11 2024 档案
摘要：（多选题）从软件工程方面，软件可以划分为： 选项： A. 单机软件 B. 应用软件 C. 支撑软件 D. 系统软件 答案：BCD 解释：从软件工程角度，软件通常分为系统软件（如操作系统，它是计算机系统的基础软件，用于管理和控制计算机硬件资源）、支撑软件（如数据库管理系统，为软件开发和运行提供支持环境
阅读全文
摘要：（1）从 scikit-learn 库中加载 iris 数据集，使用留出法留出 1/3 的样本作为测试集（注 意同分布取样）； （2）使用训练集训练朴素贝叶斯分类算法； （3）使用五折交叉验证对模型性能（准确度、精度、召回率和 F1 值）进行评估和选 择； （4）使用测试集，测试模型的性能，对测试结
阅读全文
摘要：（1）从 scikit-learn 库中加载 iris 数据集，使用留出法留出 1/3 的样本作为测试集（注 意同分布取样）； （2）使用训练集训练随机森林分类算法； （3）使用五折交叉验证对模型性能（准确度、精度、召回率和 F1 值）进行评估和选 择； （4）使用测试集，测试模型的性能，对测试结果
阅读全文
摘要：（1）从 scikit-learn 库中加载 iris 数据集，使用留出法留出 1/3 的样本作为测试集（注 意同分布取样）； （2）使用训练集训练 BP 神经网络分类算法； （3）使用五折交叉验证对模型性能（准确度、精度、召回率和 F1 值）进行评估和选 择； （4）使用测试集，测试模型的性能，对
阅读全文
摘要：任务二：了解百度翻译相关功能并进行总结，包括文本翻译-通用版和文本翻译-词典版。 百度翻译利用丰富的互联网数据和先进的机器翻译技术，推出了全球首个互联网神经网络翻译系统。该系统支持200多种语言之间的互译，涵盖了超过4万个语言方向，每天处理千亿字符的翻译请求，旨在帮助用户克服语言障碍。 通用版文本翻
阅读全文
摘要：import javafx.application.Application; import javafx.geometry.Insets; import javafx.scene.Scene; import javafx.scene.control.Button; import javafx.sce
阅读全文
摘要：基础元素 类的表示：用矩形框呈现，分为上、中、下三部分。上部写类名，中部列属性（如 “- 属性名：数据类型”，“-” 表示私有），下部记方法（“+ 方法名 (参数): 返回类型”，“+” 表示公有）。例如，“Person” 类有私有属性 “name:String” 和公有方法 “+getName (
阅读全文
摘要：（1）从 scikit-learn 库中加载 iris 数据集，使用留出法留出 1/3 的样本作为测试集（注 意同分布取样）； （2）使用训练集训练对数几率回归（逻辑回归）分类算法； （3）使用五折交叉验证对模型性能（准确度、精度、召回率和 F1 值）进行评估和选 择； （4）使用测试集，测试模型的
阅读全文
摘要：（1）从 scikit-learn 库中加载 iris 数据集，使用留出法留出 1/3 的样本作为测试集（注 意同分布取样）； （2）使用训练集训练分类带有预剪枝和后剪枝的 C4.5 算法； （3）使用五折交叉验证对模型性能（准确度、精度、召回率和 F1 值）进行评估和选 择； （4）使用测试集，测
阅读全文
摘要：（1）从 scikit-learn 库中加载 iris 数据集，使用留出法留出 1/3 的样本作为测试集（注 意同分布取样）； （2）使用训练集训练朴素贝叶斯分类算法； （3）使用五折交叉验证对模型性能（准确度、精度、召回率和 F1 值）进行评估和选 择； （4）使用测试集，测试模型的性能，对测试结
阅读全文
摘要：学习了数据库设计的基本步骤，包括需求分析、概念设计（绘制 ER 图）、逻辑设计（将 ER 图转换为关系模式）和物理设计（确定数据库的存储结构和索引策略）。通过一个小型项目的数据库设计案例，实践了整个数据库设计流程，深刻体会到了合理的数据库设计对于软件系统性能和数据完整性的重要性。同时，深入学习了 S
阅读全文
摘要：关注 Hadoop 社区的发展动态，学习 Hadoop 的最新特性和版本更新内容。了解到新版本中在性能优化、资源管理、安全增强和易用性方面的改进，如更高效的存储格式、智能的资源调度算法和简化的配置管理工具等。通过研究新版本的文档和示例代码，尝试将一些新特性应用到实际的 Hadoop 项目中，体验到了
