第1篇 研究概论 第1章 科学与社会研究 第2章 社会研究的伦理与政治 第3章 研究、理论与范式 第2篇 研究的建构:定量与定性 第4章 研究项目的目的与研究设计 第5章 抽样逻辑 第6章 从概念到测量 第7章 指标、量表和分类法 第3篇 观察的方式 第8章 问卷调查 第9章 实验方法 第10章 非介入性测量 第11章 定型实地研究的范式、方法与伦理 第12章 评估研究:类型、方法与议题
2022-06-12 14:05:57 9.22MB 社会研究方法
tsi研究 时间序列可解释性研究
2022-06-05 22:01:45 11KB Python
1
matlab 10折交叉验证知识代码简介:预测和可视化的结果位于“结果”文件夹下。 那些ML模型预测的是每条记录的位置,而html文件可视化的是车辆加速和访问的前10个位置。 这些html文件由Python脚本生成,将位置速度限制与汽车记录进行比较,并计算所有位置的频率。 原始数据集(位于文件夹“ 1-data-preprocessing”中): linkinfo-copy.csv:包含传感器信息的excel文件 traffic-csv文件夹:该文件夹包括从04/2015到12/2016的所有流量记录 源代码: 1-data-preprocessing文件夹:该文件夹包括有关数据预处理的所有脚本(步骤1) 2-ml-model:包含所有机器学习脚本的文件夹(第2步) 3-可视化:该文件夹包括有关可视化的所有脚本(第3步) 补充材料: 纸文件夹:包含我用作参考的所有纸的文件夹 结果文件夹:该文件夹包含屏幕截图和ML预测和可视化结果的输出 ================================================== =========================
2022-05-20 14:20:55 141.36MB 系统开源
1
In: (B+H)CI: The Human in Brain-Computer Interfaces and the Brain in Human Computer Interaction. Desney S Tan, Anton Nijholt (eds.)
2022-05-19 14:08:00 1.18MB matlab EEG Brain-ComputerI
1
研究微电网 该存储库包含为科罗拉多州丹佛大学的Park博士的微电网研究编写的代码。 目的是实现一个JADE代理,该代理从电网控制/监视设备的分布式系统接收近实时数据。 它应将数据存储在SQL中并将其发送到映射整个系统的GUI。 我将其作为事件驱动的图形数据来解决。 功率控制/监视网络以图形表示。 数据被其他代理“推送”到该存储库中实现的“数据代理”。 每个数据结构都在“ abs”包中抽象化,因此理论上可以出于完全不同的目的重用该代码。 参见Graph和MicrogridGraph 。 贡献者 通过类文档中的@author注释为该存储库中的每个类分配一个“主要”作者。 该主要作者的名字和姓氏应首先在课程文档中列出。 主要作者应该是有关课程的“要问的人”。 如果您对课程有疑问,请联系该人。 其他贡献者应在作者列表中稍后列出。 贡献者应将联系信息留在自述文件中,以便将来的贡献者可以找到它。
2022-05-18 21:14:15 48.47MB data sql realtime event
1
This book is a handbook and a survival manual for PhD students. If you are intending to embark on a research degree it will introduce you to the system and, by increasing your understanding, help you to improve your choice of university, college, department and supervisor.
2022-05-17 13:38:52 1.28MB Research PhD
1
The research on facial expression recognition - 发布.zip
2022-05-15 13:05:01 10.07MB expressionrecog
Role2Vec ⠀ ⠀ 基于学习角色的图嵌入的可扩展并行gensim实现(IJCAI 2018) 。 抽象的 随机游走是许多现有网络嵌入方法的核心。 但是,这样的算法由于使用随机游走而具有许多局限性,例如,由于这些方法所产生的特征与顶点身份相关联,因此无法转移到新的节点和图上。 在这项工作中,我们介绍了Role2Vec框架,该框架使用了归因于随机游走的灵活概念,并为泛化现有方法(例如DeepWalk,node2vec和许多利用随机游走的其他方法)奠定了基础。 我们提出的框架使这些方法可以更广泛地应用于转导和归纳学习,以及在具有属性的图上使用(如果可用)。 这是通过学习泛化到新节点和图的功能来实现的。 我们表明,我们提出的框架是有效的,平均AUC改善了16.55%,同时所需的空间比各种图形上的现有方法平均少853倍。 二阶随机游走采样方法取自的参考实现。 该模型现在也可在包中找到。
2022-05-14 17:39:27 4.35MB machine-learning research deep-learning tensorflow
1