- 博客(46)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 前端面试考点总结
链接：https://github.com/Laighten/JavaScript-Notes目录：一、HTML和CSS1、布局-盒模型 计算盒模型的宽度 margin纵向重叠的问题 margin负值的问题 2、布局-BFC BFC的理解和应用 形成条件 3、布局-float 双飞翼布局和圣杯布局 手写双飞翼布局 手写圣杯布局 手写clearfix 5、布局-flex 基础知识 flex实现
2020-12-03 22:09:58
241
原创 JavaScript原型链以及Object和Function之间的关系
要搞懂原型链以及Object和Function之间的关系首先得缕清以下几点重要关系：（1）Function是所有函数(function)的父亲，所有函数都是它的实例（2）Object也是一个函数，所以Object是Function的实例对象。（3）任何对象的原型链顶端最终都指向Object.prototype,Object.prototype再往上已经没有东西了，所以指向null。（4）Function比较特殊它的原型指向自己，即Function.__proto__ === Function
2020-09-26 22:39:06
1951
6
原创 JS中的函数、函数表达式以及回调函数
一、函数、函数表达式、回调函数1、函数：function say(){ console.log("哈哈哈哈哈哈！")}注：Javascript引擎在解析javascript代码时会‘函数声明提升’（Function declaration Hoisting）。也就是说我函数可以先调用后声明，但是js引擎在执行js代码时会自动先去寻找代码中的函数先执行。2、函数表达式：1、function (){ console.log("hello world")}2、var.
2020-09-02 14:54:02
389
原创 promise中的回调函数、async和await的执行顺序
一、几个关键问题：1、宏队列：用来保存待执行的宏任务（回调），比如：定时器回调、DOM事件回调、ajax回调。2、微队列：用来保存待执行的微任务（回调），比如：promise的回调、MutationObserver的回调。3、JS执行时，必须先执行所有的同步任务代码，然后将微队列中的任务取出执行，当所有微任务执行完成以后，再取出宏队列中的代码执行。所以执行顺序是：同步任务---->微队列任务---->宏队列任务。4、Promise((resolve,reject)=>...
2020-09-01 11:48:32
745
1
原创 MPI+Visual Studio实现矩阵相乘
为了完成高性能计算课程作业,学习了一下以前从来没有接触过的MPI、Pthread和OpenMP，现将MPI实现矩阵乘法的过程记录如下：运行环境：win10系统 cpu:AMD E2-3800 APU with Radeon(TM) HD Grapics 1.30GHZ 四核 四线程 (家里的台式机十年前买的，配置十分垃圾请谅解)。使用语言：C++使用工具：Visual Stu...
2020-08-27 14:02:58
1374
原创 前端使用工具总结
一、网站1、JavaScript方法查询网站：http://overapi.com/javascript2、前端学习及语法查询网站MDN：https://developer.mozilla.org/zh-CN/3、引入方法库连接查询BootCDN：https://www.bootcdn.cn/4、Vue脚手架组件：https://element.eleme.cn/#/zh-CN/component/installation5、antdv组件：https://www.antdv.com/c
2020-07-27 17:40:43
173
原创 叙事式可视化
该文为本人记录阅读赵海英老师“可视化叙事技术：叙事式可视化综述”学习笔记。一、叙事式可视化 由于计算机技术和多媒体技术的进步以及非数据分析人 员对可视化技术的需求, 使研究者开始考虑将可视化技术与故事的讲述融合, 追求表达更有效率 且易于理解记忆的可视化技术, 并在讨论如何使 可视化得到类似讲故事效果的过程中提出了叙事 式可视化的相关技术。尽管可视化研究的主要方向之一 的信息可视化注...
2020-03-07 17:39:37
2390
原创 TMvis:基于LDA的主题建模可视分析系统
一、阅前了解1、LDA：（来自百度百科）LDA（Latent Dirichlet Allocation）是一种文档主题生成模型，也称为一个三层贝叶斯概率模型，包含词、主题和文档三层结构。所谓生成模型，就是说，我们认为一篇文章的每个词都是通过“以一定概率选择了某个主题，并从这个主题中以一定概率选择某个词语”这样一个过程得到。文档到主题服从多项式分布，主题到词服从多项式分布。LDA是一种非...