阅读全文
摘要：1.实验目的 Hadoop运行在Linux系统上，因此，需要学习实践一些常用的Linux命令。本实验旨在熟悉常用的Linux操作和Hadoop操作，为顺利开展后续其他实验奠定基础。 2.实验平台 （1）操作系统：Linux（建议Ubuntu16.04或Ubuntu18.04）； （2）Hadoop版
阅读全文
摘要：假设有一个二分类的数据集，共含有100个样本，其中正例和负例的比例是1:1，使用某分类模型采用五折交叉验证实验三次，子集与原数据集独立同分布，结果如下。 表 1. 五折交叉验证正例分类结果统计 D1为测试集 D2为测试集 D3为测试集 D4为测试集 D5为测试集 第一次 9/2 8/3 9/2 7/
阅读全文
摘要：1.实验目的 （1）理解Hive作为数据仓库在Hadoop体系结构中的角色。 （2）熟练使用常用的HiveQL。 2.实验平台 操作系统：Ubuntu18.04（或Ubuntu16.04）。 Hadoop版本：3.1.3。 Hive版本：3.1.2。 JDK版本：1.8。 3.数据集 由《Hive编
阅读全文
摘要：1.实验目的 （1）理解四种数据库(MySQL、HBase、Redis和MongoDB)的概念以及不同点； （2）熟练使用四种数据库操作常用的Shell命令； （3）熟悉四种数据库操作常用的Java API。 2.实验平台 （1）操作系统：Linux（建议Ubuntu16.04或Ubuntu18.0
阅读全文
摘要：Hadoop 的核心编程模型 ——MapReduce。花费大量时间剖析 Map 和 Reduce 函数的运行机制，看似简单的两个阶段，却蕴含着数据处理的巧妙逻辑。通过编写经典的单词计数程序，逐步理解了数据在各个节点上的流动和转换过程。在调试代码时，遭遇了数据类型不匹配和分区不合理的问题，经过仔细排查
阅读全文
摘要：深知性能优化在大数据处理中的重要性，于是专注于提升 MapReduce 程序的效率。对之前的单词计数代码进行 “手术”，从调整 map 和 reduce 任务的数量，到优化数据的输入输出格式，再到合理设置内存和 CPU 资源分配。每一次修改都需要仔细分析其对整体性能的影响，经过多次试验和对比，最终显
阅读全文
摘要：MES系统学习理解： mes系统的全称叫Manufacturing Execution System 有不同的车间，每个车间里有不同的班组，每个班组有员工，员工与员工之间有不同的工序 mes系统就是为了实时监控生产工序的数据 以及工序交接的时候数据的流转 监控这些数据是为了有利于企业的利益核算 因为
阅读全文
摘要：对未来的展望。当前对基于主动元数据的探索和实践尚处于起步阶段，未来将持续进行探索。 首先是更自动、更智能。当前的数据任务优化仍然由人工来逐一优化治理，不仅耗时，也依赖人工经验；所以需要基于主动元数据来构建任务的智能诊断与智能调优能力，提升任务的优化效率。 此外，对于前文提到的数据模型认证。当前的认证
阅读全文
摘要：对于 data fabric 架构，最先由 Gartner 提出，主要是为了解决复杂数据的管理和使用问题，并且连续几年被评为十大 IT 技术发展趋势。Data fabric 架构主要包括在互联的知识图谱上访问和表示所有类型元数据，应用知识图谱技术激活元数据，将机器学习技术运用到元数据上，去简化数据集
阅读全文
摘要：C++ 程序至少会假装相信讲解过的简单的计算机基本模型中的一个版本。 其中有可以以固定字符长度的字节为单位寻址，在本质上容量是无限的内存。有一个与其他任何有效的内存地址都不同的特殊的地址，叫作 nullptr。整数 0 会被转换为 nullptr，尽管在地址 0 上不需要 nullptr。有一个概念
阅读全文
摘要：hadoop的namenode关闭安全模式 [root@node1 lsx]# hdfs dfsadmin -safemode get //查看状态[root@node1 lsx]# hdfs dfsadmin -safemode leave //关闭安全模式
阅读全文
摘要：今天下载软件时需要修改hosts文件，按照百度改了好几次权限都不行，要么就无法保存，要么就以txt文本文档的格式存下来一个新的host.txt文件，和原来的hosts两个一起在源路径下。最后用很简单的两步就解决了。 首先附上hosts文件地址：C:\Windows\System32\drivers\
