【机器学习】机器学习与教育科技在个性化教学中的融合应用与性能优化新探索

news2024/11/24 0:58:18

文章目录

    • 引言
    • 机器学习与教育科技的基本概念
      • 机器学习概述
        • 监督学习
        • 无监督学习
        • 强化学习
      • 教育科技概述
        • 学生学习行为分析
        • 个性化学习路径推荐
        • 智能化教育评估
    • 机器学习与教育科技的融合应用
      • 实时学习数据分析
        • 数据预处理
        • 特征工程
      • 学生成绩预测与优化
        • 模型训练
        • 模型评估
      • 个性化学习路径推荐与优化
        • 深度学习应用
      • 智能化教育评估与优化
        • 强化学习应用
    • 性能优化
      • 模型压缩与优化
      • 分布式训练
      • 高效推理
    • 案例研究
      • Khan Academy
        • 推荐算法
        • 个性化推荐
      • Coursera
        • 学习路径推荐算法
        • 智能教学优化
    • 未来展望
      • 跨领域应用
      • 智能化系统
      • 人工智能伦理
      • 技术创新
    • 结论

引言

随着教育科技的不断发展,个性化教学在教育领域的应用日益广泛。通过融合机器学习与教育科技,个性化教学系统能够实现学生学习行为分析、个性化学习路径推荐、智能化教育评估等功能,从而提升教学质量和学生的学习效果。本文将探讨机器学习与教育科技在个性化教学中的融合应用,并重点讨论性能优化的新方法和新探索。
在这里插入图片描述

机器学习与教育科技的基本概念

机器学习概述

机器学习是一种通过数据训练模型,并利用模型对新数据进行预测和决策的技术。其基本思想是让计算机通过样本数据学习规律,而不是通过明确的编程指令。根据学习的类型,机器学习可以分为监督学习、无监督学习和强化学习。

监督学习

监督学习是通过带标签的数据集训练模型,使其能够对新数据进行分类或回归预测。常见的算法包括线性回归、逻辑回归、支持向量机、决策树和神经网络等。

无监督学习

无监督学习是在没有标签的数据集上进行训练,主要用于数据聚类和降维。常见的算法包括K-means聚类、层次聚类和主成分分析(PCA)等。

强化学习

强化学习是一种通过与环境交互学习最优行为策略的技术。智能体通过试错法在环境中学习,以最大化累积奖励。常见的算法包括Q-learning、深度Q网络(DQN)和策略梯度方法等。

教育科技概述

教育科技(EdTech)是指将技术应用于教育服务和管理的创新。个性化教学系统是教育科技的重要应用之一,通过集成先进的技术和数据分析方法,个性化教学系统能够实现高效、准确的教学服务。

学生学习行为分析

学生学习行为分析是个性化教学系统的重要功能之一。通过分析学生的学习行为数据和相关因素,机器学习模型能够预测学生的学习成绩和学习状态,为教学决策提供依据。

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestRegressor

# 示例学生学习行为数据
data = {
    'study_hours': [2, 3, 1, 4],
    'attendance': [90, 80, 70, 95],
    'assignments_completed': [8, 7, 5, 9],
    'exam_score': [85, 78, 72, 88]
}

df = pd.DataFrame(data)

# 数据集拆分
X = df[['study_hours', 'attendance', 'assignments_completed']]
y = df['exam_score']
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 模型训练
model = RandomForestRegressor()
model.fit(X_train, y_train)

