二，機器學習
特徵選擇
整合學習
1，k - 鄰近演算法
2，線性回歸
3，決策樹
4，樸素貝葉斯演算法
5，邏輯回歸
6，聚類 - sklearn中的使用
三，深度學習（tensorflow）
四，資料庫（sql）
五，資料結構與演演算法
傳送門：機器學習-pandas 資料的前處理
強力推薦：python之sklearn使用教程
sklearn提供的資料集：sklearn.datasets
傳送門：致理大樓 816
生成自己的資料集
傳送門：如何使用sklearn生成自己的資料集
廣義線性模型
傳送門：廣義線性模型 - sklearn使用說明
傳送門：sklearn中的回歸演算法
內容預覽：
交叉驗證：評估估算器的表現
傳送門：交叉驗證：評估估算器的表現 - sklearn的使用方法
傳送門：sklearn中的交叉驗證
計算 f1_score
傳送門：sklearn.metrics.f1_score 使用方法
資料降維
傳送門：分解元件中的訊號（矩陣分解問題） - 資料降維
傳送門：如何選擇sklearn中的特徵選擇包
傳送門：30分鐘學會如何使用整合學習（什麼是整合學習）
內容預覽：
傳送門：使用sklearn中提供的k鄰近演算法
內容預覽：
傳送門：實現knn演算法
傳送門：實現線性回歸演算法
內容預覽：
傳送門：線性回歸實戰（書p136）
內容預覽：
傳送門：使用sklearn中提供的線性回歸演算法
內容預覽：
傳送門：梯度下降法
內容預覽：
傳送門：決策樹 / 分類樹（書p33）
內容預覽：
傳送門：樸素貝葉斯演算法（書p53）
內容預覽：
傳送門：邏輯回歸（書p73）
內容預覽：
傳送門：聚類 - sklearn中的使用方法
內容預覽：
聚類方法概述
k-means
2.1. 小批量 k-means
affinity propagation
mean shift
層次聚類
5.1. 不同連線型別
dbscan
傳送門：深度學習 - 構建多層感知器
內容預覽：
傳送門：深度學習 - 獨熱編碼、順序編碼與softmax多分類
內容預覽：
傳送門：深度學習 - 模型的優化和過擬合問題
內容預覽：
傳送門：深度學習 - 建立模型的三種方式
內容預覽：
傳送門：深度學習 - 卷積神經網路（cnn）介紹+例項說明
內容預覽：
傳送門：深度學習 - tensor型別的資料進行微分計算
傳送門：深度學習 - 增強（例項說明）
內容預覽：
傳送門：深度學習 - vgg16介紹及預訓練神經網路的使用
內容預覽：
傳送門：深度學習 - 影象定位（一起來學習怎麼鎖狗頭吧～）
內容預覽：
傳送門：示例模式圖
為了方便對照，所以單獨寫了出來！
內容預覽：
傳送門：資料庫系統原理
內容預覽：
傳送門：sql語言（一）
內容預覽：
傳送門：sql語言（二）
內容預覽：
傳送門：sql語言（三）
內容預覽：
傳送門：sql語言（四）
內容預覽：
傳送門：資料庫設計和e-r(實體關係)模型
內容預覽：
傳送門：函式依賴和關係模式分解
內容預覽：
傳送門：正規化篇 - bcnf、3nf和4nf
內容預覽：
資料庫（完）
傳送門：演算法與演算法分析
內容預覽：
傳送門：演演算法 - 樹
內容預覽：
傳送門：演演算法 - 排序
內容預覽：
傳送門：演演算法 - 分治法（divide-and-conquer）
內容預覽：
傳送門：圖的基本概念及圖演演算法
這是乙個開始
準備正式的應對職業之路，是從劉未鵬的部落格開始 在此之前，從事的工作比較漫不經心，因為不熱愛的緣故，也只是工作而已 經朋友推薦，瀏覽了劉的部落格，一下仿似給自己找到了乙個出口。長期以來自己不成條理，漫無目標的思考，找到了乙個可以依附的體系 在新下來的日子裡，我認真的做事，努力學習周邊，在漂亮完成兩個...
這是乙個Scanner
最近，老師讓寫乙個ftp掃瞄器並匿名登陸。要求掃瞄到所有的檔案。預備知識 ftplib的使用 python異常處理知識 字串處理技巧 牽扯到拼接路徑 遞迴程式設計技巧 需要用遞迴來遍歷所有檔案 思路通過思考問題，我設計的遞迴引數是將父目錄當作引數。這個是肯定存在的。所以不需要進行異常處理 有以下幾種...
這是乙個隨筆
自我介紹 21160635 我的名字是曾磊鑫 愛好玩遊戲和聽 最喜歡吃的就是老黃牛的麻辣香鍋 晉級賽bo5又輸了xd 問題簡答 1 回想一下你初入大學時對本專業的暢想 1.當初你是如何做出選擇軟體工程專業的決定的？年輕不懂事當初以為選了軟工就可以在大學有理由好好玩遊戲了，現在發現家裡沒礦學業要緊。2...