人工智能基础视频教程零基础入门课程 第十二章 人工智能基础视频教程零基础入门课程，不需要编程基础即可学习，共15章，由于整体课程内容太大，无法一次传输，分章节上传。 第一章 人工智能开发及远景介绍（预科） 第二章 线性回归深入和代码实现 第三章 梯度下降和过拟合和归一化 第四章 逻辑回归详解和应用 第五章 分类器项目案例和神经网络算法 第六章 多分类、决策树分类、随机森林分类 第七章 分类评估、聚类 第八章 密度聚类、谱聚类 第九章 深度学习、TensorFlow安装和实现 第十章 TensorFlow深入、TensorBoard 十一章 DNN深度神经网络手写图片识别 十二章 TensorBoard可视化 十三章 卷积神经网络、CNN识别图片 十四章 卷积神经网络深入、AlexNet模型 十五章 Keras深度学习框架

flink,grafana,可视化监控，指标

1 非负矩阵分解（NMF或NNMF），也是非负矩阵逼近是多元分析和线性代数中的一组算法，其中矩阵V被分解为（通常）两个矩阵W和H ，具有所有三个矩阵都没有负元素的性质。这种非负性使生成的矩阵更容易检查。此外，在处理音频频谱图或肌肉活动等应用中，非负性是所考虑的数据所固有的。由于该问题通常不能完全解决，因此通常用数值近似。 2 适合机器学习，数值优化，图像处理，信号处理等专业的初学者进行分析和学习。 3 语音去噪一直是音频信号处理中长期存在的问题。如果噪声是静止的，则有许多去噪算法。例如，维纳滤波器适用于加性高斯噪声。然而，如果噪声是非平稳的，经典的去噪算法通常性能较差，因为非平稳噪声的统计信息难以估计。施密特等人。使用NMF在非平稳噪声下进行语音去噪，这与经典的统计方法完全不同。关键思想是干净的语音信号可以用语音字典稀疏地表示，但非平稳噪声不能。类似地，非平稳噪声也可以用噪声字典稀疏表示，但语音不能。NMF去噪算法如下。两个字典，一个用于语音，一个用于噪声，需要离线训练。

等式约束下的范数最小问题求解； 在数学中，范数是从实数或复数向量空间到非负实数的函数，其行为方式类似于到原点的距离：它与缩放对易，服从三角不等式的形式，并且为零只在原点。具体来说，向量到原点的欧几里得距离是一个范数，称为欧几里得范数或2-范数，也可以定义为向量与其自身 的内积的平方根。半范数满足范数的前两个属性，但对于除原点以外的向量可能为零。[1]具有指定范数的向量空间称为范数向量空间。以类似的方式，具有半范数的向量空间称为半范数向量空间。 在受约束的最小二乘法中，通过对解的附加约束来解决线性最小二乘问题。即无约束方程{\displaystyle \mathbf {X} {\boldsymbol {\beta }}=\mathbf {y} }\mathbf {X} {\boldsymbol {\beta }}=\mathbf {y}必须尽可能紧密地拟合（在最小二乘意义上），同时确保{\displaystyle {\boldsymbol {\beta }}}{\boldsymbol {\beta }}得到维护。

不等式约束下的线性规划； 线性规划（LP），也称为线性优化，是一种在其要求由线性关系表示的数学模型中实现最佳结果（例如最大利润或最低成本）的方法。线性规划是数学规划（也称为数学优化）的一种特殊情况。更正式地说，线性规划是一种优化线性 目标函数的技术，受线性等式和线性不等式 约束。它的可行域是一个凸多面体，它是一个集合，定义为有限多个半空间的交集，每个半空间都由一个线性不等式定义。它的目标函数是定义在这个多面体上的实值仿射（线性）函数。线性规划算法在多面体中找到一个点如果存在这样的点，则此函数具有最小（或最大值）值。 出于多种原因，线性规划是一个广泛使用的优化领域。运筹学中的许多实际问题可以表示为线性规划问题。线性规划的某些特殊情况，例如网络流问题和多商品流问题，被认为足够重要，可以对专门的算法进行大量研究。许多其他类型的优化问题的算法通过将线性规划问题作为子问题来解决。从历史上看，线性规划的思想启发了优化理论的许多核心概念，例如对偶性、 分解和凸性的重要性及其概括。

