勋章
粉丝
技术能力
暂时未有相关云产品技术能力~
AI冲
-
发表了文章 2024-06-21
数组计算模块NumPy(一）
NumPy是Python科学计算的核心库，提供高性能的数组和矩阵操作，支持大量数学函数。它包括一维、二维到多维数组，并通过C实现，优化了计算速度。
-
发表了文章 2024-06-21
AI ppt生成器 Tome（一）
Tome是一款AI驱动的幻灯片生成工具，输入标题或描述即可自动生成包含标题、大纲、内容和图片的PPT。它提供丰富的模板、素材库、多语言支持及多种内容类型，如文本、图片、视频等。用户可通过提示栏、DALL-E 2生成图像，并可嵌入网页内容。注册后，用户可以方便地创作高质量PPT，支持视频录制和个性化定制。[链接：Tome | Polished & Professional AI Presentations](https://beta.tome.app/)
-
发表了文章 2024-06-21
AI ppt生成器 Tome（二）
Tome 是一个AI PPT生成器，能根据用户输入自动生成内容和图片。用户可通过工具栏与AI对话来调整PPT，支持样式定制。优点包括：AI生成内容（支持中英文）、图片生成、多媒体嵌入及多语言输入。缺点：不支持导出下载和模板有限。
-
发表了文章 2024-06-21
Seaborn 可视化（一）
Seaborn是Python的一个基于matplotlib的统计图形库，提供交互式界面，便于创建吸引人的统计图表。它与Pandas集成良好，支持直接使用DataFrame数据进行绘图。Seaborn能绘制直方图（distplot）、密度图（核密度估计）、条形图（计数图）以及散点图（regplot、lmplot、jointplot），适用于单变量和双变量数据分析，如展示分布、关系和趋势。例如，`sns.distplot()`用于直方图，`sns.lmplot()`和`sns.jointplot()`则用于绘制散点图并可添加回归线。
-
发表了文章 2024-06-21
Pandas透视表及应用（二）
这个文本是关于使用Pandas进行数据分析的教程，主要关注会员数据的处理和业务指标的计算。
-
发表了文章 2024-06-21
Pandas数据可视化（一）
Pandas是Python数据分析的核心库，不仅用于数据加载和转换，还内置了简单的数据可视化功能。通过`.plot()`方法，可以创建条形图、折线图、直方图和饼图等，便于单变量分析。例如，用葡萄酒数据集展示了不同产区的葡萄酒数量，加利福尼亚占比最高。条形图适合比较类别间的差异，折线图则用于显示趋势。直方图用于数值分布，但对倾斜数据（极值影响）敏感。饼图展示类别占比，但不适用于大量分类。Pandas的可视化帮助我们理解数据集的结构和特征。
-
发表了文章 2024-06-21
Pandas数据可视化（二）
**Pandas数据可视化教程聚焦于双变量分析，如散点图和堆叠图。散点图用于揭示两个变量间的关联，例如价格和评分，较大的点可能表示价格更高的葡萄酒得分更高。当数据过多时，可使用hexplot减少过度绘制，提供密度信息。堆叠图适合展示类别变量的分布，如不同葡萄酒类型的评分分布，显示了Chardonnay等品种的受欢迎程度。**
-
发表了文章 2024-06-21
Matplotlib的详细使用及原理（三）
这篇文章介绍了如何使用Python的Matplotlib库绘制线条。主要内容包括两种绘制线条的方法：
-
发表了文章 2024-06-21
Matplotlib的详细使用及原理（二）
Matplotlib是一个Python库，用于创建二维和三维图表，它是NumPy的扩展。使用时，首先创建`Figure`实例，然后在其上添加`Axes`或`Subplot`。每个图表元素（如线、散点、直方图）都是一个`Artist`对象，具有属性如`alpha`、`visible`等，可以通过`get_`和`set_`方法进行访问和修改。`Figure`和`Axes`对象都有对应的`patch`属性，分别代表它们的背景矩形。图形中的线条（`Line2D`）是基本要素之一，可配置颜色、线型、宽度等属性。
-
发表了文章 2024-06-21
Matplotlib的详细使用及原理（一）
`matplotlib`是Python的数据可视化库，用于生成高质量的2D图形，支持静态、动态和交互式图表。它是pandas和seaborn等库的底层基础。基本绘图通过`pyplot.subplots`创建figure和axes，然后用`plot`函数绘制线条。例如，`plt.plot([1, 2, 3, 4], [1, 4, 2, 3])`可绘制简单折线图。matplotlib有三种API层次，包括FigureCanvas、Renderer和Artist，其中Artist对应具体的图形元素。此外，matplotlib的绘图接口分为显式创建和pyplot隐式创建两种方式。
-
发表了文章 2024-06-21
蓝桥杯宝藏排序题目算法(冒泡、选择、插入)
以下是内容的摘要： 本文介绍了三种排序算法：冒泡排序、选择排序和插入排序。冒泡排序通过不断交换相邻的逆序元素逐步排序，最坏情况下需要 O(n^2) 次比较。选择排序在每轮中找到剩余部分的最小元素并放到已排序序列的末尾，同样具有 O(n^2) 时间复杂度。插入排序则是将每个元素插入到已排序序列的正确位置，时间复杂度也是 O(n^2)，但空间复杂度为 O(1)。
-
发表了文章 2024-06-21
Pandas的datetime数据类型（一）
