Eigen3.3.4 最新版chm参考文档。是最新版的，非常全面。

音频处理speex库API参考文档

本资源包含了收集到的”多元线性回归“算法的介绍文档、Java实现以及Excel多元线性回归分析功能的使用方法。并基于同一份数据，分别用来源于网络的2种Java代码、Excel进行了计算，并对3者的计算结果进行了比较，以验证算法的准确性，希望本资源能让有需要的朋友少走一些弯路

用于 JavaScript 的 Google Maps API V3 中文参考文档 与官网文档格式基本相同

本合集是我从网上收集来的，特此奉献给大家。为方便大家学习，word文档经过了校对，更正了一些错误，增加了一些英文语句翻译，补充了一些命令的说明，添加了我自己写的一个真实案例。 SecureCRT V8.3.4官方文档.chm secureCRT VBS脚本语法.doc SecureCRT使用进阶篇.doc SecureCRT脚本对象详解.doc SecureCRT脚本编写方法.doc SecureCrt自动化——疯狂的杰瑞.doc SecureCRT自动日志功能和脚本录制功能.doc SecureCrt英文VBS脚本手册.pdf 一个真实的用VBS脚本控制SecureCRT每天自动备份网络设备配置文件的案例.rar 使用Python脚本控制SecureCRT笔记.pdf 利用SecureCRT的VBS进行自动化控制.doc 利用SecureCRT的脚本功能自动定时执行任务.doc