# 模型预测
predictions = model.predict(X_test)
print(predictions)
个性化学习路径推荐

个性化学习路径推荐是个性化教学系统的重要组成部分。通过分析学生的学习行为和学习需求,机器学习模型能够推荐最适合学生的学习路径,提高学习效果。

import numpy as np
from sklearn.cluster import KMeans

# 示例学习路径数据
data = np.array([
    [1, 2], [2, 3], [3, 1], [4, 4],
    [5, 3], [6, 4], [7, 2], [8, 1]
])

# K-means聚类
kmeans = KMeans(n_clusters=3, random_state=0).fit(data)
print(kmeans.labels_)

在这里插入图片描述

智能化教育评估

智能化教育评估是个性化教学系统的重要功能之一。通过实时监测和分析学生的学习数据,机器学习模型能够评估学生的学习效果和教学质量,为教学改进提供依据。

import numpy as np
from scipy.optimize import minimize

# 示例教育评估数据
scores = np.array([85, 78, 92, 88])
weights = np.array([0.3, 0.2, 0.3, 0.2])

# 定义目标函数
def evaluation_metric(weights, scores):
    return -np.dot(weights, scores)

# 约束条件
constraints = ({'type': 'eq', 'fun': lambda x: np.sum(x) - 1})
bounds = tuple((0, 1) for _ in range(len(scores)))

# 最优权重配置
result = minimize(evaluation_metric, len(scores) * [1. / len(scores)], args=(scores,), method='SLSQP', bounds=bounds, constraints=constraints)
optimal_weights = result.x
print(optimal_weights)

机器学习与教育科技的融合应用

实时学习数据分析

实时学习数据分析是个性化教学系统的基础。通过对实时学习数据的采集、处理和分析,可以提供准确的学习信息,为教学决策提供支持。

数据预处理

在实时学习数据分析中,数据预处理是关键的一步。通过对原始数据进行清洗、转换和特征工程,可以提高模型的准确性和稳定性。

import pandas as pd
from sklearn.preprocessing import StandardScaler

# 示例学习数据
data = {
    'timestamp': ['2023-01-01 08:00', '2023-01-01 08:05', '2023-01-01 08:10', '2023-01-01 08:15'],
    'study_duration': [2, 3, 1, 4],
    'assignments_completed': [8, 7, 5, 9]
}

df = pd.DataFrame(data)

# 数据预处理
df['timestamp'] = pd.to_datetime(df['timestamp'])
df['hour'] = df['timestamp'].dt.hour
df['minute'] = df['timestamp'].dt.minute

features = df[['hour', 'minute', 'study_duration', 'assignments_completed']]
scaler = StandardScaler()
scaled_features = scaler.fit_transform(features)

print(scaled_features)
特征工程

特征工程是从原始数据中提取有用特征的过程。在学习数据分析中,常见的特征包括时间特征、学习特征和行为特征等。

# 示例特征工程
df['completion_rate'] = df['assignments_completed'] / df['study_duration']
print(df[['hour', 'minute', 'completion_rate']])

学生成绩预测与优化

在个性化教学系统中,学生成绩预测与优化是核心环节。通过训练和评估模型,可以实现学生成绩的准确预测和优化管理。

模型训练

在学生成绩预测中,常用的模型训练方法包括时间序列分析、回归模型和深度学习等。

from statsmodels.tsa.arima_model import ARIMA

# 示例时间序列数据
scores = df['assignments_completed'].values

# 时间序列模型训练
model = ARIMA(scores, order=(1, 1, 1))
model_fit = model.fit(disp=False)

# 模型预测
predictions = model_fit.predict(len(scores), len(scores)+3, typ='levels')
print(predictions)
模型评估

模型评估是验证模型性能的重要步骤。常见的评估指标包括均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R²)等。

from sklearn.metrics import mean_squared_error, mean_absolute_error, r2_score

# 模型评估
rmse = mean_squared_error(y_test, predictions, squared=False)
mae = mean_absolute_error(y_test, predictions)
r2 = r2_score(y_test, predictions)

print(f'RMSE: {rmse}, MAE: {mae}, R²: {r2}')

个性化学习路径推荐与优化

个性化学习路径推荐是通过机器学习模型,分析学生的学习行为和学习需求,推荐最适合学生的学习路径,提高学习效果。

深度学习应用

深度学习在个性化学习路径推荐中具有广泛的应用。通过卷积神经网络(CNN),可以实现学习数据的高精度分析和路径推荐。

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms

# 示例数据预处理
transform = transforms.Compose([
    transforms.Resize((32, 32)),
    transforms.ToTensor(),
    transforms.Normalize((0.5,), (0.5,))
])

trainset = datasets.FakeData(transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True)

