
PostgreSQL 高级数据类型
在这个实验中,你将探索 PostgreSQL 的高级数据类型,重点关注 JSON/JSONB、数组和 UUID。你将学习如何在这些类型中存储、查询和操作数据。该实验涵盖了存储和查询 JSON/JSONB、创建数组列以及使用 UUID 作为标识符。
PostgreSQL

判别分析分类器解析
线性判别分析和二次判别分析(LDA 和 QDA)是机器学习中使用的两种经典分类器。LDA 使用线性决策面,而 QDA 使用二次决策面。这些分类器很受欢迎,因为它们有闭式解,在实际应用中效果良好,并且没有超参数需要调整。
Machine Learningscikit-learn

使用 Scikit - Learn 进行监督学习
在监督学习中,我们希望了解两个数据集之间的关系:观测数据 X 和我们想要预测的外部变量 y。
Machine Learningscikit-learn

探索 Scikit-Learn 数据集和估计器
在本实验中,我们将探索 Python 中流行的机器学习库 Scikit-Learn 中的设置和估计器对象。我们将了解以二维数组表示的数据集,以及如何为 Scikit-Learn 对其进行预处理。我们还将探索估计器对象的概念,这些对象用于从数据中学习并进行预测。
Machine Learningscikit-learn

核岭回归
在本实验中,我们将学习核岭回归(KRR)以及如何使用 Python 中的 scikit-learn 库来实现它。KRR 将岭回归与核技巧相结合,以便在由核诱导的空间中学习线性函数。它是一种非线性回归方法,可以处理输入和输出变量之间的非线性关系。
Machine Learningscikit-learn

模型选择:选择估计器及其参数
在机器学习中,模型选择是为给定数据集选择最佳模型的过程。它涉及选择合适的估计器并调整其参数以实现最佳性能。本教程将指导你完成在 scikit-learn 中进行模型选择的过程。
Machine Learningscikit-learn

Scikit-learn 中的线性模型
在本实验中,我们将探索 Scikit-learn 中的线性模型。线性模型是用于回归和分类任务的一组方法。它们假设目标变量是特征的线性组合。由于其简单性和可解释性,这些模型在机器学习中被广泛使用。
Machine Learningscikit-learn

控制符号与组合子模块
了解 Python 中包导入的复杂性,使用 `__all__` 控制导出的符号,从包中导出所有内容,并拆分模块以实现更好的代码组织。
Python

了解受控生成器
理解 Python 生成器,用它们创建任务调度器,测试调度器,构建网络服务器,并实现回显服务器,从而了解受控生成器。
Python

对象是如何表示的
了解 Python 中对象是如何表示的。创建一个简单的股票类,探索对象内部字典,添加和修改属性,并理解类与实例的关系。
Python

继承的实际应用
理解问题,创建基类并修改打印函数,实现具体的格式化器,创建额外的格式化器,构建工厂函数,从而学习 Python 中继承的实际应用。
Python

探索 Python 的一等对象与内存模型
了解 Python 中的一等对象,创建用于 CSV 处理的实用函数,探索 Python 的内存模型,并学习面向列的数据存储,以深入探索 Python 的一等对象与内存模型。
Python

定义一个简单的类
在 Python 中为 Stock 类添加出售方法,从 CSV 文件中读取投资组合,并对投资组合数据进行格式化和打印。
Python

私有属性和属性(Properties)
在 Python 中实现私有属性、将方法转换为属性(properties)、实现属性验证、使用 __slots__ 进行内存优化,以及协调类型验证与类变量。
Python

重新定义特殊方法
在 Python 中,通过重新定义特殊方法,使用 `__repr__` 改进对象表示,使用 `__eq__` 使对象可比较,并创建上下文管理器。
Python

创建新的原始类型
创建一个基本的 MutInt 类,改进其字符串表示形式,添加数学和比较运算,并实现类型转换,以在 Python 中创建一个新的原始类型。
Python

创建自定义容器
了解列表和字典的内存分配,使用列向数据优化内存,在 Python 中创建自定义容器类并增强其切片功能。
Python

像专业人士一样进行迭代
掌握基本的迭代和序列解包,运用 enumerate() 和 zip() 函数,并学习 Python 中提高内存效率的生成器表达式。
Python