本文通过对一个简单的电商零售数据案例进行粗略分析，介绍做数据分析时的项目流程。工具：python jupyter-notebook

CNN的发展历史Lenet，1986年Alexnet，2012年GoogleNet，2014年VGG，2014年Deep Residual Learning，2015年ResNeXt, 2016年DenseNet，2017年ImageNet历年冠军和相关CNN模型https://www.cnblogs.com/liaohuiqiang/p/9609162....

三种特征提取方式：TF-IDFWord embeddingWord2vecTF-IDF，词频-逆文件频率TF-IDF与一个词在文档中的出现次数成正比，与该词在整个语言中的出现次数成反比。所以，自动提取关键词的算法就很清楚了，就是计算出文档的每个词的TF-IDF值，然后按降序排列，取排在最前面的几个词。文本特征提取函数CountVectorizer(...

机器学习之路一：线性模型、非线性模型、神经网络二：神经网络的激活函数与损失函数三：神经网络实现分类与回归四：神经网络的发展---深度学习五：卷积神经网络、图片分类与文本分类六：基于卷积神经网络的图片、文本分类文献阅读七：递归神经网络、时间序列预测八：迁移学习、模型微调九：基于递归神经网络和迁移学习的文献阅读十：论文写作指导一: 线性模型、非线性模...

机器学习之路一：线性模型、非线性模型、神经网络二：神经网络的激活函数与损失函数三：神经网络实现分类与回归四：神经网络的发展---深度学习五：卷积神经网络、图片分类与文本分类六：基于卷积神经网络的图片、文本分类文献阅读七：递归神经网络、时间序列预测八：迁移学习、模型微调九：基于递归神经网络和迁移学习的文献阅读十：论文写作指导一: 线性模型、非线性模...

1.URP简介通用渲染管道（URP）的目标是为开发人员提供优化的性能，这些开发人员可以针对实时照明需求有限的各种平台，VR和游戏。它通过在照明和阴影方面做出一些权衡来做到这一点。图01：URP照明示例URP使用一个实时阴影光和每个对象的光消隐执行单遍正向渲染。相比之下，转发渲染的传统管道对范围内的每个像素光执行一次附加遍历。这意味着URP将减少绘制调用。着色器图形工具也支持此功能，该工具为着色器创

机器学习之路一：线性模型、非线性模型、神经网络二：神经网络的激活函数与损失函数三：神经网络实现分类与回归四：神经网络的发展---深度学习五：卷积神经网络、图片分类与文本分类六：基于卷积神经网络的图片、文本分类文献阅读七：递归神经网络、时间序列预测八：迁移学习、模型微调九：基于递归神经网络和迁移学习的文献阅读十：论文写作指导一: 线性模型、非线性模...

数据库之六大范式详解关系数据库中的关系满足一定要求的，满足不同程度要求的为不同的范式。满足最低要求的叫第一范式，简称1NF；在第一范式的基础上满足进一步要求的称为第二范式，简称2NF，其余范式以此类推。对于各种范式之间有如下关系：1. 第一范式 1NF定义：属于第一范式关系的所有属性都不可再分，即数据项不可分。理解：第一范式强调数据表的原子性，是其他范式的基础。如下图所示数据库就不符合第一范式：上

1NF2NF3NFBCNF模式分解

目录一、静态类1、静态类的主要特性：2、静态类与私有构造函数区别:二、静态成员三、静态方法四、静态构造函数五、静态成员的存储5.1 静态全局变量定义：特点：5.2 静态局部变量定义：特点：5.3 静态数据成员　内存分配：初始化和定义：特点：访问形式：作用：5.4 静态成员函数特点：作用：调用形式：注意：static静态的，不变的，在某个类中只有一个，不会因实例化对象的不同而不同。static可以修