2020-03-04 09:59:57
830
原创 TZVis: Visual Analysis of Bicycle Data for Traffic Zone Division
一、阅前了解二、论文介绍TZVis: 基于单车数据的交通区域划分可是分析系统（Visual Analysis of Bicycle Data for Traffic Zone Division）三、具体内容参考文献：[1][2] 百度百科：https://baike.baidu.com/...
2020-03-04 09:59:34
334
原创 第三章 线性模型
对于线性模型的理解： 线性模型试图学得一个通过属性的线性组合来预测的函数，本章主要介绍了三种线性模型： 回归任务的线性模型、二分类任务的线性模型、多分类任务的线性模型。1、回归任务的线性模型 （1）对于输入属性数目只有一个的 基于均方误差最小化的最小二乘法来求解，即找到一条直线，使得所有样本到直线上的 欧式距离之和最小。即求的这条直线的W，...
2019-11-19 20:50:10
184
原创 第四章 决策树
决策树： 理解： 根节点包含样本全集。 其他每个节点对应一个测试属性。 叶子节点对应决策结果。 决策树的构建方法： （1）生成节点 （2）判断D中样本是否全部属于同一类别C，若属于则将节点标记为 该类叶子节点，然后返回。 （3）判断属性A集合是否为空或则D样本在A...
2019-11-19 20:49:33
345
原创 第七章 贝叶斯分类器
1、贝叶斯决策论：是在概率框架下实施决策的基本方法。对于分类任务来说，在所有相关概率都已知的理想情况下，贝叶斯决策论考虑如何基于这些概率和误判损失来选择的类别标记。2、贝叶斯分类准则：为最小化总体风险，只需在每个样本上选择那个能使条件风险R(c|x)最小的类别标记；3、朴素贝叶斯分类器：（1）为了降低贝叶斯公式中估计后验概率P(c| x)的困难，朴素贝叶斯分类器采用属性条件独立性假设，但在现...
2019-11-19 20:48:50
196
原创 第五章 神经网络和误差逆传播法算法（BP）的推导
一、神经网络 神经网络由大量的神经元相互连接而成。神经元接收到来自n个其他神经元传递过来的输入信号，这些输入信号通过带权重进行传递，当某个神经元接收到的总输入值与该神经元的阈值进行比较，然后通过激活函数处理产生神经元的输出。每个神经元接受线性组合的输入后，最开始只是简单的线性加权，后来给每个神经元加上了非线性的激活函数，从而进行非线性变换后输出。每两个神经元之间的连接代表加权值，称之...
2019-11-19 20:48:01
1633
原创 第八章 集成学习
8.1 个体与集成（1）集成学习： 通过构建并结合多个学习器来完成学习任务，有时也被称作多分类器系统或者基于委员会的学习等。（2）一般结构： 先产生一组“个体学习器”，再用某种策略将他们结合起来。个体学习器通常由一个现有的学习算法从训练中产生，如：C4.5决策树算法、BP神经网络算法等。（3）在基学习器的误差相互独立的假设下：集成学习中，随着集成中个体分类器数目T的增大，集成的错误率将指数级...
2019-11-19 20:46:12
247
原创 第十章 降维与度量学习
10.1 K近邻学习&k-近邻学习方法：10.2 低维嵌入10.3 主成分分析10.4 核化线性降为10.5 流形学习10.6 度量学习参考文献：《机器学习》周志华
2019-11-19 20:45:30
136
原创 第十一章 特征选择与稀疏学习
11.1子集搜索与评价 1、特征选择：我们将属性称为“特征”，对当前学习任务有用的特征称为“相关特征”、没有什么用的属性称为“无关特征”。从给定集合中选择出相关特征子集的过程，称为“特征选择”。 2、在机器学习任务中，先进行特征选择，再训练学习器的原因：（1）我们在现实任务中经常会遇到维数灾难问题，这是由于属性过多而造成的，若能从中选出重要特征，使得后续学习过程仅需在一部分特征上构建模型，...
