原创 Python 面向對象(教程4)

Python 面向對象 Python從設計之初就已經是一門面向對象的語言,正因爲如此,在Python中創建一個類和對象是很容易的。本章節我們將詳細介紹Python的面向對象編程。 如果你以前沒有接觸過面向對象的編程語言,那你可能需

原创 defaultdict 和 namedtuple 的使用(python)

defaultdict  和 namedtuple 的使用 defaultdict()和namedtuple()是collections模塊裏面2個很實用的擴展類型。一個繼承自dict系統內置類型,一個繼承自tuple系統內置類型。在擴展

原创 Java UDP 組播實現

源代碼: https://git.oschina.net/chesian/Chat-UDP UDP(User Datagram Protocol,用戶數據報協議)是傳輸層的另一種協議,它比TCP具有更快的傳輸速度,但是不可靠。 UDP發

原创 python 實現 knn分類算法 (Iris 數據集)

1、KNN分類算法KNN分類算法(K-Nearest-Neighbors Classification),又叫K近鄰算法,是一個概念極其簡單,而分類效果又很優秀的分類算法。他的核心思想就是,要確定測試樣本屬於哪一類,就尋找所有訓練樣本中與

原创 python 實現識別手寫 MNIST數字集的程序

原英文查看:http://neuralnetworksanddeeplearning.com/chap1.html 我們需要做的第⼀件事情是獲取 MNIST 數據。如果你是⼀個 git ⽤⼾,那麼你能夠 通過克隆這本書的代碼倉庫獲得數據,

原创 Tex, LaTex, pdflatex, xelatex, xetex等的區別和關係

概念: TeX:一種宏語言。 Plain Tex: Tex中的一個最基本的宏集合與TeX的基礎語言構成的一種格式。 LaTex: Tex中的一個宏集合,構成一種與 Plain TeX 不一樣的格式。 Tex程序:把Tex語言

原创 聚類算法

一.串行聚類算法 1.1 劃分方法(partitioning method) 劃分方法首先根據給定要構建劃分的數目k創建一個初始劃分,然後採用一種迭代的重定位技術,嘗試通過對象在劃分間移動來改進劃分。一個好的劃分的一般準則是:在同一類中

原创 機器學習中的相似性度量

在做分類時常常需要估算不同樣本之間的相似性度量(Similarity Measurement),這時通常採用的方法就是計算樣本間的“距離”(Distance)。採用什麼樣的方法計算距離是很講究,甚至關係到分類的正確與否。   本文的目

原创 R-樹相關技術

空間索引是對存儲在介質上的數據位置信息的描述,用來提高系統對數據獲取的效率。GIS涉及的各種海量複雜數據存儲於外存,如果對磁盤上的數據的位置不加以記錄和組織,每查詢一個數據項都要掃描整個數據文件,則這種訪問磁盤的代價將嚴重影響系統的效率

原创 Python 模塊(教程3)

Python 模塊 模塊讓你能夠有邏輯地組織你的Python代碼段。 把相關的代碼分配到一個 模塊裏能讓你的代碼更好用,更易懂。 模塊也是Python對象,具有隨機的名字屬性用來綁定或引用。 簡單地說,模塊就是一個保存了Pyth

原创 Python File(文件) 方法(教程5)

Python File(文件) 方法 file 對象使用 open 函數來創建,下表列出了 file 對象常用的函數: 序號 方法及描述 1 file.close() 關閉文件。關閉後文件不能再進行讀寫操作。 2

原创 Java UDP 多用戶 組播 聊天程序

源代碼: https://git.oschina.net/chesian/Chat-UDP 一、實驗環境 編程語言:Java1.8(運行在JVM(Java Virsual Machine)) 開發工具:eclipce 測試環境:局域網

原创 Python 元組 (教程 1)

Python 元組 Python的元組與列表類似,不同之處在於元組的元素不能修改。 元組使用小括號,列表使用方括號。 元組創建很簡單,只需要在括號中添加元素,並使用逗號隔開即可。 如下實例: tup1 = ('physics',

原创 GPG即GNU PrivacyGuard 加密工具PGP(Pretty Good Privacy)

GPG即GNU PrivacyGuard,它是加密工具PGP(Pretty Good Privacy)的非商業化版本,用於對Email、文件及其他數據的收發進行加密與驗證,確保通信數據的可靠性和真實性。 一、GPG的安裝 下載鏈接:

原创 神經⽹絡與深度學習 Neural Networks and Deep Learning

http://neuralnetworksanddeeplearning.com/ 關於作者 http://michaelnielsen.org/ Reference http://en.wikipedia.or