本工具为基于快速功能点评估法的配套估算工具，可基于已识别的数据对象、事务对象快速计算对应的功能点数，同时增加了2018年度行业发布的最新基线水平，可自动按汇总的功能点数，计算对应的工作量、成本。
2025-05-26 12:33:27
1.39MB
1
如果您正为手写送货单不够专业、难以辨认，用EXCEL列印送货单不够精美、格式难以对齐、输入效率缓慢、查询费力等而烦恼时，请您试用一下创新送货单打印系统吧。
1、安装简单、界面友好、操作容易，无需过多学习即可快速上手
2、提供强大的商品分类及商品管理功能
3、提供强大的客户分类及客户管理功能
4、系统内默认提供多种出货单格式，并可依据需要自由扩展
5、支持各种尺寸的打印纸张及其套表
6、提供完善的出货单查询及统计汇总功能
7、数据可方便的导出到EXCEL
2025-05-10 09:40:16
10.42MB
1
美团点评技术，美团点评技术，美团点评技术，为何重复三遍？因为这个案例是美团和大众点评如何企业整合，针对它们的云计算大数据技术实现的，全面剖析，如果对自己的水平有源码以上的认识，推荐阅读，帮助发散思维。
2025-04-30 21:02:02
74.08MB
1
数据集“NBA Team Game Stats from 2014 to 2018”提供了从2014年至2018年NBA赛季每场比赛的详细统计数据，这对于数据分析、机器学习以及体育爱好者来说是一份宝贵的资源。这个数据集特别适合于通过分类模型来探索各个统计类别如何影响球队的胜负结果。
让我们详细了解一下可能包含在这个CSV文件中的字段：
1. **比赛日期（Date）**：每场比赛的具体日期，可用于分析不同时间点的比赛趋势。
2. **主队（HomeTeam）**：比赛的主队，可以研究主场优势对比赛结果的影响。
3. **客队（AwayTeam）**：比赛的客队，同样有助于理解客场因素是否影响胜负。
4. **主队得分（HomeScore）**与**客队得分（AwayScore）**：这些数值可直接决定比赛胜负，并且是分析比赛强度和竞争性的基础。
5. **主队胜利（HomeWin）**与**客队胜利（AwayWin）**：这两个字段可能是布尔值，表示主队或客队是否赢得了比赛，是构建分类模型的核心依据。
6. **统计类别（如PTS, REB, AST, STL, BLK等）**：这些指标代表了得分、篮板、助攻、抢断和盖帽，它们是评估球员和球队表现的关键指标。
7. **个人球员统计**：如果数据集包括球员层面的数据，可能会有每场比赛球员的得分、篮板等详细信息，这可以帮助我们深入理解哪些球员对比赛结果产生了关键影响。
有了这些数据，我们可以进行以下类型的分析：
- **胜负预测**：基于历史比赛数据，建立分类模型（如逻辑回归、决策树、随机森林或神经网络）来预测未来的比赛结果。
- **影响因素分析**：通过相关性分析，找出哪些统计类别（如得分、篮板、助攻等）对球队胜负影响最大。
- **球员影响力评估**：计算球员的个人统计数据，评估他们的贡献度，比如使用效率值（Player Efficiency Rating, PER）或其他球员评分系统。
- **团队比较**：对比不同球队在各个统计类别的平均表现，了解哪些球队在特定领域具有优势。
- **趋势分析**：查看各赛季数据的变化，探究是否有明显的赛季间趋势或模式。
- **主场/客场效应**：研究主场球队获胜概率是否高于客场球队，以及这种优势是否随着时间变化。
为了充分利用这个数据集，我们需要掌握数据分析工具，如Python的Pandas库进行数据清洗和预处理，Matplotlib和Seaborn进行数据可视化，以及Scikit-learn库构建和训练分类模型。此外，理解篮球比赛规则和统计指标对于解读分析结果至关重要。
“NBA Team Game Stats from 2014 to 2018”数据集为我们提供了一个深入了解NBA比赛和球队表现的窗口，通过深入挖掘和分析，我们可以发现隐藏在数字背后的策略和故事，这对于提高球队管理、战术制定乃至球迷的理解都有深远的意义。
2025-04-29 23:03:28
512KB
1
CryEnging5.5源码+编辑器完全编译（2018-9-30）-附件资源
2025-04-13 07:19:25
106B
1
第0部分 术语与定义;
第1部分 交易处理说明;
第2部分 报文接口规范;
第3部分 文件接口规范;
第4部分 数据安全传输控制规范;
