学习 ScrollMagic 访问并滚动到乐趣！ 教训 0 - 设置 1 - 第一个补间 2 - ScrollScene 选项 3 - 第一个引脚 4 - 引脚和补间 5 - [GSAP] TweenMax 方法 (1) 6 - [GSAP] TweenMax 方法 (2) 7 - 走得更远

Learn C the hard way 1st English version.

是电子病历核心的编辑器，有修改记录等功能，可以二次开发使用

numpy复现CRF（条件随机场）内含数据集。CRF可以定义数量更多，种类更丰富的特征函数。HMM模型具有天然具有局部性，就是说，在HMM模型中，当前的单词只依赖于当前的标签，当前的标签只依赖于前一个标签。

zip中含有6个文件，三个数据集，三个pkl 1. vocabs/speaker_vocab.pkl 2. vocabs/emotion_vocab.pkl 3. vocabs/sentiment_vocab.pkl 4. dev_sent_emo.csv 5. train_sent_emo.csv 6. test_sent_emo.csv

线性回归预测波士顿房屋价格（使用 scikit-learn 和 XGBoost 两种方式），并进行了对比分析。 # 使用 scikit-learn 和 XGBoost 两种线性回归方式实现波士顿房屋价格预测 # 波士顿房屋价格 包含506个样本、13个特征指标 # XGBoost是一套提升树可扩展的机器学习系统，也可以实现线性回归 # 使用XGBoost时，需将数据转化为DMatrix格式，否则会出现错误 # 使用评估指标判断 scikit-learn 和 XGBoost 两种线性回归方式实现波士顿房屋价格预测方式的优劣

逻辑回归预测良性和恶性乳腺肿瘤实现二分类（使用 scikit-learn 和 XGBoost 两种方式）,可扩展应用到小样本数据的故障诊断领域二分类问题 # 使用逻辑回归预测乳腺肿瘤是良性的还是恶性的 # 数据集为乳腺癌数据集，通过细胞核的相关特征来预测乳腺肿瘤为良性/恶性，这是一个非常著名的二分类数据集 # 数据集包含569个样本，其中有212个恶性肿瘤样本，357个良性肿瘤样本 # 共有32个字段，字段1为ID，字段2为label，其他30个字段为细胞核的相关特征 # scikit-learn实现逻辑回归 # XGBoost 实现逻辑回归 # XGBoost在预测结果上和scikit-learn有些差别，XGBoost的预测结果是概率，而scikit-learn的预测结果是0或1的分类，需要用户自己对其进行转化，程序能够实现scikit-learn 和XGBoost的概率输出和0或1分类输出 # 使用评估指标对分类和预测结果进行评估， 实现scikit-learn 和 XGBoost 两种逻辑回归方式对比分析

ALGLIB is a cross-platform numerical analysis and data processing library. It supports several programming languages (C++, C#, Delphi) and several operating systems (Windows and POSIX, including Linux). ALGLIB features include: Data analysis (classification/regression, statistics) Optimization and nonlinear solvers Interpolation and linear/nonlinear least-squares fitting Linear algebra (direct algorithms, EVD/SVD), direct and iterative linear solvers Fast Fourier Transform and many other algorithms

Learn-LLVM-12 LLVM 学习资料

操作系统学习 了解jyy课程和minicrt