Python中内置了`datetime`模块，用于处理日期和时间。可以使用`datetime.now()`获取当前时间，或通过`datetime(year, month, day)`创建指定日期。在Pandas中，`pd.to_datetime()`函数用于将数据转换为`Timestamp`或`DatetimeIndex`，如从CSV加载数据时转换日期列。此外，`pd.read_csv()`的`parse_dates`参数可以直接将指定列解析为日期类型。Pandas的`Timestamp`对象还允许提取年、月、日等部分。
-
发表了文章 2024-06-21
Python高级语法与正则表达式(二）
正则表达式描述了一种字符串匹配的模式，可以用来检查一个串是否含有某种子串、将匹配的子串做替换或者从某个串中取出符合某个条件的子串等。
-
发表了文章 2024-06-21
pytorch张量的创建
• 张量（Tensors）类似于NumPy的ndarrays ，但张量可以在GPU上进行计算。从本质上来说，PyTorch是一个处理张量的库。一个张量是一个数字、向量、矩阵或任何n维数组。
-
发表了文章 2024-06-21
逻辑回归的介绍和应用
**逻辑回归简介** 逻辑回归是一种分类模型，尽管名字含“回归”，实际上是用于二分类问题的。它简单易懂，计算高效，适用于许多领域，如医学、社会科学、市场营销等。优点是模型简单，易于实现，具有强解释性。然而，它易受多重共线性影响，可能欠拟合，分类精度有限，尤其对非线性问题和数据不平衡问题处理不佳。在实践中，逻辑回归常作为其他复杂算法的基线，如用于信用卡欺诈检测和点击率预测。通过调整和与其他技术结合，如GBDT，可以提升其性能。
-
发表了文章 2024-06-21
Linux文件管理命令(二）
`Linux`文件管理涉及`ls`显示目录内容，`cd`切换目录，`pwd`显示当前目录，`whoami`显示当前用户，`hostname`显示主机名，目录使用正斜杠 `/` 分隔，根目录始于第一个 `/`。`man`命令用于获取命令帮助，如`man ls`，也可用`--help`参数，如`ls --help`。常用快捷键包括`Ctrl+C`取消操作，`Ctrl+L`清屏，`Ctrl+D`退出用户，`Ctrl+A`移动光标到行首，`Ctrl+E`移动到行尾。查看`PATH`环境变量用`echo $PATH`。
-
发表了文章 2024-06-21
数据结构算法--6 希尔排序和计数排序
**希尔排序**是插入排序的改进版，通过分组插入来提高效率。它逐步减少元素间的间隔（增量序列），每次对每个间隔内的元素进行插入排序，最终增量为1时进行最后一次直接插入排序，实现整体接近有序到完全有序的过程。例如，对数组`5, 7, 4, 6, 3, 1, 2, 9, 8`，先以间隔`d=4`排序，然后`d=2`，最后`d=1`，完成排序。计数排序则适用于0到100的数值，通过统计每个数出现次数，创建对应计数数组，再根据计数重建有序数组，时间复杂度为`O(n)`。
-
发表了文章 2024-06-21
Linux文件管理命令(一）
这是关于Linux命令行的一些内容，主要包括了一些常见的Linux命令及其参数的用法。例如，`ls` 命令用于列出目录内容，不同的参数如 `-a` 显示所有文件（包括隐藏文件），`-l` 以详细模式显示，`-S` 按大小排序等。`mkdir` 命令用于创建目录，`cp` 命令用于复制文件或目录，`mv` 命令用于移动或重命名文件或目录，而`rm` 命令则用于删除文件或目录。在使用这些命令时，可以结合不同的参数来实现不同的操作。
-
发表了文章 2024-06-21
数据结构算法--2 冒泡排序，选择排序，插入排序
**基础排序算法包括冒泡排序、选择排序和插入排序。冒泡排序通过相邻元素比较交换，逐步将最大值“冒”到末尾，平均时间复杂度为O(n^2)。选择排序每次找到剩余部分的最小值与未排序部分的第一个元素交换，同样具有O(n^2)的时间复杂度。插入排序则类似玩牌，将新元素插入到已排序部分的正确位置，也是O(n^2)复杂度。这些算法适用于小规模或部分有序的数据。**
-
发表了文章 2023-12-15
初识Linux
Linux 和 操作系统简介
-
发表了文章
2024-06-22
LLM主要类别架构（二）
-
发表了文章
2024-06-22
LLM主要类别架构（一）
-
发表了文章
2024-06-22
大模型Prompt-Tuning技术入门（二）
-
发表了文章
2024-06-22
大模型Prompt-Tuning技术入门（一）
-
发表了文章
2024-06-22
Sklearn中逻辑回归建模
-
发表了文章
2024-06-22
机器学习归一化特征编码（一）
-
发表了文章
2024-06-22
机器学习归一化特征编码（二）
-
发表了文章
2024-06-22
GBDT算法超参数评估（二）
-
发表了文章
2024-06-22
机器学习多场景实战（二 ）
-
发表了文章
2024-06-22
GBDT算法超参数评估（一）
-
发表了文章
2024-06-22
机器学习多场景实战（一）
-
发表了文章
2024-06-22
反向传播算法
-
发表了文章
2024-06-22
Transformer介绍
-
发表了文章
2024-06-22
梯度提升树GBDT系列算法
-
发表了文章
2024-06-22
BERT+PET方式模型训练（一）
-
发表了文章
2024-06-22
使用seq2seq架构实现英译法（二）
-
发表了文章
2024-06-22
使用seq2seq架构实现英译法（一）
-
发表了文章
2024-06-22
BERT+PET方式模型训练（二）
-
发表了文章
2024-06-22
大模型Prompt-Tuning技术进阶
-
发表了文章
2024-06-22
AB测试实战（二）