阅读全文
摘要：public class Main{ public static void main(String[] args) { IgoChessman black1,black2,black3,white1,white2; IgoChessmanFactory factory; factory = IgoC
阅读全文
摘要：包含工序：射蜡件、射水溶芯、射尿素芯、化芯、射刺头、射冷蜡块、射牙套、射帽。 前后序：（射芯射配件转至射蜡件）、平行工序（射水溶芯、尿素芯、牙套、刺头） 工序交集点：射水溶芯、射尿素芯 转修蜡修芯 转射蜡件，化芯转修蜡，射蜡首检件转检验，检验合格转修蜡。
阅读全文
摘要：public class Bus implements Vehicle { @Override public void drive() { System.out.print("大巴"); } } public class Car implements Vehicle { @Override publ
阅读全文
摘要：[实验任务一]：手机功能的升级 用装饰模式模拟手机功能的升级过程：简单的手机(SimplePhone)在接收来电时，会发出声音提醒主人；而JarPhone除了声音还能振动；更高级的手机(ComplexPhone)除了声音、振动外，还有灯光闪烁提示。 实验要求： 1.提交类图； 2.提交源代码； pa
阅读全文
摘要：[实验任务一]：计算机开启 在计算机主机(Mainframe)中，只需要按下主机的开机按钮(on())，即可调用其他硬件设备和软件的启动方法 ，如内存(Memory)的自检(check())、CPU的运行(run())、硬盘(HardDisk)的读取(read())、操作系统(OS)的载入(load
阅读全文
摘要：（1）从 scikit-learn 库中加载 iris 数据集，使用留出法留出 1/3 的样本作为测试集（注 意同分布取样）； （2）使用训练集训练朴素贝叶斯分类算法； （3）使用五折交叉验证对模型性能（准确度、精度、召回率和 F1 值）进行评估和选 择； （4）使用测试集，测试模型的性能，对测试结
阅读全文
摘要：（1）从 scikit-learn 库中加载 iris 数据集，使用留出法留出 1/3 的样本作为测试集（注 意同分布取样）； （2）使用训练集训练朴素贝叶斯分类算法； （3）使用五折交叉验证对模型性能（准确度、精度、召回率和 F1 值）进行评估和选 择； （4）使用测试集，测试模型的性能，对测试结
阅读全文
摘要：（1）从 scikit-learn 库中加载 iris 数据集，使用留出法留出 1/3 的样本作为测试集（注 意同分布取样）； （2）使用训练集训练 BP 神经网络分类算法； （3）使用五折交叉验证对模型性能（准确度、精度、召回率和 F1 值）进行评估和选 择； （4）使用测试集，测试模型的性能，对
阅读全文
摘要：（1）从 scikit-learn 库中加载 iris 数据集，使用留出法留出 1/3 的样本作为测试集（注 意同分布取样）； （2）使用训练集训练 BP 神经网络分类算法； （3）使用五折交叉验证对模型性能（准确度、精度、召回率和 F1 值）进行评估和选 择； （4）使用测试集，测试模型的性能，对
阅读全文
摘要：今天下载软件时需要修改hosts文件，按照百度改了好几次权限都不行，要么就无法保存，要么就以txt文本文档的格式存下来一个新的host.txt文件，和原来的hosts两个一起在源路径下。 最后用很简单的两步就解决了。 首先附上hosts文件地址：C:\Windows\System32\drivers
阅读全文
摘要：（1）从 scikit-learn 库中加载 iris 数据集，使用留出法留出 1/3 的样本作为测试集（注 意同分布取样）； （2）使用训练集训练对数几率回归（逻辑回归）分类算法； （3）使用五折交叉验证对模型性能（准确度、精度、召回率和 F1 值）进行评估和选 择； （4）使用测试集，测试模型的
阅读全文
