前后端分离前端项目，后端项目前端调用不一致，点击链接---》前端页面---》ajax--》后端接口封装了请求 ajax ajaxio，request每个ajax等请求对应后端一个接口 请求中url:user/add ---->后端/user/add找到配置# .environment VUE_APP_BASE_API="http://ip:8080" # 后端地址Springboot 后端接口 ， 前端调用，vue渲染步骤：页面点击--》向前端发送请求，前端路由找...

# 查看Keras 是否可使用gpufrom keras import backend as K gpu =K.tensorflow_backend._get_available_gpus() print(gpu) 　 # 查看tensorflow是否可使用gpu import tensorflow as tf print(tf.test.is_gpu_available()) 　　

# 决策树,随机森林 # 决策树结构:if-then # 信息熵: # 例:第一届世界杯32支球队 每个队伍冠军概率1/32 # 可得 log32(程序员认为的log一般都默认是以2为底) = -(1/32*log(1/32)+1/32*log(1/32).....) # 2018 第21届世界杯根据历史数据获胜概率不同 log32 > -(1/4*log(1/4)+1/4*log(1/4).....) # ...

机器学习常用算法 k近邻算法 求出未知点 与周围最近的 k个点的距离 查看这k个点中大多数是哪一类 根号((x已知-x未知)^2+(y已知-y未知)^2) 即平面间2点距离公式 收异常点影响较大,因此需要做标准化处理 API:sklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm="auto") algorithm:{"auto","ball_tree","kd_tree","brut...

# 机器学习_概述 # 数据类型:连续性,离散型 # 算法分类 # 监督学习(特征值+目标值):(预测) # 分类: k近邻算法 贝叶斯 决策树与随机森林 逻辑递归 神经网络 # 回归: 线性回归 岭回归 # 标注: 隐马尔可夫模型(不做要求) # 无监督学习(只有特征值) # 聚类: k-means # 机器学习流程 # 建立模型:(根据数据类型划分应用种类)...

# 特征处理 # 特征预处理:通过统计方法将数据转换为算法需要的数据 # 数值型数据:标准缩放 # 规依法,标准化(常用,适用于当前大数据),缺失值处理(删除,填补中位数平均数,通常按照列填补) # 类别型数据:ont-hot编码 # 时间类型:时间的切分 # 特征处理API sklearn.preprocessing # ============================================== # 归一化:对数据变化--->默认[0,1]之...

# 人工智能:预测,分类 # 人工智能: # 自动的工作 # 机器学习(包含深度学习) # 以前的限制因素:计算能力,数据,算法发展 # 用途: # 图像识别 # 识别图片中不同的地方(医学CT) 不用人工识别 # 图片艺术化(可以替代ps) # 无人驾驶 # 人脸识别 # 自然语言处理 # 语音识别 # 自动写报告 # 传统预测 # 性能评估 # NLP # ...

配置项你可以配置在window.cnblogsConfig里。!> Url 类型的配置，请尽量配置支持 Https 的地址！示例例如我原配置为：<script type="text/javascript"> window.cnblogsConfig = { GhVersions : 'v1.2.2', blogUser : "userName", ...

与：andand -> 有0出0，全1出1例如：1 ，1–--->11 ，0 --–>00 ，1--–>00 ，0---–>0或：oror -> 有1出1，全0出0例如：1 ，1–>11 ，0–>10 ，1–>10 ，0–>0非：notnot ->有1出0，有0出1例如：1 -->00–>1与非：nandnand ->先按与的操作，然后结果取反例如：1 ，1–>01 ，0–>10 ，1–>...