Python快速刷题网站——牛客网 数据分析篇（二）
数据分析是python相当重要的一环，也是当下python就业的一个热门方向，今天我们以牛客网的题目继续介绍数据分析部分。
【深度学习】（二）深度学习基础学习笔记
上一章介绍了机器学习的内容，这一章来了解一下深度学习。深度学习是在机器学习的基础上继续研究得来的，又经过了几十年日日夜夜的科研人员的研究，最终留下一些通用的、经典的算法，下面我们开始学习吧。对于图像处理来说，深度学习只需掌握CNN即可。下一节开始介绍近年来火爆的原始CNN基础上不断改进的神经网络模型
空间转录组 STAGATE
空间转录组论文STAGATE简介与代码介绍
PyTorch 梯度加权类激活映射 Grad-CAM
Grad-CAM 全称 Gradient-weighted Class Activation Mapping，用于卷积神经网络的可视化，甚至可以用于语义分割不过我是主要研究目标检测的，在看论文的时候就没有过多地看语义分割的部分Grad-CAM 的前身是 CAM，CAM 的基本的思想是求分类网络某一
【Python零基础快速入门系列 | 15】常用标准库os、sys、logging快速掌握
本文描述了python最常用的3个标准库：os、sys、logging。
基于3D Frangi滤波的血管强化方法（附代码python）
3D Frangi滤波 用于血管强化
用YOLOv5ds训练自己的数据集，注意点！
YOLOv5ds训练以及预测过程的问题解决。目前检测和分割都可以进行预测！
机器学习强基计划0-1：教程导读
订阅专栏前，请先看本文章简介
Python快速刷题网站——牛客网 数据分析篇（一）
学习要从简到难，由浅入深，我们先学习如何查看文件，这在工作中可以说是必用的代码，我深有体会，很简单，但是却异常重要，我将带你一步一步走近Python大门。
OpenCv人脸识别开发实战
OpenCV可用于开发实时的图像处理、计算机视觉以及模式识别程序。本章内容为OpenCV的基本应用，主要内容包括：读取图片、将图片转换成灰度、修改图片尺寸及图形绘制、静态图像中的人脸检测及视频中的人脸识别。......
SVM(Support Vector Machines)支持向量机算法原理以及应用详解+Python代码实现
博主大大小小参与过数十场数学建模比赛，SVM经常在各种建模比赛的优秀论文上见到该模型，一般直接使用SVM算法是比较少的，现在都是在此基础理论之上提出优化算法。但是SVM的基础理论是十分重要的思想，放眼整个分类算法中，SVM是最好的现成的分类器。这里说的‘现成’指的是分类器不加修改即可直接使用。在神经
Pandas向本地Excel已存在的工作表追加写入DataFrame
Pandas向本地Excel已存在的工作表sheet追加写入DataFrame
pip和pip3有什么区别
如果只安装了Python3，那么用pip和pip3没有区别。如果安装了Python2和Python3，那么pip给Python2安装包，pip3给Python3安装包。
机器学习西瓜书——第七章 贝叶斯分类器
贝叶斯决策论是在概率框架下实施决策的基本方法。对分类任务来说，在所有相关概率都已知的理想情形下，贝叶斯决策论考虑如何基于这些概率和误判损失来选择最优的类别标记。下面我们以多分类任务为例来解释其基本原理。假设有NNN种可能的类别标记，即Y={c1,c2,…,cN},λij\mathcal{Y}=\le
Python实现基于图神经网络的异构图表示学习和推荐算法研究
安装依赖Python 3.7CPU异构图表示学习（附录）基于对比学习的关系感知异构图神经网络(Relation-aware Heterogeneous Graph Neural Network with Contrastive Learning, RHCO)见 readme基于图神经网络的学术推荐算
一口气刷完牛客网全部机器学习算法题
不知道为什么最近突然觉得牛客网很火，好奇心驱使下我也点开看了看...发现真的不错。
数学建模学习（73）：用Python敏感性分析,如此轻松简单
数学建模中的敏感性分析详细实现，从建模到敏感性分析。
基于双语数据集搭建seq2seq模型
基于英-法数据集搭建无注意力机制的seq2seq模型
利用有放回抽样估计自然常数e python
利用有放回抽样中一个数字没有被抽到的概率估计自然常数e python 使用字典dict 集合set numpy三种实现方式
OpenCV：04图像的基本变换
关键API：其中：结果：结果：可以看到xy轴都缩小了一半仿射变换是图像旋转、缩放、平移的总称。具体的做法是通过一个矩阵和原图片进行坐标运算，得到新的坐标，完成变换，所以仿射变换的关键就是这个矩阵仿射变换不会改变每个像素点上的RGB色彩，只会改变像素对应的位置 ——> 我们只要找出其中对应的数学关系，
