介绍 设计实现一个小型英汉双解词典 问题描述：设计一个英汉双解电子词典，支持查找、插入、删除等功能。 基本要求：实现字典常用的数据结构包括有序表、AVL树、Patricia Tree（简称PAT tree，它是一棵压缩存储的二叉树结构）、散列表等，选一种数据结构，实现字典的基本操作，查找单词、插入单词（插入时，先查找，找不到则插入，找到则提示用户）、删除单词（删除时，先查找，找到则删除，找不到则提示用户）等。字典是按字母顺序排列的，不能用顺序查找，插入或删除单词后，要保持字典的有序性。 测试数据：任一英文单词。 整体架构 首先，作品分为数据结构部分和用户界面两部分。采用的是c++11实现，用数据结构 Trie(字典树)，AVL(平衡树)，Hush(散列表)分别进行相应的类，没个类里面分别实现了insert(插入)，delete(删除)，search(查找操作) 。对于三种数据结构的具体操作会在之后进行具体说明。用户界面采用的是C++的现成框架QT实现，QT中的大多数采用的是代码进行设计，部分才取的是ui进行设计，最后通过QT中的 connect函数 对数据结构部分和用户界面部分

个人好不容易整理出的美国各州和城市,sql格式，mysql直接可以使用

时间序列预测 农产品格预测 完整代码+数据

kaggle竞赛Predict Student Performance from Game Play 自己写的项目代码，带注释+讲解 数据集：https://www.kaggle.com/competitions/predict-student-performance-from-game-play/data score为0.678，300/600的rank 竞赛目标： You'll develop a model trained on one of the largest open datasets of game logs. 文件包括： train.csv - the training set test.csv - the test set sample_submission.csv - a sample submission file in the correct format train_labels.csv - correct value for all 18 questions for each session in the training set

概述 数据集：Amazon商品数据集 编程环境：Python, Matlab, Markdown 1. 数据预处理 商品信息 提取数据集中的title和description信息 命令：python item_information.py [file1, ..., file3] 用户物品评分信息 提取用户-物品评分，划分train集和test集 将train集中的用户作为用户全集，以防止出现train集中有用户没有评分的情况 命令：python user_information.py [file1, ..., file7] 商品相似度生成 title: 分词 + LDA主题模型（topic number = 15） description: 分词 + LDA主题模型（topic number = 15） 未使用price（缺失值太多） 未使用category（同类商品） 命令：python item_similarity.py [topic number, file1, ..., file6] 商品description和title相似度权重生成 non linear regr

基于 Pytorchet GoogLeNet 的图像分类实战 完整代码 数据 可直接运行 CIFAR-10分类

互联网上收集到的 关于”通过手机摄像头识别血氧饱和度”的样本集以及论文地址和修改后的代码程序。 包含下面三个（代码，数据集，修改后的代码） ○ MTVital https://github.com/MahdiFarvardin/MTVital 包含 62份数据集 ○ Oximetry-phone-cam-data https://github.com/ubicomplab/oximetry-phone-cam-data 包含 6 份数据集 ○ seeing-red https://github.com/ssloxford/seeing-red 包含15份原始手指视频数据集（论文是针对心跳监测）（Each video is a 30 seconds long recording which was taken as the participant kept his index finger on the smartphone camera）

使用RNN循环神经网络实现对爬取的京东评论信息进行情感分析 其中包括源代码、数据集、停用词等

机器学习预测实战代码数据

基于 Pytorch MobileNetv1 的图像分类实战 完整代码+数据 计算机毕设 可直接运行