奥运
该项目的目的是清理，处理和可视化奥林匹克数据集
我正在探索Kaggle的Olympics数据集。 我正在尝试回答以下问题，
夏季奥运会前十大运动项目是什么，在过去的50年中它们是如何发展的？
这些国家/地区在奖牌方面表现如何，哪个国家获得了最大的成功，哪个国家在获得奖牌方面的成功最少，如何分配？
为了可视化问题1，我使用了交互式散点图来显示随着时间的推移最受欢迎的运动，并且为了可视化问题2，我使用了世界的choropleth地图来显示奖牌是如何分布在120枚上的世界各国之间的一年期。 我已经使用Python和Jupyter Notebook进行数据清理和可视化。
2023-04-12 23:56:49
4.79MB
1
毕业设计
这是我使用“深度学习”的学士学位毕业项目的仓库。
2023-04-12 21:15:11
360.33MB
1
准备
首次安装
Git克隆：
git clone https://github.com/inuris/invoice.git invoice
更新包：
cd invoice
npm install
运行应用
cd invoice
gulp
转到链接http://localhost:8000/tên_mẫu/以查看示例
源代码结构
来源在文件夹invoice/src/
生成的代码位于invoice/dist/comCode文件夹中
新的高清模板创建
运行./new.bat
选择一个模板
输入comCode （简称）
输入要发布的文件夹名称
2023-04-12 18:02:16
10.3MB
1
概要
我的英超联赛梦幻足球比赛的Web应用程序。 用Flask Web框架编写，用于Python。
执照
2023-04-12 16:49:00
34KB
1
庞巴迪CRJ700系列
这是一个为开发庞巴迪CRJ700支线飞机的项目。
它已经是一架功能完备，功能齐全的飞机，具有逼真的模型，驾驶舱和自动驾驶仪。 有效地停止了活动开发，并且仅在进行了错误修正和定期维护。
当然，欢迎您提供捐助和请求。
在下一个FlightGear版本之前，最新的CRJ700已推出 。
执照
请参阅许可（duh）。
学分
我自己制作的FDM和模型Ryan Young。
飞行装备和模型也由FlightGear的其他粉丝贡献：
“ SP-LEC”
“ 07-BUT”
罗兰·哈德（Roland Hader）（“ Quix0r”）
托马斯·伊托海（Thomas Ito-haigh）
特别感谢这些人：
埃米利安（Emilian Huminiuc）（“ i4dnf”）
薇薇安·梅亚莎（Vivian Meazza）
西德·亚当斯（Syd Adams）
完整的积
2023-04-12 11:36:57
48.31MB
1
主要介绍了页面的缓存与不缓存设置及html页面中meta的作用的相关资料,需要的朋友可以参考下
2023-04-12 08:27:42
73KB
1
最近两天在弄一个界面显示的事情，虽然要求不高，不过还是想做得好看一些，就想在htmldialog上来显示web脚本，这样也方便格式化显示。
但是这htmldialog只能显示url，而无法显示一段html脚本，于是通过研究和思路改变，也为了以后方便使用，特意写了个简单的dll库来实现这个功能，它可以加载url，也可以加载一段html代码。
加载url时，由于没有处理安全类的东西，所以可能会出现许多提示，所以此库不建议使用这一功能。
加载html代码时，应该是需要一个完整的代码，包括<html>等标签
工程说明：
都采用vs2015编译
showhtml 工程：主功能实现库，可以在其它程序中使用它，包含showhtml/showhtml.api.h文件，然后链接showhtml.lib。其提供两个接口：
CreateHtmlShow()，用于生成一个用来显示的窗口，它必需有一个父窗口，其返回值在后面显示时需要。如果返回值小于等于0，则表示失败
NavigateHtml()，用于加载一个url或者显示一段html代码，其第一个参数为CreateHtmlShow()的返回值。
CreateHtmlShow()接口返回值存在的意义，在一个程序中，可能会同时多个地方显示html内容，所以需要对每个显示添加标示
至于窗口关闭时，则库自动删除对应的web显示窗口。
shdemo 工程：html显示的测试工程
如有问题，请联系：
hyd2001_2008@163.com
2018.7.10
2023-04-12 07:35:54
6.39MB
1
NAM：神经加性模型-可解释的机器学习与神经网络
| |
NAM是用于广义加性模型研究的库。 神经加性模型（NAM）将DNN的某些表达能力与广义加性模型的固有清晰度结合在一起。 NAM学习神经网络的线性组合，每个神经网络都参与一个输入功能。 这些网络经过共同训练，可以学习其输入特征和输出之间的任意复杂关系。
概述
去做：
用法
$ python main.py -h
usage: Neural Additive Models [-h] [--training_epochs TRAINING_EPOCHS]
[--learning_rate LEARNING_RATE]
[--output_regularization OUTPUT_REGULARIZATION]
2023-04-11 19:13:17
1.51MB
1