2019-11-07 16:06:34
227
原创 第九章 聚类
9.1 聚类任务聚类是试图将数据集中的样本划分为若干个通常是不相交的子集，每个子集称为一个“簇”。通过这样的划分，每个簇可能对应于一些潜在的概念（类别）。但是这些概念对聚类算法而言事先是未知的，聚类过程仅能自动形成簇结构，簇所对应的概念语义需要由使用者来把握和命名。聚类算法涉及的两个基本的问题：性能度量和距离计算9.2 性能度量聚类性能度量大致有两类。一类是将聚类结果与某个“参考模型...
2019-10-23 21:20:40
627
原创 IGAL九期班学习笔记-张小龙
本篇博客用于记录本人学习IGAL九期班张小龙老师课程的学习笔记，本次课程的主要内容是《从认知和设计的角度看可视分析的研究方法和理论》。张老师主要从自己的研究经验和项目经验出发，提出可视化分析的研究方法和理论意义。在可视分析的研究过程中普遍会遇见一开始想象的一些用户的任务和分析过程到评估的时候与以前不太一样的问题。在做可视分析研究时，我们需要数据以及目标，提出设计需求，从而进行相应的设计，在...
2019-08-14 16:10:58
212
原创 IGAL九期班学习笔记-曹楠
本篇博客用于记录本人听取IGAL九期班曹楠老师报告的学习记录。曹楠老师的报告主要讲述的是《可视化在医疗信息上的应用》（Visualization in Health Informatics）。在2011年的美国国家医学报告中指出：相比其他技术的发展，可视化在医疗领域的发展尤为落后。传统的医疗可视化的应用有X-Ray、CT、模拟手术（VR和AR）等，但可视化在医疗领域存在缺失，如电子病历、...
2019-08-14 13:10:36
204
原创 IGAL九期班学习笔记-陈为
本篇博客用于记录本人学习IGAL九期班陈为老师课程的笔记。本次课程的内容为《时空大数据的高效可视分析》，在课程中主要分为了两大部分：《时空数据的可视化表达》和《复杂时空信息的关联可视分析》来对其进行介绍，并且在介绍过程结合自己做过的相关研究及成果进行引导式的讲解。时空大数据包括海洋、大气、太空的探测和计算数据比如卫星遥感数据、集合模拟数据、地面多点观测数据等。高效认知时空大数据成为当前...
2019-08-13 22:05:43
270
原创 IGAL九期班学习笔记-陶钧
《基于特征的流场可视化》一、首先，陶钧老师对流场及流场可视化的概念做了一个简要的介绍：1、基于特征的显性方法：临界点分类、检测、尺度及稳定性 特征追踪 可视化方法举例2、基于特征的隐性方法基于重要性度量 基于相似性度量流场的例子车的风流、烟的雾流、血管里的血液3、流场和向量场的区别：向量场：从空间的一个点到向量的一个映射流场：从点和时间到点的映射他们在大多...
2019-08-12 17:32:38
390
1
原创 IGAL九期班学习笔记-汪云海
本篇博客用于记录IGAL九期班汪云海老师上课内容的学习笔记，汪老师本次上课的题目是“以任务为驱动的自动化可视化（Task-driven Automated Visualization）”。可视化是把看不见的数据转换成可见的图像，让我们人以视觉的方法去分析数据，挖掘数据所蕴藏的信息。基于计算机的可视化系统提供数据集的可视化表示，旨在帮助人们更有效地执行某些任务。 但当前的问题是对于缺乏经验的设计者来...
2019-08-12 14:29:19
328
原创 IGAL九期班学习笔记-袁晓茹
本篇博客用于记录观看袁晓茹老师在IGAL九期班中课程的学习笔记，其题目为《从易用到自动，大数据可视化的下一个十年》。袁老师从历史中的可视化的经典图案出发，通过不同的古代可视化有关的经典图像结合目前可视化的上的研究与不足来讲解，为我们讲解了可视化的作用与可继续做研究的发展空间。《从易用到可视化的下一个十年》——袁晓茹计算机学科中的三匹马：Artifical Intelligence、Big Da...
2019-08-12 09:26:40
274
原创 IGAL九期班学习笔记-刘世霞
本篇博客用于记录观看2018IGAL刘世霞老师关于《用于元/日志数据分析和质量管理的可视化分析》的学习笔记与体会。刘老师不仅结合自己的工作探讨了如何有效利用可视分析来解释隐藏知识，还分享了自己在研究中的一些宝贵经验。她主要讲解了三个在他们用可视化方法解决的研究中遇到的问题：一是通过文本关联的可视化方法来帮助研究人员在海量的论文中半自动的寻找自己需要的文章；第二个是对于机器学习中用可视化的方法...