# 定义卷积神经网络
class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 3)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6,

 16, 3)
        self.fc1 = nn.Linear(16 * 6 * 6, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 2)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 6 * 6)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# 模型训练
net = CNN()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

for epoch in range(2):
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data
        optimizer.zero_grad()
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
        if i % 2000 == 1999:
            print(f'[Epoch {epoch + 1}, Batch {i + 1}] loss: {running_loss / 2000}')
            running_loss = 0.0

print('Finished Training')

在这里插入图片描述

智能化教育评估与优化

智能化教育评估是通过机器学习模型,实时监测和分析学生的学习数据,评估学生的学习效果和教学质量,为教学改进提供依据。

强化学习应用

强化学习是一种在智能化教育评估中广泛应用的技术。通过与环境交互,强化学习算法能够学习最优的教育评估策略。

import numpy as np
import gym
from stable_baselines3 import PPO

# 创建教育评估环境
env = gym.make('EducationAssessment-v0')

# 强化学习模型训练
model = PPO('MlpPolicy', env, verbose=1)
model.learn(total_timesteps=10000)

# 模型评估
obs = env.reset()
for _ in range(1000):
    action, _states = model.predict(obs)
    obs, rewards, done, info = env.step(action)
    if done:
        obs = env.reset()

env.close()

性能优化

模型压缩与优化

模型压缩是通过减少模型参数量和计算量,提高模型运行效率的技术。常见的方法包括权重剪枝、量化和知识蒸馏等。

# 示例权重剪枝
import torch
import torch.nn.utils.prune as prune

model = CNN()
parameters_to_prune = [(module, 'weight') for module in model.modules() if isinstance(module, nn.Conv2d)]

for module, param in parameters_to_prune:
    prune.l1_unstructured(module, name=param, amount=0.2)

# Remove pruning reparameterization to enable inference
for module, param in parameters_to_prune:
    prune.remove(module, param)

分布式训练

分布式训练是通过多节点并行计算,加速大规模数据集和复杂模型训练的技术。常见的方法包括数据并行和模型并行。

# 示例数据并行
import torch
import torch.distributed as dist
import torch.nn as nn
import torch.optim as optim
from torch.nn.parallel import DistributedDataParallel as DDP

dist.init_process_group(backend='nccl')
model = CNN().cuda()
ddp_model = DDP(model)
optimizer = optim.SGD(ddp_model.parameters(), lr=0.01)

for epoch in range(10):
    for inputs, labels in trainloader:
        inputs, labels = inputs.cuda(), labels.cuda()
        optimizer.zero_grad()
        outputs = ddp_model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

高效推理

高效推理是通过优化推理过程,提高模型响应速度的技术。常见的方法包括模型裁剪、缓存机制和专用硬件。

# 示例缓存机制
import torch
import torch.nn as nn

class CachedModel(nn.Module):
    def __init__(self, model):
        super(CachedModel, self).__init__()
        self.model = model
        self.cache = {}

    def forward(self, x):
        x_tuple = tuple(x.view(-1).tolist())
        if x_tuple in self.cache:
            return self.cache[x_tuple]
        output = self.model(x)
        self.cache[x_tuple] = output
        return output

model = CNN()
cached_model = CachedModel(model)

input_tensor = torch.randn(1, 3, 32, 32)
output = cached_model(input_tensor)
print(output)

案例研究

Khan Academy

Khan Academy通过其个性化教学系统,利用机器学习技术实时分析和预测学生的学习行为,为学生提供高效、准确的学习路径和教学服务。

推荐算法

Khan Academy的个性化教学系统采用了一系列先进的推荐算法,包括时间序列分析、深度学习和强化学习。通过不断优化算法,Khan Academy的个性化教学系统能够提供高质量和智能化的教学管理解决方案。

from statsmodels.tsa.arima_model import ARIMA

# 示例时间序列数据
study_durations = df['study_duration'].values

# 时间序列模型训练
model = ARIMA(study_durations, order=(1, 1, 1))
model_fit = model.fit(disp=False)

# 模型预测
predictions = model_fit.predict(len(study_durations), len(study_durations)+3, typ='levels')
print(predictions)

在这里插入图片描述

个性化推荐

Khan Academy的个性化教学系统通过分析学生的学习数据,向学生提供个性化的学习路径建议。例如,当系统检测到某一学生的学习效果不佳时,会根据历史数据和实时数据,推荐最佳的学习路径,提高学习效果。

