a1234556667的博客

​ 本章介绍了代码生成器的作用、配置方式以及如何采用代码生成器自动生成MyBatisPlus模板代码进行了描述，重点引入了两个持久层的案例分别是单条信息添加以及批量信息添加，实现对于持久层操作有个深刻的理解。AutoGenerator 是 MyBatis-Plus 的代码生成器，通过 AutoGenerator 可以快速生成 Entity、Mapper、Mapper XML、Service、Controller 等各个模块的代码，极大的提升了开发效率。...

​ 本章介绍了SpringBoot控制器类型分类，对于路由的组成、作用进行了详细的描述，同时对于SpringBoot Controller如何实现参数传递进行了详细的说明和实现，为了实现轻量级的数据结果返回，本章引入了SpringBoot对于JSON的集成实现，对于定时任务的处理主要讲解了三种定时器进行实战操作演练。JSON(JavaScript Object Notation) 是一种轻量级的数据交换格式。是存储和交换文本信息的语法，类似 XML。JSON比 XML 更小、更快，更易解析。...

​ 本章介绍了Maven的相关技术点，对于Maven的作用、特性、如何搭建本地Maven环境、如何配置IDEA Maven环境进行了一 一说明，同时对于thymeleaf模板引擎进行了详细的说明和讲解，提供了SpringBoot集成thymeleaf模板的操作演示，最后对于SpringBoot项目中如何引入静态资源进行了详细的描述和说明。什么是项目构建？清理、编译、测试、打包、部署什么是理想的项目构建？高度自动化、跨平台、可重用的组件、标准化的。...

​ 本章介绍了配置文件的作用、语法结构以及基于多种方式进行配置文件的配置实现，同时对于SpringBoot如何集成logback日志框架进行日志的写入进行了详细的实战演示。SpringBoot使用一个全局的配置文件，配置文件名是固定的；配置文件的作用：修改SpringBoot自动配置的默认值；SpringBoot在底层都给我们自动配置好；YAML A Markup Language：是一个标记语言。...

​ 本章介绍了SpringBoot的核心功能、优点、特征，同时对SpringBoot项目的构建、核心注解的使用进行一 一实战演练，为了提升日常SpringBoot项目的开发效率，引入了SpringBoot热启动的配置。随着动态语言的流行（Ruby、Groovy、Scala、Node.js），Java 的开发显得格外的笨重，繁多的配置、低下的开发效率、复杂的部署流程以及第三方技术集成难度大。在上述环境下，Spring Boot 应运而生。...

​ 本章介绍了数据挖掘实战项目（共7个），并对各项目的项目背景、项目目标、数据说明、方案建议和实现步骤进行了详细的说明，同时详细描述了项目实施过程及过程产出物要求。1.1.1.项目背景某市作为改革开放的前沿城市，其经济发展在全国经济中的地位举足轻重。目前，该市在财政收入规模、结构等方面与北京、上海、深圳等城市有一定差距，存在不断完善的空间。......

本章介绍深度学习算法-受限玻尔兹曼机，主要介绍受限玻尔兹曼机的原理、常见架构以及吉布斯分布与对比散度算法受限玻尔兹曼机（Restricted Boltzmann Machine，RBM）是深度学习的开山鼻祖 Geoffrey Hinton 提出，其在 2006 年的关于深度信念网络(Deep Belief Network, DBN) 以及逐层预训练的训练方法，开启了深度学习的序章。其中，DBN 中在层间的预训练就采用了 RBM 算法模型。...

本章介绍深度学习算法-自编码器，主要介绍自编码器的原理、常见架构以及MNIST 数据集测试目前为止，前8章讨论神经网络在有监督学习(Supervised Learning) 中的应用，在此类学习中，所以训练样本都是有类别标签的。现在假设只有一个没有带类别标签的训练样本集合 \lbrace x^{(1)}, x^{(2)}, x^{(3)}, \ldots \rbrace{x(1),x(2),x(3),…}，其中 x^{(i)} \in \Re^{n}x(i)∈ℜn, 自编码神经网络是一种无监督学习。...

