张士玉小黑屋

python在使用pip安装的时候，一些小一点的还好，安装一些大的包的时候，会非常的慢甚至出现timeout的报错，这时我们就可以使用清华大学的镜像来安装，打开终端：pipinstall要安装的包-ihttps://pypi.tuna.tsinghua.edu.cn/simple比如说要安装selenium包,可以这样写pipinstallselenium -ihttps://pypi.tuna.tsinghua.edu.cn/simple可以把清华源设置为默认源首先要把pip升级到10以上pipinstallpip-U设置为默认源pipconfigsetglobal.index-url -ihttps://pypi.tun

目录0写在前面1高斯概率密度2混合高斯分布3GMM算法3.1定义3.2参数估计4Python实现4.1算法流程4.2E步4.3M步4.4可视化0写在前面机器学习强基计划聚焦深度和广度，加深对机器学习模型的理解与应用。“深”在详细推导算法模型背后的数学原理；“广”在分析多个机器学习模型：决策树、支持向量机、贝叶斯与马尔科夫决策、强化学习等。强基计划实现从理论到实践的全面覆盖，由本人亲自从底层编写、测试与文章配套的各个经典算法，不依赖于现有库，可以大大加深对算法的理解。?详情：机器学习强基计划(附几十种经典模型源码)1高斯概率密度

大题应该是有两道，每道10分，具体是不是我也不知道，老师也不确定。①白盒测试——控制流图，给出一段代码，画出控制流图，根据公式求程序段的环形复杂度，求程序基本路径集合中的独立路径；②根据已知条件划分等价类；③ 给出某趋势图分析数据变化情况；④ 用等价类、用决策表、因果图、判定表等各种方法设计测试用例。设计测试用例的方法，这里！https://blog.csdn.net/m0_52861684/article/details/128378397?spm=1001.2014.3001.5501五、设计题1.使用基本路径测试方法测试以下程序段。IntIsLeap(intyear){   if(year%4==0)            

一、前言上一篇我们通过kibana的可视化界面，对es的索引以及文档的常用操作做了毕竟详细的总结，本篇将介绍如何使用java完成对es的操作，这也是实际开发中将要涉及到的。二、java操作es的常用模式目前，开发中使用java操作es，不管是框架集成，还是纯粹的使用es的api，主要通过下面两种方式：rest-api，主流的像  RestHighLevelClient;与springboot集成时的jpa操作，主要是 ElasticsearchRepository相关的api；上面两种模式的api在开发中都可以方便的使用，相比之下，RestHighLevelClient相关的api灵活性更高，而ElasticsearchRepository底层做了较多的封装，学

?作者简介：码上言?代表教程：1、SpringBoot+vue-element开发个人博客项目实战教程2、基于SpringBoot智能图书馆管理系统项目开发教程?我的文档网站：http://xyhwh-nav.cn/后端代码地址：https://gitee.com/whxyh/library-admin-pro前端代码地址：https://gitee.com/whxyh/library-admin-web文章目录1、项目环境搭建1.1、安装JDK1.2、安装IntellijIDEA</

业务模型设计业务模型设计统一语言、术语统一单词业务数据表模型规范数据库范式几个经验业务模型索引主键：自增id、雪花id、和uuid差别创建表字符集设置myisam和innodb区别业务模型设计统一语言、术语定义：需求分析的过程（系统目标、范围、具体功能达成一致的过程）中提炼领域知识的产出物意义：在统一语言的前提下可以寻找正确的领域概念，为建立领域模型提供重要参考。消除领域专家与团队、以及团队成员之间沟通的分歧与误解统一语言的体现：1统一的领域术语（描述什么的）2领域行为描述（干什么的）化解精通业务的领域专家和善于技术的开发人员对业务术语理解之间的鸿沟。统一单词多团队协作时业务术语的描述统一举个栗子：业务数据表模型规范表名称、字段

引言对比了R-CNN，FastR-CNN，FasterR-CNN，MaskR-CNN目标检测算法的发展过程与优缺点。R-CNNR-CNN是第一个成功第将深度学习应用到目标检测的算法。后面的FastR-CNN，FasterR-CNN都是建立在R-CNN的基础上的。R-CNN的检测思路是采用提取矿，对每个提取矿提取特征，图像分类，非极大值一直的四个步骤进行的。步骤：在数据集上训练CNN。R-CNN的论文中使用的CNN网络是AlexNet，数据集是ImageNet。在目标检测的数据集上，对训练好的CNN做微调。使用SelectiveSearch搜索候选区域，统一使用微调后的CNN对这些区域提取特征，并将提取额特征存储起来。使用存储起来的特征，训练SVM分类器。这里可以看到这

视频作者：菜菜TsaiTsai链接：【技术干货】菜菜的机器学习sklearn【全85集】Python进阶_哔哩哔哩_bilibili可以只看轮廓系数和卡林斯基-哈拉巴斯指数不同于分类模型和回归，聚类算法的模型评估不是一件简单的事。在分类中，有直接结果（标签）的输出，并且分类的结果有正误之分，所以我们使用预测的准确度等指标来进行评估，但无论如何评估，都是在”模型找到正确答案“的能力。回归的评估也类似分类，都是基于标签的评估。但这些衡量指标都不能够使用于聚类。那么如何衡量聚类算法的效果？记得我们说过，KMeans的目标是确保“簇内差异小，簇外差异大”，我们就可以通过衡量簇内差异来衡量聚类的效果。我们刚才说过，Inertia是用距离来衡量簇内差异的指标，因此，我们可以使用Iner

自定义组件    组件定义                1、创建组件                        构造器使用的时Component                        配置文件中设置component:true                2、引入组件                        首先声明这个组件，在配置文件声明"usingComponents":{"my-button":"/components/MyButton/MyButton"},        3、设置插槽<slot></slot>        4、命名插槽Component({opti

网络安全是指网络系统的硬件，软件以及系统中的数据收到的保护。保护的基本属性为：机密性，身份认证，完整性和可用性；基本特征：相对性，时效性，相关性，不确定性，复杂性和重要性。在该方向主要研究如下领域：入侵者如何攻击网络，如何防护网络对抗攻击，设计网络体系结构免疫攻击。因为Internet最初设计几乎没考虑安全性，所以网络安全需要在网络的各个层次考虑。网络安全威胁主要有窃听，插入，假冒（伪造源IP），劫持接管连接和拒绝服务等攻击，具体方法如下：映射（扫描）：确定主机开放的端口及运行的服务，工具nmap；对策：记录网络配置，分析识别可疑活动。分组嗅探：借助广播介质，网卡在混杂模式下接口接受记录所有经过的分组帧，工具wireshark；对策：组织中的主机运行软件，周期性监测网络接口