Basic_Complex_Analysis__A_Comprehensive_Course_in_Analysis，_Part_2A——Simon

2015_Harmonic_Analysis__A_Comprehensive_Course_in_Analysis，_Part_3

英文数值分析教材，内容非常丰富，算法很多，很经典。

分析模式-可复用的对象模型(Analysis.Patterns-Reusable.Object.Models)(中英版)。

本 Matlab 教程演示了修改后的最大方差算法在多通道奇异谱分析 (M-SSA) 的特征向量中的应用。

员工流失-原因和解释 留住人才与留住人才同等重要，而且可能会花更多的时间和金钱，这是因为花了一些时间和金钱来使某个工人适应您的环境和公司。 因此，我认为瞥一眼决定离开公司的工人的主要特征是我们值得的。 为了检查这一事实，我将使用位于Employee Attrition数据集，因为它包含专门为此用例收集的数据。 本研究中使用的版本也专门存储在文件夹data /中，因为网站上的文件可能会随着时间而变化，并且与此处所检查的版本不符。 档案结构 data / ：分析中使用的数据集的版本。 doc / ：由于具有嵌入式图形，因此使用HTML文档，并提供研究的结果和主要结论。 src / ：项目中使用的代码，.Rmd格式。 参考

numerical analysis 数值分析 sauer 2nd edition

情绪分析多任务框架 我对研究论文的实施- 动机 情感和情感分析可应用于各种现实问题，例如股票市场预测，灾难管理系统，健康管理系统，组织或个人用户做出明智决策的反馈系统。 在任何企业中，重要的是要了解客户对您的服务和产品的真实感受，因为那才是真正的区别。 销售数据，调查，社交媒体帖子，评级可能有助于我们大致了解客户的观点，但不能提供关于未所说内容的更细粒度的见解。 这是进行情绪和情感分析的方便之处。 情绪分类和情绪强度预测是单独的但密切相关的任务。 多任务学习框架旨在通过利用多个问题/任务的相互关联性来实现通用化。我研究了研究论文中提出的框架-“多合一：使用多任务进行情绪，情感和强度预测集成框架”。 我重建了模型，以检查和比较多任务框架和单任务框架在情感分类和情感强度预测任务上的性能。 多任务框架 多任务学习是归纳传递的一种方法，它通过将相关任务的训练信号中包含的域信息用作归纳偏差来提高泛

最好的数值分析，数值方法，科学计算的书，讲解清晰完整

Sentiment_analysis_TP4.ipynb