官方离线安装包，测试可用。使用rpm -ivh [rpm完整包名] 进行安装

现在很多应用程序的界面基本是用配置文件来规划界面的，在这个时候就得学会自定义菜单栏和工具栏之类的。 VS Feature Pack是为微软新推出的界面库（听说是买BCG的授权，然后对之进行改造的），其中的主要的界面类可以和BCG的界面类可以对应起来，类的使用和BCG的也大同小异。但是有些做法还是很不一样，比如这次我要提到的自定义菜单栏。这里的自定义菜单栏是指去除系统默认的菜单栏，然后动态创建菜单栏。今天摸索了一下，大致搞清楚了（说实话，这方面网上的资料很少）。

arcgis 10.2

完整代码，可直接运行

深度学习的实现，代码内容详细，有不懂之处欢迎大家多多交流

GMS：基于网格的运动统计信息，可实现快速，超鲁棒的功能对应 Bian等人C ++实现。 基于网格的运动统计是一种通过运动平滑封装来改善特征匹配质量的方法。 基于ORB特征匹配，平滑度约束表示为每个单元格匹配频率的统计似然性。 结果显示了实时和非常强大的功能对应。 ORB特征点（2000） GMS之后 ORB特征点（2000） GMS之后 跑步 此实现需要 mkdir build && make ./GMS

房屋价格预测 艾姆斯住房数据集摘自kaggle竞赛。 该项目的目的是预测Boston Housing Dataset中房屋的房价。 提供了两个文件，即训练和测试，并且要估计测试数据的价格。 在这里，我已使用XGBoost进行预测。 感谢Krish Naik制作了这些精彩的视频，以帮助他们理解和实施房价预测。 稍后，我将添加探索性数据分析，并将XGBoost模型的结果与其他回归技术进行比较。 房价预测步骤 加载数据中 数据探索2.1具有空值的特征2.2数值特征 2.2.1 Year Features 2.2.2 Discrete Features 2.2.3 Continous Features 2.3分类特征 数据清理 数据转换4.1稀有分类特征处理 基本模型性能（XGBoost） 超参数调整 最终模型 可视化结果 1.加载数据 df = pd . read_csv

SGX-Full-OrderBook-Tick-Data-Trading-Strategy：使用数据科学方法（机器学习）在完整的订单簿记号数据上提供高频交易（HFT）策略的解决方案

(Peng et al, 2005 and Ding & Peng, 2005, 2003) 中的 mRMR（最小冗余最大相关）特征选择方法的两个源代码文件，其优于传统顶级方法的性能已在最近出版物中的数据集数量。 该版本使用互信息作为计算变量（特征）之间相关性和冗余的代理。 其他变化，例如使用相关性或 F 检验或距离，也可以在此框架内轻松实现。 Hanchuan Peng、Fuhui Long 和 Chris Ding，“基于互信息的特征选择：最大依赖、最大相关和最小冗余的标准”， IEEE 模式分析和机器智能汇刊， 卷。 27, No. 8, pp.1226-1238, 2005。 Ding C. 和 Peng HC，“微阵列基因表达数据的最小冗余特征选择”，《生物信息学与计算生物学杂志》， 卷。 3, No. 2, pp.185-205, 2005。 Ding，C 和 Peng

基于GMS特征的图像匹配，C++，matlab，python