Excel2013函数公式大全(二)

请看观看原创https://blog.csdn.net/qq_34120459/article/details/88312781

 

1-11 SUM

  1. 实例1:SUM累计余额计算
    1
  2. 实例2:合并单元格也能求和
  •  实现向上累计求和
    8
  •  直接将不需要的单元格删掉,就能得出合并单元格的总分:
    9

1-12 AVERAGE的另类用法

  1. 求如果工资大于4000的,减100元,否则减50元
    10
  2. 计算一下三个月工资都大于3000的平均工资
    11

1-13 COUNT应用巩固

  •  计算每一课的出勤率?
    12
  •  计算一下缺考人数?(ctrl+shift+回车 得到{}变成数组)
    13
    14

1-14 MIN函数的用法

  •  实例1:求所有月份大于等于3000的平均工资?
    15
    16

1-15 MAX函数的用法

  •  实例1:计算一下迟到人员的迟到时间。(上班时间为8:00)
    17

  •  实例2:修改下面采购订单的数量
    18
    19
    20

1-16 常用函数应用(强化应用)

  •  实例1:求1-5月各产品的总数量?
    21
  •  实例2:求出下面业绩的超额部分和差额部分?
    22

1-17 数组技术

  •  数组:
    将数据按一定顺序排列的集合。(一组数据)
  •  从引用区域与数组的关系:
    一维纵向、一维横向、二维引用
  •  数组创建:
    引用单元格数据创建、手工创建、计算创建

1-18 掌握数组的运算基础

  1. 数组中可以是任何类型的数据:
    数字、文本、逻辑值、错误值
  2. 数组运算时应用到的运算符:
    比较运算符、数字运算符、文本连接符
  3. 将数组结果输出到单元格:
    ①输出到多个单元格
    23
    ②输出到单个单元格
    24

1-19 一维数组与单值运算

25
26
27

1-20 二维数组与单值运算

28
29

 

版权声明:本文为CSDN博主「可爱丸学python」的原创文章,转载请附上原文出处链接及本声明。
请看原创链接:https://blog.csdn.net/qq_34120459/article/details/88312781

 

 

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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