题目：有两碗曲奇，碗A有30个香草曲奇和10个巧克力曲奇，碗B两种曲奇各20个。取到香草曲奇，从A中拿到的概率。（jupyter notebook实现，贝叶斯定理题目编程实战）

基于Python语音，使用Jupyter notebook开发的简单图像识别算法。算法通过将图像进行缩放，并进行灰度处理。然后计算待比较的两个图片之间的汉明距离，通过汉明距离来判断图片之间的相似性，并按照概率给出相似值，用于对重复图片的检测、判断。 算法大致流程如下： 1.缩放图片，一般大小为8*8，64个像素值。 2.转化为灰度图 3.计算平均值：计算进行灰度处理后图片的所有像素点的平均值，直接用numpy中的mean()计算即可。 4.比较像素灰度值：遍历灰度图片每一个像素，如果大于平均值记录为1，否则为0. 5.得到信息指纹：组合64个bit位，顺序随意保持一致性。 最后比对两张图片的指纹，获得汉明距离即可。 汉明距离的概念： 汉明距离是使用在数据传输差错控制编码里面的，汉明距离是一个概念，它表示两个（相同长度）字符串对应位置的不同字符的数量，我们以d（x,y）表示两个字x,y之间的汉明距离。对两个字符串进行异或运算，并统计结果为1的个数，那么这个数就是汉明距离。

PyCBC教程：有关如何使用PyCBC核心库分析引力波数据的教程和示例

电影_推荐系统 该项目存储库基于构建电影推荐系统克隆 数据集详细信息： 提及用于构建此推荐引擎的数据集如下： 使用的数据集： MovieLens数据集 下载数据集：从以下链接下载数据集 下载Kaggle上托管的MovieLens数据集，然后使用 从其官方网站下载MovieLens数据集，然后使用 数据集文件格式： CSV文件（以逗号分隔的值）。 注意：将数据集下载并保存在input_data文件夹中 数据集类型： 完整的数据集：该数据集包含26,000,000个评分和270,000个用户将750,000个标签应用程序应用于45,000部电影。 包括在1,100个标签中具有1200万相关分数的标签基因组数据。 注意：我们将使用完整数据集为电影建立一个简单的建议。 小型数据集：该数据集包含100,000个评分和1,700个标签应用程序，这些应用程序由700位用户应用于9,000部电影。

股市探索数据分析笔记本 使用库Numpy，Matplotlib和Pandas进行股票市场数据集探索性数据分析的Jupyter Notebook。 数据集具有以下功能： serial_number：每个变量的唯一标识符 time_stamp：捕获数据的日期 open_value：指定日期的期初值 maximum_value：在特定日期达到的索引的最高值 minimum_value：特定日期的索引的最低值 resolve_value：结算当天的值 volume_sell：卖出指数的数量

python jupyter notebook房价预测完整案例

基于Jupyter Notebook与python的深度强化学习算法Deep Q Learning

基于Jupyter Notebook与python的深度强化学习算法Double DQN Solution

u2net_bgremove_code Jupyter Notebook包含使用u2net删除图像和视频背景的代码 链接到。 包含所需文件的。 原始。

jupyter_timing_killer 根据设定的运行时间，清理jupyter notebook进展。避免过多的note打开一直占用系统资源 测试环境： psutil 5.4.3（在5.0.x版本后出现了psutil.process_iter函数的参数变化，会报错，建议升级版本或修改代码）python3.6 结合定时脚本，定期检查执行时间过长的进程，kill掉 0 * / 1 * * * python3 /root/jupyter_timing_killer.py 注意： notebook进程是由jupyter-notebook母进程所派生。所以结束任何一个notebook进程之后，会再次被拉起一个新进程。进程数是不会减少的。 但是，发生一次杀死，笔记本上次运行的串行和对象信息，会被清零。例如，spark脚本读入的DF，创建的应用程序，都会得到释放。