# 示例个性化推荐
def personalized_learning_recommendation(student_id, learning_data, model):
    student_data = learning_data[learning_data['student_id'] == student_id]
    predictions = model.predict(student_data)
    return predictions

student_id = 1
recommendations = personalized_learning_recommendation(student_id, df, model_fit)
print(f'Recommendations for student {student_id}: {recommendations}')

Coursera

Coursera通过其个性化教学系统,利用机器学习和深度学习技术,实现高效、准确的教学管理和建议,提高学生的学习效果和满意度。

学习路径推荐算法

Coursera的个性化教学系统采用了一系列先进的学习路径推荐算法,包括卷积神经网络、强化学习和多传感器融合。通过不断优化算法,Coursera的个性化教学系统能够提供高质量和智能化的学习路径推荐解决方案。

import torch
import torch.nn as nn
import torch.optim as optim
from torchvision import datasets, transforms

# 示例数据预处理
transform = transforms.Compose([
    transforms.Resize((32, 32)),
    transforms.ToTensor(),
    transforms.Normalize((0.5,), (0.5,))
])

trainset = datasets.FakeData(transform=transform)
trainloader = torch.utils.data.DataLoader(trainset, batch_size=4, shuffle=True)

# 定义卷积神经网络
class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Conv2d(3, 6, 3)
        self.pool = nn.MaxPool2d(2, 2)
        self.conv2 = nn.Conv2d(6, 16, 3)
        self.fc1 = nn.Linear(16 * 6 * 6, 120)
        self.fc2 = nn.Linear(120, 84)
        self.fc3 = nn.Linear(84, 2)

    def forward(self, x):
        x = self.pool(F.relu(self.conv1(x)))
        x = self.pool(F.relu(self.conv2(x)))
        x = x.view(-1, 16 * 6 * 6)
        x = F.relu(self.fc1(x))
        x = F.relu(self.fc2(x))
        x = self.fc3(x)
        return x

# 模型训练
net = CNN()
criterion = nn.CrossEntropyLoss()
optimizer = optim.SGD(net.parameters(), lr=0.001, momentum=0.9)

for epoch in range(2):
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data
        optimizer.zero_grad()
        outputs = net(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()
        running_loss += loss.item()
        if i % 2000 == 1999:
            print(f'[Epoch {epoch + 1}, Batch {i + 1}] loss: {running_loss / 2000}')
            running_loss = 0.0

print('Finished Training')
智能教学优化

Coursera的个性化教学系统通过实时分析和优化学习数据,提高教学决策的准确性和效果。例如,当系统检测到潜在的学习瓶颈时,会自动调整教学策略,确保学生的学习效果。

# 示例智能教学优化
def learning_optimization(learning_data, model):
    predictions =

 model.predict(learning_data)
    optimized_learning = predictions * 0.9  # 假设的优化系数
    return optimized_learning

learning_data = np.array([2, 3, 1, 4])  # 示例学习数据
optimized_learning = learning_optimization(learning_data, model_fit)
print(f'Optimized learning: {optimized_learning}')

未来展望

跨领域应用

随着个性化教学技术的不断发展和优化,其应用领域将进一步拓展。未来,个性化教学将在培训、职业教育、终身学习等领域发挥更大的作用,为各行各业带来深远的影响和变革。

智能化系统

未来的智能化系统将更加依赖于个性化教学技术的支持。通过将个性化教学技术应用于智能学校、智能培训机构和智慧学习平台等领域,可以实现更加高效、智能和自动化的教学服务,提高教学质量和学习效果。

人工智能伦理

随着个性化教学技术的广泛应用,人工智能伦理问题将变得更加重要。如何确保个性化教学系统的公平性、透明性和可解释性,如何保护学生隐私,如何防止个性化教学技术被滥用,将是未来需要重点关注的问题。

