应用随机过程概率模型导论 第11版 [（美）SHELDON M.ROSS著；龚光鲁译][人民邮电出版社][2016.03][638页 下 超清

将远程随机感染引入到经典的SIRS模型来研究复杂网络上疾病传播行为，考虑到感染节点在以一定概率把疾病感染到其邻接节点的同时，随机选取网络中一个不存在边连接的非邻接节点，并以一定的远程感染概率进行感染。针对小世界网络和无标度网络，分别采用重连概率相关和度相关的远程感染概率，利用平均场的方法求得改进的SIRS模型在这两种网络上的传播阈值以及稳态感染密度。数值仿真结果表明：对于小世界网络，有效传播率在一定范围内，重连概率对稳态感染密度和传播速度有明显的影响，超过这个范围，重连概率对稳态感染密度的影响可以忽略；而

预防心脏病变得非常必要。良好的数据驱动的心脏病预测系统可以改善整个研究和预防过程，确保更多的人可以过上健康的生活。这就是机器学习发挥作用的地方。机器学习有助于预测心脏疾病，而且做出的预测相当准确。 该项目涉及对心脏病患者数据集进行分析，并进行适当的数据处理。然后，训练不同的模型，并使用不同的算法KNN、决策树、随机森林进行预测

内含数据集以及算法的源码，适合算法工程师在本领域的练手项目

随机信号处理及应用（清华大学罗鹏飞张文明版）详尽课后答案

1. 生成源码 复制代码 代码如下: # -*- coding: utf-8 -*- import random def generate_verification_code():     ”’ 随机生成6位的验证码 ”’     code_list = []     for i in range(10): # 0-9数字         code_list.append(str(i))     for i in range(65, 91): # A-Z         code_list.append(chr(i))     for i in range(97, 123): # a-z   

基于Python和PIL库，根据gif图片不同图层随机匹配生成新的gif图片，可用于生成PFP头像类NFT数字藏品项目。

NFT图像随机组合 图片按图层随机组合

ner_crf ner_crf是Jupyter笔记本，它使用 / 实现，使用条件随机字段（CRF）描述了命名实体识别（NER）。 依存关系 ner_crf用编写，因此在使用python3之前应下载最新版本的python3 。 可以从找到python的下载（建议使用3.5.1版）。 您还需要能够运行Jupyter Notebook（请参阅 ）。 还需要以下python库来运行ner_crf笔记本：

本文针对时域方法只需实测响应信号的特点，对基于环境激励下模态参数识别的时域方法ITD法、随机减量技术进行详细讨论，并针对两种算法的特点，将其结合形成随机减量技术／ITD时域联合算法，使之有效识别环境激励下结构模态参数，并建立混凝土连续梁结构数值模型进行仿真模拟，验证了算法的可行性，为工程实践提供了有益的帮助．