最小二乘法简单求解， 最小二乘法是回归分析中的一种标准方法，通过最小化残差的平方和（残差是观察值和模型提供的拟合值）在每个单独方程的结果中得出。 最重要的应用是数据拟合。当问题在自变量（x变量）中有很大的不确定性时，简单回归和最小二乘法就会出现问题；在这种情况下，可以考虑拟合变量误差模型所需的方法，而不是最小二乘法。 最小二乘问题分为两类：线性或普通最小二乘和非线性最小二乘，这取决于残差在所有未知数中是否是线性的。线性最小二乘问题出现在统计回归分析中；它有一个封闭形式的解决方案。非线性问题通常通过迭代细化来解决；在每次迭代中，系统都近似为线性系统，因此两种情况下的核心计算都是相似的。 多项式最小二乘法将因变量预测中的方差描述为自变量的函数以及与拟合曲线的偏差。 当观测来自一个指数族，其自然充分统计量和温和条件得到满足（例如，对于正态分布、指数分布、泊松分布和二项分布），标准化最小二乘估计和最大似然估计是相同的。[1]最小二乘法也可以作为矩估计法推导出来。 以下讨论主要是根据线性函数提出的，但最小二乘法的使用对于更一般的函数族是有效和实用的。此外，通过迭代地将局部二次近似应用

天线测量技术是指对天线进行测试，以确保天线符合规格或只是对其进行表征。天线的典型参数是增益、带宽、辐射方向图、波束宽度、极化和阻抗。 天线方向图是天线对从给定方向入射的平面波的响应或天线在给定方向发射的波的相对功率密度。对于倒易天线，这两个方向图是相同的。已经开发了多种天线方向图测量技术。开发的第一个技术是远场范围，其中被测天线 (AUT) 放置在范围天线的远场中。由于为大型天线创建远场范围所需的尺寸，开发了近场技术，允许在靠近天线的表面上测量场（通常是其波长的 3 到 10 倍）。然后预测该测量在无穷远处是相同的. 第三种常用方法是紧凑范围，它使用反射器在 AUT 附近创建一个看起来近似平面波的场。

天线阵列（或阵列天线）是一组连接的多个天线，它们作为单个天线一起工作，以发射或接收无线电波。单个天线（称为元件）通常通过馈线连接到单个接收器或发射器，馈线以特定相位关系将功率馈送到元件。每个单独天线辐射的无线电波组合和叠加，加在一起（建设性干扰）以增强在所需方向上辐射的功率，并抵消（破坏性干扰）以减少在其他方向上辐射的功率。类似地，当用于接收时，来自各个天线的单独射频电流在接收器中以正确的相位关系组合以增强从期望方向接收的信号并消除来自不期望方向的信号。更复杂的阵列天线可能具有多个发射器或接收器模块，每个模块都连接到一个单独的天线元件或一组元件。 与单个元件相比，天线阵列可以实现更高的增益（方向性），即更窄的无线电波波束。一般来说，使用的单个天线元件的数量越多，增益越高，波束越窄。一些天线阵列（如军用相控阵雷达）由数千个单独的天线组成。阵列可用于实现更高的增益、提供路径分集（也称为MIMO），从而提高通信可靠性、消除来自特定方向的 干扰、以电子方式引导无线电波束指向不同的方向，以及无线电测向（RDF）。

【计算机课程设计】python电商数据（数据爬取+可视化），使用前请务必查看说明文档

DBeaver是一个通用的数据库管理工具和 SQL 客户端，支持 MySQL, PostgreSQL, Oracle, DB2, MSSQL, Sybase, Mimer, HSQLDB, Derby