本章介绍深度学习算法-循环神经网络，主要介绍循环神经网络的常见变种，包括递归神经网络、双向循环神经网络以及深度循环神经网络。

本章介绍深度学习算法-循环神经网络，主要介绍循环神经网络面临的长期依赖问题与相应的优化策略，包括多时间尺度、渗漏单元、梯度阶段、信息流正规化以及门控 RNN: LSTM 与 GRU。优化长期依赖问题时，实际应用中最有效的序列模型称为门控 RNN(Gated RNN), 包括基于长短期记忆(Long Short-Term Memory) 与基于门控循环单元(Gated Recurrent Unit) 的网络像渗漏单元一样，门控 RNN 基于生成通过时间的路径，其中导数既不消失也不爆炸。...

循环神经网络(Recurrent Neural Network) 或 RNN 是一类用于处理序列数据的神经网络卷积神经网络是专门用于处理网格化数据 \Imℑ 的神经网络，循环神经网络是专门用于处理序列 x_i = \lbrace\vec{x}^{(1)}_i, \vec{x}^{(2)}_i, \vec{x}^{(3)}_i, \dots, \vec{x}^{(\tau)}_i\rbracexi​={xi(1)​,xi(2)​,xi(3)​,…,xi(τ)​} 的神经网络。...

本章介绍深度学习算法-卷积神经网络用于图片分类的应用，主要介绍主流微型卷积神经网络 (CNN) 模型，包括SqueezeNetShuffleNet的算法模型、数学推理、模型实现以及PyTorch框架的实现。并能够把它应用于现实世界的数据集实现分类效果。目前神经网络领域的研究基本可以概括为两个方向：探索模型更好的预测能力，关注模型在实际应用中的难点。事实上卷积神经网络在图像识别领域超越了人类的表现，但是这些先进的网络需要较高的计算资源。...

数据分析概念包括狭义数据分析 和数据挖掘狭义数据分析根据目的 采用分析方法 对收集的数据进行分析处理 提取有价值的信息 发挥数据的作用 得到一个特征计量结果的过程数据挖掘从大量杂乱数据中通过聚类 分类 回归 关联规则等技术 挖掘潜在价值的过程。数据分析流程大数据采集 大数据处理 大数据存储与管理 大数据分析与挖掘 大数据可视化数据采集web端 app端 传感器 数据库 第三方ETL抽取 转换 加载数据预处理数据清洗清洗的目的在于 提高数据质量，...

import numpy as npimport matplotlib.pylab as plimport matplotlib.font_manager as fmt = np.arange(0.0, 2.0*np.pi, 0.01) #自变量取值范围s = np.sin(t) #计算正弦函数值z = np.cos(t) #计算余弦函数值pl.plot(t, .

模拟转盘游戏import numpy as npimport pandas as pd#模拟转盘100000次data = np.random.ranf(100000)#奖项等级划分category = (0.0,0.08,0.3,1.0)labels = ('一等奖'，'二等奖'，'三等奖')#对模拟数据进行划分result = pd.cut(data, category,labels=labels)results = pd.value_counts(result)print(r

NumPy简介Numerical Python 的简称基于数组，可用来存储和处理大型矩阵高性能计算和数据分析的基础包需导入库 import numpy as np数组对象N维数组对象，即ndarray对象，该对象具有矢量算数能力和复杂的广播能力，可执行科学计算。拥有对高维数组的处理能力，这是数值计算中不可缺少的一部分ndarray对象中的重要属性ndarray.ndim 维度个数 比如一维、二维、、、、 ndarray.shape 数组的维度。这是一个整数的元组，n行m列s

一、概述概念有目的的进行收集、整理、加工和分析数据，提炼有价值信息的过程。针对的是海量的多样化数据集合。过程需求分析--数据收集--数据分析--分析报告、提炼价值产生与发展互联网+物联网产生海量数据商业智能的发展从传统转换为增强型功能转变、单独的商业智能转换为嵌入式商业智能大数据分析技术的发展无线互联网技术、数据抓取、并行处理、高容量存储、数据可视化、人工智能应用场景电商、医疗、金融 交通物流、社交媒体、客户、营销分析、网络安全分析二、分析流程..