2019-08-12 09:07:50
168
转载 IGAL九期班学习笔记-Ivan
本篇博客用于总结2018年可视化与可视分析课程中，沙特阿拉伯阿卜杜拉国王科技大学的Ivan Viola教授关于全细胞可视化与建模的报告学习笔记。通过Ivan教授的讲解我们了解到生物医疗数据的可视化的主要动因是其可以有效地帮助用户理解、探索生物医学数据，但仍然存在许多挑战。如其拥有复杂的几何构型，个体数量十分庞大，且在多尺度之间迁移十分困难。对于全细胞的可视化的任务被定义为通过计算机图形学和可视化的...
2019-08-11 13:32:41
149
原创 IGAL九期班学习笔记-赵健
本篇博客用于总结2018年IGAL九期班赵健老师做的报告，赵健老师的报告分为上午和下午两堂。主要介绍了他们团队利用可视化来解决人员相互沟通交流的问题和设计出的软件，这不仅为我们的研究方向提供了思路也为今后的可视化图像的设计方面提供一些新的想法，而且从本次报告中学习到了他们是怎样来设计一个非常实用的软件并解决的一个问题的过程。以下是学习听取赵健老师报告的学习笔记：上午时段：问题1、怎样把...
2019-08-02 17:23:58
272
原创 ChinaVis2019参会总结
本次ChinaVis挑战赛于7月21-24日在成都举行，由于本人家住成都较近的原因很荣幸能够报名并参加了这次挑战赛会议，期间有各行业的大佬做可视化的前沿发展汇报及最新论文汇报，让我收获颇丰，其详情请关注ChinaVis2019可视化官网。本篇博客主要用来总结本人本次与同学共同参加并完成挑战赛题目的收获与不足，以及参会时记录的挑战赛1的答案详情、听取到的其他获奖作品后的感想，以备自己今后参考...
2019-07-28 11:22:24
2783
2
原创 ChinaVIS 2018挑战赛1获奖作品总结
此总结所采用的文章为东北师范大学-徐劭斌挑战赛获奖答卷。首先，我们来看一下挑战赛1的题目描述：HighTech是一家互联网高科技公司，有几百名员工，分属财务、人力资源和研发三个部门。公司正在全力研发一款重量级新产品，近期该产品临近发布，公司对内部发生的一切异常现象都非常敏感。为了维护公司的核心利益，确保新产品顺利发布，公司高层决定临时成立内部威胁情报分析小组，该小组将根据公司内部采集到的数...
2019-02-22 18:53:15
2742
1
原创 11_层次数据可视化 学习笔记
本系列博客为本人假期学习2013年浙江大学可视化暑期班研讨会（一）整理的学习笔记或思维导图，写入博客以便有需要的人参考及作为自己备忘使用。本篇为学习张小龙老师的11_层次数据可视化_PPT的学习笔记。参考文章：2013年-浙江大学-数据可视化研讨会-11_层次数据可视化_张小龙PPT ...
2019-02-20 21:11:33
1308
1
原创 10_地理空间数据可视化 学习笔记
本系列博客为本人假期学习2013年浙江大学可视化暑期班研讨会（一）整理的学习笔记或思维导图，写入博客以便有需要的人参考及作为自己备忘使用。本篇为学习崔为炜老师_地理空间数据可视化_PPT的学习笔记。参考文章：2013年-浙江大学-数据可视化研讨会-10_地理空间数据可视化_崔为炜PPT ...
2019-02-18 13:23:10
1112
7
原创 6_7_时空数据可视化1&2 学习笔记
本系列博客为本人假期学习2013年浙江大学可视化暑期班研讨会（一）整理的学习笔记或思维导图，写入博客以便有需要的人参考及作为自己备忘使用。本篇为学习陈莉老师_6_7_时空数据可视化_PPT的学习笔记。参考文章：2013年-浙江大学-数据可视化研讨会-6_7_时空数据可视化1&2 PPT ...
