到了外在的影响。 一般而言，为了确定从样本（sample）统计结果推论至总体时所犯错的概率，我们会利用统计学家所开发的一些统计方法，进行统计检验。 通过把所得到的统计检定值，与统计学家建...
好的，用户现在问的是希望得到一个数据分析师助理可以实际参与科技有限公司项目的例子。首先，我需要回顾一下之前的对话历史，看看有没有相关的信息可以参考。之前用户询问了AB测试在软件测试中的应用，我详细介绍了不同场景、实施流程以及注意事项，还举了实例。现在用户的问题转向数据分析师助理的实际项目参与，可能需要一个具体的案例来说明。 首先，我需要确定用户的需求。他们可能是一名正在学习数据分析的学生，或者刚入行的新人，想了解在实际工作中如何应用所学技能。因此，例子需要具体、可操作，并且涵盖数据分析的关键步骤，比如数据清洗、分析、可视化、报告等。同时，可能需要结合科技公司的常见项目类型，比如用户行为分析、产品优化、市场策略等。 接下来，我应该考虑科技公司中数据分析师助理可能参与的项目类型。比如用户画像构建、销售预测、A/B测试结果分析、运营优化等。选择用户画像构建作为例子可能比较合适，因为这是一个常见的项目，能够展示数据处理的各个阶段，并且结果对产品、市场团队都有直接帮助。 然后，需要确定例子的结构。应该包括项目背景、助理的具体职责、使用的工具和技术、成果输出以及经验总结。这样用户能清晰看到每个阶段的任务和所需的技能。例如，项目背景可以是一个电商平台希望提升复购率，数据分析师助理负责处理数据、分析用户行为，并输出报告。 在职责部分，需要细化到数据清洗、特征工程、分析模型构建、可视化等具体任务。同时，使用Python、SQL、Tableau等工具是行业标准，应该提到。成果方面，可以包括用户分层报告、高价值用户特征、推荐策略建议等，这样能体现实际应用价值。 还需要考虑用户可能关心的点，比如如何与团队协作，如何处理数据中的问题，如何验证分析结果的有效性。例如，在数据清洗阶段可能会遇到缺失值或异常值，助理需要学习如何处理这些问题；在特征工程中需要与产品经理沟通，确保选取的特征符合业务需求。 最后，总结部分需要强调通过这样的项目，助理能够积累哪些经验，比如工具使用、跨部门协作、数据驱动决策的意识等。这样不仅回答了用户的问题，还为他们提供了职业发展的参考。 需要确保整个例子真实可靠，步骤清晰，并且语言简洁易懂。避免使用过多专业术语，但必要时解释清楚，比如p-value、RFM模型等，帮助用户理解概念。同时，结合之前的AB测试例子，可以提到在推荐策略中可能进行A/B测试来验证效果，保持回答的一致性。 以下是一个数据分析师助理在科技有限公司中可实际参与的项目案例，涵盖**真实工作场景**、**技术工具应用**和**成果交付**全流程： --- ### **项目名称：电商平台用户行为分析与复购率提升** **项目背景** 某科技公司旗下电商平台发现近3个月用户复购率下降5%，需通过数据分析定位问题并制定优化策略。 --- #### **数据分析师助理的核心参与环节** ##### 1. **数据清洗与预处理** - **任务**：从MySQL数据库提取用户订单表（`order_table`）、行为日志表（`user_log`）和商品信息表（`product_info`） - **具体工作**： - 使用Python的`pandas`处理缺失值（如补全用户地域字段） - 剔除异常数据（如订单金额为负值的记录） - 关联多表生成宽表： ```sql SELECT o.user_id, o.order_time, p.category, l.click_count FROM order_table o JOIN product_info p ON o.product_id = p.id JOIN user_log l ON o.user_id = l.user_id ``` ##### 2. **用户分层与特征分析** - **工具**：Python（`scikit-learn`聚类算法）、Tableau可视化 - **输出成果**： - **RFM模型**划分用户价值（代码示例）： ```python # 计算R（最近购买时间）、F（购买频次）、M（消费金额） rfm = df.groupby('user_id').agg({ 'order_time': lambda x: (pd.Timestamp.now() - x.max()).days, 'order_id': 'count', 'amount': 'sum' }) ``` - 发现**高价值用户流失特征**： - 过去30天未登录的用户中，35%曾购买单价>500元的3C类商品 - 流失用户的平均页面停留时间比活跃用户低40% ##### 3. **A/B测试支持** - **协作任务**：为产品经理设计优惠券发放策略的AB测试 - 实验组（B组）：向流失高价值用户推送满1000减150元券 - 对照组（A组）：维持原价 - **分析方法**： - 使用SQL计算两组用户的**复购率差异**： ```sql SELECT group_type, COUNT(DISTINCT user_id) AS total_users, SUM(CASE WHEN repurchase_flag=1 THEN 1 ELSE 0 END)/COUNT(*) AS repurchase_rate FROM ab_test_table GROUP BY group_type ``` - 通过**卡方检验**验证显著性（Python代码）： ```python from scipy.stats import chi2_contingency observed = [[120, 380], [200, 300]] # [复购数, 未复购数] chi2, p, _, _ = chi2_contingency(observed) ``` ##### 4. **报告输出与策略建议** - **交付物**：PPT报告 + Excel明细数据 - **核心结论**： - 高价值用户流失主因：**缺乏高单价商品精准推荐**（通过关联规则挖掘发现：购买手机的客户常同时购买耳机，但未触发推荐） - 建议方案： - 优化推荐算法：对3C类用户增加跨品类推荐（如手机→耳机/充电宝） - 建立流失预警模型：当用户连续7天未登录时，触发短信唤醒 --- #### **技术栈与软技能要求** | **环节** | **工具/技能** | |------------------|--------------------------------------| | 数据提取 | SQL（窗口函数、多表JOIN） | | 数据分析 | Python（pandas/numpy/scipy）、Excel | | 可视化 | Tableau/Power BI（制作动态仪表盘） | | 协作沟通 | 与产品/运营团队对齐指标定义、需求拆解 | --- #### **项目成果** - 3个月内试点用户复购率提升**8.2%** - 构建标准化用户分析看板，节省后续同类需求60%时间成本 --- ### **新手学习路径建议** 1. **优先掌握**：SQL复杂查询 + Python数据清洗（可参考《利用Python进行数据分析》） 2. **实战案例**：Kaggle电商数据集（如《Brazilian E-Commerce Public Dataset》） 3. **思维培养**：关注指标波动背后的业务逻辑（例如：复购率下降是否与物流时效相关？） 通过此类项目，助理不仅能积累技术经验，还能深入理解**数据驱动业务决策**的实际价值。 可以给我生成流程图吗
03-27
2. **显著性判断**：A/B测试结果需通过统计检验（如p-value） 3. **迭代优化**：典型场景包括： - 调整推荐算法参数 - 优化优惠券面额/使用门槛 - 修改用户唤醒触达频率 --- ### **延伸学习建议** 1. 用`draw....
评论 9
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值