最新python3.7.1rc1参考文档,chm格式，学习和使用python的离线参考

AVX指令集的详细介绍

文本挖掘tmSVM开源项目集成libSVM和liblinear包含Python和Java两种版本带PDF源码参考文档 简介 文本挖掘无论在学术界还是在工业界都有很广泛的应用场景。而文本分类是文本挖掘中一个非常重要的手段与技术。现有的分类技术都已经非常成熟，SVM、KNN、Decision Tree、AN、NB在不同的应用中都展示出较好的效果，前人也在将这些分类算法应用于文本分类中做出许多出色的工作。但在实际的商业应用中，仍然有很多问题没有很好的解决，比如文本分类中的高维性和稀疏性、类别的不平衡、小样本的训练、Unlabeled样本的有效利用、如何选择最佳的训练样本等。这些问题都将导致curve of dimension 、 过拟合等问题。 这个开源系统的目的是集众人智慧，将文本挖掘、文本分类前沿领域效果非常好的算法实现并有效组织，形成一条完整系统将文本挖掘尤其是文本分类的过程自动化。该系统提供了Python和Java两种版本。 主要特征 该系统在封装 libsvm 、 liblinear 的基础上，又增加了 特征选择 、 LSA特征抽取 、 SVM模型参数选择 、 libsvm格式转化模块 以及一些实用的工具。其主要特征如下： 封装并完全兼容*libsvm、liblinear。 基于Chi*的feature selection 见 feature_selection 基于Latent Semantic Analysis 的feature extraction 见 feature_extraction 支持Binary,Tf,log(tf),Tf*Idf,tf*rf,tf*chi等多种特征权重 见 feature_weight 文本特征向量的归一化 见 Normalization 利用交叉验证对SVM模型参数自动选择。 见 SVM_model_selection 支持macro-average、micro-average、F-measure、Recall、Precision、Accuracy等多种评价指标 见evaluation_measure 支持多个SVM模型同时进行模型预测 采用python的csc_matrix支持存储大稀疏矩阵。 引入第三方分词工具自动进行分词 将文本直接转化为libsvm、liblinear所支持的格式。 使用该系统可以做什么 对文本自动做SVM模型的训练。包括Libsvm、Liblinear包的选择，分词，词典生成，特征选择，SVM参数的选优，SVM模型的训练等都可以一步完成。 利用生成的模型对未知文本做预测。并返回预测的标签以及该类的隶属度分数。可自动识别libsvm和liblinear的模型。 自动分析预测结果，评判模型效果。计算预测结果的F值、召回率、准确率、Macro,Micro等指标，并会计算特定阈值、以及指定区间所有阈值下的相应指标。 分词。对文本利用mmseg算法对文本进行分词。 特征选择。对文本进行特征选择，选择最具代表性的词。 SVM参数的选择。利用交叉验证方法对SVM模型的参数进行识别，可以指定搜索范围，大于大数据，会自动选择子集做粗粒度的搜索，然后再用全量数据做细粒度的搜索，直到找到最优的参数。对libsvm会选择c,g(gamma)，对与liblinear会选择c。 对文本直接生成libsvm、liblinear的输入格式。libsvm、liblinear以及其他诸如weka等数据挖掘软件都要求数据是具有向量格式，使用该系统可以生成这种格式：label index:value SVM模型训练。利用libsvm、liblinear对模型进行训练。 利用LSA对进行Feature Extraction*，从而提高分类效果。 开始使用 QuickStart里面提供了方便的使用指导 如何使用 该系统可以在命令行（Linux或cmd中）中直接使用，也可以在程序通过直接调用源程序使用。 在程序中使用。 #将TMSVM系统的路径加入到Python搜索路径中 import sys sys.path.insert(0,yourPath+"\tmsvm\src") import tms #对data文件夹下的binary_seged.train文件进行训练。 tms.tms_train(“../data/binary_seged.train”) #利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测 tms.tms_predict(“../data/binary_seged.test”,”../model/tms.config”) #对预测的结果进行分析，评判模型的效果 tms. tms_analysis(“../tms.result”) 在命令行中调用 #对data文件夹下的binary_seged.train文件进行训练。 $python auto_train.py [options] ../data/binary_seged.train #利用已经训练好的模型，对对data文件夹下的binary_seged.test文件预测 python predict.py ../data/binary_seged.train ../model/tms.config #对预测的结果进行分析，评判模型的效果 $python result_anlaysis.py ../tms.result 上面的调用形式都是使用系统中默认的参数，更具体、灵活的参数见程序调用接口 输入格式 label value1 [value2] 其中label是定义的类标签，如果是binary classification，建议positive样本为1，negative样本为-1。如果为multi-classification。label可以是任意的整数。 其中value为文本内容。 label 和value以及value1 和value2之间需要用特殊字符进行分割，如”\t” 模型输出 模型结果会放在指定保存路径下的“model”文件夹中，里面有3个文件，默认情况下为dic.key 、 tms.model和tms.config 。 其中dic.key为特征选择后的词典； tms.model为训练好的SVM分类模型; tms.config为模型的配置文件，里面记录了模型训练时使用的参数。 临时文件会放在“temp”文件夹中。里面有两个文件：tms.param和tms.train。 其中tms.param为SVM模型参数选择时所实验的参数。 tms.train是供libsvm和liblinear训练器所使用的输入格式。 源程序说明 src:即该系统的源代码，提供了5个可以在Linux下可以直接调用的程序:auto_train.py、train.py、predict.py为在Linux下通过命令行调用的接口。 tms.py 为在程序中调用的主文件，直接通过import tms 即可调用系统的所有函数。其他文件为程序中实现各个功能的文件。 lsa_src：LSA模型的源程序。 dependence:系统所依赖的一些包。包括libsvm、liblinear、Pymmseg在Linux32位和64位以及windows下的支持包(dll,so文件)。 tools:提供的一些有用的工具，包括result_analysis.py等。 java：java版本的模型预测程序， 项目重要更新日志 2012/09/21 针对linux下的bug进行修正。重新生成win和linux版本的。 2012/03/08 增加stem模块，并修正了几个Bug。 2011/11/22 tmsvm正式发布。 联系方式 邮箱:zhzhl202@163.com Thanks 本系统引用了libsvm、liblinear的包，非常感谢Chih-Jen Lin写出这么优秀的软件。本系统还引用了Pymmseg，非常感谢pluskid能为mmseg写出Python下可以直接使用的程序 从最初的想法萌生到第一版上线，中间试验了很多算法，最终因为效果不好删掉了很多代码，在这期间得到了许多人的帮助，非常感谢杨铮、江洋、敏知、施平等人的悉心指导。特别感谢丽红一直以来的默默支持。

G-series Lua API 参考文档V8.50 G-series Lua API 参考手册是一套使用Lua脚本编程语言描述并且为 G-series 系列游戏键盘提供高级脚本功能。 该文档是在假设您已初步掌握Lua脚本编程语言使用方法的前提下进行的。如果您想了解更多信息请访问 www.lua.org。 每项 G 系列的配置文件都有一个默认的Lua脚本与其绑定，并且您可以根据您的喜好随意编辑或者自定义。该脚本借助并使用一个名为OnEvent的事件句柄。用户可以通过检查此句柄中触发的各种事件以执行用户所希望的动作。

python networkX包最新参考文档，700多页，学习社会网络分析的好资源