摘要：（1）从 scikit-learn 库中加载 iris 数据集，使用留出法留出 1/3 的样本作为测试集（注 意同分布取样）； （2）使用训练集训练对数几率回归（逻辑回归）分类算法； （3）使用五折交叉验证对模型性能（准确度、精度、召回率和 F1 值）进行评估和选 择； （4）使用测试集，测试模型的
阅读全文
摘要：（1）从 scikit-learn 库中加载 iris 数据集，使用留出法留出 1/3 的样本作为测试集（注 意同分布取样）； （2）使用训练集训练对数几率回归（逻辑回归）分类算法； （3）使用五折交叉验证对模型性能（准确度、精度、召回率和 F1 值）进行评估和选 择； （4）使用测试集，测试模型的
阅读全文
摘要：X = 添加截距项(X) # 在X前添加一列全为1的列向量 # 梯度下降优化 对于 i 从 1 到 num_iterations: p = sigmoid(X * β) # 计算预测概率 g = (1/m) * X' * (p - y) # 计算梯度 β = β - α * g # 更新β # 检查
阅读全文
摘要：X = 添加截距项(X) # 在X前添加一列全为1的列向量 # 梯度下降优化 对于 i 从 1 到 num_iterations: p = sigmoid(X * β) # 计算预测概率 g = (1/m) * X' * (p - y) # 计算梯度 β = β - α * g # 更新β # 检查
阅读全文
摘要：X = 添加截距项(X) # 在X前添加一列全为1的列向量 # 梯度下降优化 对于 i 从 1 到 num_iterations: p = sigmoid(X * β) # 计算预测概率 g = (1/m) * X' * (p - y) # 计算梯度 β = β - α * g # 更新β # 检查
阅读全文
摘要：Computer:100 与上述数据对应的文档形式如下： { “name”: “scofield”, “score”: { “English”: 45, “Math”: 89, “Computer”: 100 } } （2）获取scofield的所有成绩成绩信息(只显示score列)
阅读全文
摘要：（1）从 scikit-learn 库中加载 iris 数据集，使用留出法留出 1/3 的样本作为测试集（注 意同分布取样）； （2）使用训练集训练朴素贝叶斯分类算法； （3）使用五折交叉验证对模型性能（准确度、精度、召回率和 F1 值）进行评估和选 择； （4）使用测试集，测试模型的性能，对测试结
阅读全文
摘要：（1）从 scikit-learn 库中加载 iris 数据集，使用留出法留出 1/3 的样本作为测试集（注 意同分布取样）； （2）使用训练集训练 BP 神经网络分类算法； （3）使用五折交叉验证对模型性能（准确度、精度、召回率和 F1 值）进行评估和选 择； （4）使用测试集，测试模型的性能，对
阅读全文
摘要：今天下载软件时需要修改hosts文件，按照百度改了好几次权限都不行，要么就无法保存，要么就以txt文本文档的格式存下来一个新的host.txt文件，和原来的hosts两个一起在源路径下。 最后用很简单的两步就解决了。 首先附上hosts文件地址：C:\Windows\System32\drivers
阅读全文
摘要：（1）从 scikit-learn 库中加载 iris 数据集，使用留出法留出 1/3 的样本作为测试集（注 意同分布取样）； （2）使用训练集训练对数几率回归（逻辑回归）分类算法； （3）使用五折交叉验证对模型性能（准确度、精度、召回率和 F1 值）进行评估和选 择； （4）使用测试集，测试模型的
阅读全文
摘要：（1）从 scikit-learn 库中加载 iris 数据集，使用留出法留出 1/3 的样本作为测试集（注 意同分布取样）； （2）使用训练集训练对数几率回归（逻辑回归）分类算法； （3）使用五折交叉验证对模型性能（准确度、精度、召回率和 F1 值）进行评估和选 择； （4）使用测试集，测试模型的
阅读全文
摘要：X = 添加截距项(X) # 在X前添加一列全为1的列向量 # 梯度下降优化 对于 i 从 1 到 num_iterations: p = sigmoid(X * β) # 计算预测概率 g = (1/m) * X' * (p - y) # 计算梯度 β = β - α * g # 更新β # 检查
阅读全文