2019-02-15 14:27:09
463
原创 04_数据可视化基础_陈为 学习笔记
本系列博客为本人假期学习2013年浙江大学可视化暑期班研讨会（一）整理的学习笔记或思维导图，写入博客以便有需要的人参考及作为自己备忘使用。本篇为学习陈为老师_数据可视化基础_PPT的学习笔记。 需要详细查看我的思维导图的可移步：http://naotu.baidu.com/file/34a59e8e263dce13526bea34674736e9?token=795bc78470d221d...
2019-02-12 19:03:50
1332
原创 03_芳晓芬_基础数据 学习笔记
本系列博客为本人假期学习2013年浙江大学可视化暑期班研讨会（一）整理的学习笔记或思维导图，写入博客以便有需要的人参考及作为自己备忘使用。本篇为方晓芬老师基础数据PPT的学习笔记。1、数据基础 数据对象的特征或特性 别名： 特征 维度 变量 属性集合：属性向量 属性类型： 类别型属性 有序型属性 ...
2019-02-08 13:25:47
301
原创 用于分析多维度地理信息数据的动态的可视分析
一、论文介绍用于分析多维度地理信息数据的动态的可视分析（Attribute Signatures: Dynamic Visual Summaries for Analyzing Multivariate Geographical Data ）是Turkay, Cagatay， Slingsby, Aidan等人于2014年12月在IEEE可视化与计算机图形汇刊发表的论文。该论文旨在解决地理位置...
2019-01-11 13:38:46
926
原创 欧式距离、明可夫斯基距离及其他计算曲线相似度的距离
1.欧几里德距离（又称欧式距离）（Euclidean Distance） 欧式距离是最常见的距离度量，衡量的是多维空间中各个点之间的绝对距离。 公式如下：2.明可夫斯基距离（Minkowski Distance）明氏距离是欧式距离的推广，是对多个距离度量公式的概括性的表述。公式如下：这里的p值是一个变量，当p=2的时候就得到了上面的欧式距离，当p为时为曼哈顿距离，当...
2019-01-08 22:13:59
5979
2
原创 归一化和标准化
1.概念：归一化：１）把数据变成(０，１)或者（1,1）之间的小数。主要是为了数据处理方便提出来的，把数据映射到0～1范围之内处理，更加便捷快速。２）把有量纲表达式变成无量纲表达式，便于不同单位或量级的指标能够进行比较和加权。归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为纯量。标准化：在机器学习中，我们可能要处理不同种类的资料，例如，音讯和图片上的像素值...
2019-01-08 21:55:39
363
原创 Win10 电脑能连接手机热点上网，但是连接wifi时却只能登qq不能浏览网页的问题
问题描述：本人用的是Win10 系统，平时在学校一直用电脑连接自己的手机热点，回到家后突然发现电脑连接自家的Wifi上网后打开浏览器显示无法连接到该网络，但是qq又能正常登陆并且接收同学发来的消息。检查浏览器一切正常，于是断开自家wifi,选择手机热点连接后，又能正常访问浏览器。百度找到了很多方法我逐个试了一下，现将有用的方法罗列如下：1、清理DNS缓存，重置LSP在搜索框输入cmd,以管...
2019-01-05 19:22:58
69468
24
原创 对2017年ChinaVIS挑战赛2作品的学习
参考作品：ChinaVIS2017年挑战赛2一等奖——东北大学-高强 首先，对挑战赛2做一个简要说明，ChinaVis2017年挑战赛2的数据信息为重庆市网吧上网信息的记录，它分为两部分，一部分为网吧信息（网吧信息.csv，后面我就简称表1），其记录的是重庆市各大网吧的编号、网吧名称、地理坐标（经纬度），其信息共3590条；另一部分为用户的上网信息（hydata_swjl_0.csv和hyd...
2018-12-29 22:34:57
1872
原创 用pandas以时间为维度处理 2017年chinavis挑战赛2数据
2017年chinavis挑战赛2的数据内容我就不介绍了，具体请参考我的上一篇博客。之前我以网吧编号（或则说是地理维度）处理统计了一些数据，这里我将以从2016年10月1日至12月31日的时间为维度，粒度大小分别为day、hour、min。代码如下：import pandas as pdfrom datetime import datetimeimport timeclass t...
2018-12-09 16:58:26
666
oracle上机实验
2018-05-25
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人