StudyinCAU

下载PDF点这里

下载PDF点这里

下载PDF点这里

下载PDF点这里

下载PDF点这里

下载PDF点这里

Python基本语法总结 本文参考《Python 数据之道》，为重温语法制作。 本文适合有一定编程基础或复习语法的读者阅读。 print("Hello Python") Hello Python 字符串 创建字符串 在 Python 中处理文本数据是使用 str 对象，也称为字符串。字符串字面值有多种不同的写法： 单引号: ‘允许包含有 “双” 引号’ 双引号: “允许包含有 ‘单’ 引号”。 三重引号: ’‘’ 三重单引号” ’, ””“三重双引号””” 使用三重引号的字符串可以跨越多行 —— 其中所有的空白字符都将包含在该字符串字面值中 s1 = 'hello's2 = "world"s3 = ''' my python'''print(s1)print(s2)print(s3) hello world my python s4 = '''mypython'''print(s4) my python 访问字符串中的值 字符串（string）支持用切片的方式来访问字符串中的值。该功能在 Python 的 list 中经常会用到。 s1 = "hel ...

题目 题目链接点这里 ## 赛题背景 随着全球经济的快速发展和城市化进程的加速，电力系统面临着越来越大的挑战。电力需求的准确预测对于电网的稳定运行、能源的有效管理以及可再生能源的整合至关重要。 然而，电力需求受到多种因素的影响，为了提高电力需求预测的准确性和可靠性，推动智能电网和可持续能源系统的发展，本场以“电力需求预测”为赛题的数据算法挑战赛。选手需要根据历史数据构建有效的模型，能够准确的预测未来电力需求。 赛题任务 给定多个房屋对应电力消耗历史N天的相关序列数据等信息，预测房屋对应电力的消耗。 评审规则 数据说明 赛题数据由训练集和测试集组成，为了保证比赛的公平性，将每日日期进行脱敏，用1-N进行标识，即1为数据集最近一天，其中1-10为测试集数据。数据集由字段id（房屋id）、 dt（日标识）、type（房屋类型）、target（实际电力消耗）组成。 \[ \begin{array}{|l|l|} \hline \text { 特征字段 } & \text { 字段描述 } \\ \hline \text { id } & \text { 房屋id } \\ \h ...

题目 题目链接点这里 赛事背景 目前神经机器翻译技术已经取得了很大的突破，但在特定领域或行业中，由于机器翻译难以保证术语的一致性，导致翻译效果还不够理想。对于术语名词、人名地名等机器翻译不准确的结果，可以通过术语词典进行纠正，避免了混淆或歧义，最大限度提高翻译质量。 赛事任务 基于术语词典干预的机器翻译挑战赛选择以英文为源语言，中文为目标语言的机器翻译。本次大赛除英文到中文的双语数据，还提供英中对照的术语词典。参赛队伍需要基于提供的训练数据样本从多语言机器翻译模型的构建与训练，并基于测试集以及术语词典，提供最终的翻译结果，数据包括： 训练集：双语数据：中英14万余双语句对 开发集：英中1000双语句对 测试集：英中1000双语句对 术语词典：英中2226条 评审规则 数据说明 所有文件均为UTF-8编码，其中测评官方发放的训练集、开发集、测试集和术语词典皆为文本文件，格式如下所示： 训练集为双语数据，每行为一个句对样本，其格式如图1所示。 术语词典格式如图2所示。 评估指标 对于参赛队伍提交的测试集翻译结果文件，采用自动评价指标BLUE-4进行评价，具体工具使用sacreble ...

下载PDF点这里

Python可视化教程 本文章将使用matplotlib,seaborn进行可视化教程。 1.Seaborn简介 1.1Seaborn快速上手 import seaborn as snsimport pandas as pdimport matplotlib as mplimport warningsimport matplotlib.pyplot as plt# 忽略所有 UserWarning 警告warnings.filterwarnings("ignore", category=UserWarning)# 设置绘图风格plt.rcParams['axes.unicode_minus'] = Falsecustom_set = { "font.family": "SimHei", "axes.spines.left": True, # y坐标轴开启 "axes.spines.bottom": True, # x坐标轴开启 "axes.spines.top": False, # 上方坐标轴关闭 "axes.spines.right": False, # ...

机器学习概论 本文章将把机器学习大致内容梳理一遍，可以快速了解机器学习的大致框架及大致内容。 一、线性回归 1.线性回归模型的基本原理和假设 线性回归是⼀种⼴泛⽤于统计学和机器学习中的回归分析⽅法，⽤于建⽴⾃变量（特征）与因变量（⽬标）之间的 线性关系模型。线性回归的基本原理是寻找⼀条直线（或者在多维情况下是⼀个超平⾯），以最佳地拟合训练数 据，使得模型的预测与真实观测值之间的误差最⼩化。下⾯我们来详细解释线性回归的基本原理和假设。 简单线性回归模型： \[ y=b_0+b_1\cdot x \] 多元线性回归模型： \[ y=b_0+b_1\cdot x_1+b_2\cdot x_2+\ldots+b_p\cdot x_p \] 其中： \(y\)是因变量 (需要预测的值)。 \(x_1, x_2, \ldots , x_p\)是自变量 (特征),可以是一个或多个。 \(b_0\)是截距(模型在自变量都为0时的预测值)。 \(b_1,b_2,\ldots,b_p\)是回归系数，表示自变量对因变量的影响程度。 最优解 Actual value: 真实值,即已知的 Predicte ...