第5部分 通讯接口规范;
中国银联银行卡交换系统技术规范升级公告及实施指南(2018.A-1.1)
2025-04-12 21:22:44
11.59MB
1
强化学习中样本的重要性加权转移
此存储库包含我们的强化学习中的重要性加权样本转移》的代码，该代码已在ICML 2018上接受。我们提供了一个小库，用于RL中的样本转移（名为TRLIB），包括重要性加权拟合Q的实现-迭代（IWFQI）算法[1]以及有关如何重现本文提出的实验的说明。
抽象的
我们考虑了从一组源任务中收集的强化学习（RL）中经验样本（即元组）的转移，以改善给定目标任务中的学习过程。 大多数相关方法都专注于选择最相关的源样本来解决目标任务，但随后使用所有已转移的样本，而无需再考虑任务模型之间的差异。 在本文中，我们提出了一种基于模型的技术，该技术可以自动估计每个源样本的相关性（重要性权重）以解决目标任务。 在所提出的方法中，所有样本都通过批处理RL算法转移并用于解决目标任务，但它们对学习过程的贡献与它们的重要性权重成正比。 通过扩展监督学习文献中提供的重要性加
2025-04-02 21:44:35
4.92MB
1
使用2018年度部分大众点评的用户评价作为数据集，未筛选前共440万条评论数据，经过数据集的标签化处_Restaurant-evaluation-Emotion-classification_machine-learning-RNN-Bi-LSTM
在处理大数据和机器学习领域，对于文本数据集的分析和应用是关键的技术之一。2018年度部分大众点评的用户评价数据集，包含未筛选前的440万条评论，是一个极具研究和应用价值的资源。这个数据集能够为研究者提供丰富的文本信息，用以分析用户的消费行为、餐饮行业的发展趋势以及用户对餐馆的满意度等多维度信息。
利用该数据集进行标签化处理，即对每条评论进行情感分类，是一项挑战性的任务。情感分类旨在识别和提取文本中表达的情感倾向，如正面、中立或负面情绪。这一过程涉及到自然语言处理（NLP）技术的多项关键算法和模型。通过对评论进行情感分析，可以更直观地了解消费者的感受和评价，从而为餐饮业主提供改进服务、调整菜品或优化营销策略的重要参考。
在实现情感分类的过程中，机器学习技术起着核心作用。其中，递归神经网络（RNN）和其变体双向长短期记忆网络（Bi-LSTM）是处理序列数据的有效算法。RNN能够处理输入序列数据，记忆序列中的信息，而Bi-LSTM则能够同时考虑到序列的前向和后向上下文，更有效地捕获长距离依赖关系。这种模型特别适合处理语言这种具有复杂时间关联性的数据。
将这些技术应用于大众点评数据集的“Restaurant-evaluation-Emotion-classification_machine-learning-RNN-Bi-LSTM”项目中，可以构建出一个能够准确预测用户评论情感倾向的模型。通过这种方式，不仅能够为商家提供宝贵的数据支持，还能为消费者提供更为精准的推荐服务，从而在提高用户体验的同时，促进整个餐饮行业的良性发展。
此外，通过深入分析这些评论数据，还可以对不同地区、不同类型的餐馆进行比较，甚至可以对某个具体的餐馆做出更细致的评价分析。例如，研究者可以探究影响顾客满意度的关键因素，发现餐馆服务中的不足之处，或是分析哪些菜品更受欢迎等。这些分析不仅有助于餐馆的经营决策，也能够帮助消费者做出更加明智的选择。
通过对2018年度大众点评用户评价数据集的研究，不仅可以推动自然语言处理技术的发展，也能够促进餐饮行业服务品质的提升，同时为消费者提供更加个性化的消费体验。这一研究过程和结果的应用，充分体现了大数据分析在实际生活中的重要作用和价值。
2025-03-28 11:09:22
28.91MB
1
IEC 61993-2-2018 Maritime navigation and radiocommunication equipment and systems - Automatic identification systems (AIS) - Part 2: Class A shipborne equipment of the automatic identification system (AIS) -Operational and performance requirements, methods of test and required test results
2025-03-27 10:45:55
18.17MB
1