摘要：X = 添加截距项(X) # 在X前添加一列全为1的列向量 # 梯度下降优化 对于 i 从 1 到 num_iterations: p = sigmoid(X * β) # 计算预测概率 g = (1/m) * X' * (p - y) # 计算梯度 β = β - α * g # 更新β # 检查
阅读全文
摘要：Computer:100 与上述数据对应的文档形式如下： { “name”: “scofield”, “score”: { “English”: 45, “Math”: 89, “Computer”: 100 } } （2）获取scofield的所有成绩成绩信息(只显示score列)
阅读全文
摘要：（1）从 scikit-learn 库中加载 iris 数据集，使用留出法留出 1/3 的样本作为测试集（注 意同分布取样）； （2）使用训练集训练朴素贝叶斯分类算法； （3）使用五折交叉验证对模型性能（准确度、精度、召回率和 F1 值）进行评估和选 择； （4）使用测试集，测试模型的性能，对测试结
阅读全文
摘要：return new JSONObject(response.body().string()).getString("access_token"); } public static void main(String[] args) { EventQueue.invokeLater(() -> { t
阅读全文
摘要：（1）从 scikit-learn 库中加载 iris 数据集，使用留出法留出 1/3 的样本作为测试集（注 意同分布取样）； （2）使用训练集训练 BP 神经网络分类算法； （3）使用五折交叉验证对模型性能（准确度、精度、召回率和 F1 值）进行评估和选 择； （4）使用测试集，测试模型的性能，对
阅读全文
摘要：今天下载软件时需要修改hosts文件，按照百度改了好几次权限都不行，要么就无法保存，要么就以txt文本文档的格式存下来一个新的host.txt文件，和原来的hosts两个一起在源路径下。 最后用很简单的两步就解决了。 首先附上hosts文件地址：C:\Windows\System32\drivers
阅读全文
摘要：（1）从 scikit-learn 库中加载 iris 数据集，使用留出法留出 1/3 的样本作为测试集（注 意同分布取样）； （2）使用训练集训练对数几率回归（逻辑回归）分类算法； （3）使用五折交叉验证对模型性能（准确度、精度、召回率和 F1 值）进行评估和选 择； （4）使用测试集，测试模型的
阅读全文
摘要：（1）从 scikit-learn 库中加载 iris 数据集，使用留出法留出 1/3 的样本作为测试集（注 意同分布取样）； （2）使用训练集训练对数几率回归（逻辑回归）分类算法； （3）使用五折交叉验证对模型性能（准确度、精度、召回率和 F1 值）进行评估和选 择； （4）使用测试集，测试模型的
阅读全文
摘要：Computer:100 与上述数据对应的文档形式如下： { “name”: “scofield”, “score”: { “English”: 45, “Math”: 89, “Computer”: 100 } } （2）获取scofield的所有成绩成绩信息(只显示score列)
阅读全文
摘要：Computer:100 与上述数据对应的文档形式如下： { “name”: “scofield”, “score”: { “English”: 45, “Math”: 89, “Computer”: 100 } } （2）获取scofield的所有成绩成绩信息(只显示score列)
阅读全文
摘要：（1）从 scikit-learn 库中加载 iris 数据集，使用留出法留出 1/3 的样本作为测试集（注 意同分布取样）； （2）使用训练集训练朴素贝叶斯分类算法； （3）使用五折交叉验证对模型性能（准确度、精度、召回率和 F1 值）进行评估和选 择； （4）使用测试集，测试模型的性能，对测试结
阅读全文
摘要：return new JSONObject(response.body().string()).getString("access_token"); } public static void main(String[] args) { EventQueue.invokeLater(() -> { t
阅读全文