技术创新

未来,机器学习和个性化教学领域将继续涌现出新的技术创新。新型神经网络架构、更加高效的训练算法、更智能的优化技术等,将推动个性化教学技术的性能进一步提升,开创更多的应用场景和可能性。

结论

机器学习与教育科技的融合应用在个性化教学中展现了巨大的潜力和前景。通过对机器学习和教育科技技术的深入理解和研究,结合实际应用中的需求,开发者可以构建出高性能、智能化的教学系统,实现学生学习行为分析、个性化学习路径推荐、智能化教育评估等功能。在实际应用中,通过模型压缩、分布式训练和高效推理等性能优化技术,可以进一步提升个性化教学系统的应用效率和性能。未来,随着技术的不断创新和发展,机器学习与个性化教学的融合应用将为教育科技领域带来更多的机遇和挑战。希望本文能够为开发者提供有价值的参考和指导,推动机器学习与个性化教学在教育科技中的持续发展和应用。
在这里插入图片描述

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1829059.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

初始-Nativefier

--无奈只能靠自己 Nativefier 是什么: Nativefier 是一个命令行工具,仅仅通过一行代码就可以轻松地为任何的网站创建桌面应用程序,应用程序通过 Electron 打包成系统可执行文件(如.app, .exe 等),可以运行在…

AI探索:最佳落地应用场景

如果说今年的风口,那一定是 AI。不过AI像一把双刃剑,既有助益也有风险。我们将从IBM Watson的高飞与坠落,到Google Allo的黯然失色,探索AI应用中的教训。同时,瑞幸咖啡的成功故事展现了凭借策略得当的AI应用&#xff0…

MySQL第三方图形化工具:DBeaver

操纵数据库的语言,基于功能划分为4类: 数据定义:DDL(Data Definition Language)库的创建删除、表的创建删除等 数据操纵:DML(Data ManipulationLanguage)新增数据、删除数据、修改数据等 数据控制:DCL(Data ControlLanguage)新增用户、删除用户、密码…

javaWeb项目-springboot+vue人事管理系统功能介绍

本项目源码:java-springbootvue人事管理系统源码说明文档资料资源-CSDN文库 项目关键技术 开发工具:IDEA 、Eclipse 编程语言: Java 数据库: MySQL5.7 框架:ssm、Springboot 前端:Vue、ElementUI 关键技术:springboot…

Redis 键空间迭代 Scan

引言 在平时线上Redis维护工作中,有时候需要从Redis实例成千上万的key中找出特定前缀的key列表来手动处理数据,可能是修改他的值,也可能是删除key。 Redis提供了一个简单暴力的指令keys用来列出所有满足特定正则字符串规则的key。 127.0.0…

【C++】实现学生管理系统(完整版)

💕💕💕大家好,这是作业侠系列之C实现学生管理系统,还是那句话,大家不想cv或者cv了跑不起来,三连后都可以来找我要源码,私信或评论留下你的邮箱即可。有任何问题有可以私聊我,大家觉得…

课时154:项目发布_手工发布_手工发布

1.2.3 手工发布 学习目标 这一节,我们从 基础知识、简单实践、小结 三个方面来学习 基础知识 简介 为了合理的演示生产环境的项目代码发布,同时又兼顾实际实验环境的资源,我们这里将 B主机和C主机 用一台VM主机来实现,A主机单…

牛客网刷题 | BC118 N个数之和

目前主要分为三个专栏,后续还会添加: 专栏如下: C语言刷题解析 C语言系列文章 我的成长经历 感谢阅读! 初来乍到,如有错误请指出,感谢! 描述 输入数字N&#xf…

【LeetCode 动态规划】买卖股票的最佳时机问题合集

文章目录 1. 买卖股票的最佳时机含冷冻期 1. 买卖股票的最佳时机含冷冻期 题目链接&#x1f517; &#x1f34e;题目思路&#xff1a; &#x1f34e;题目代码&#xff1a; class Solution { public:int maxProfit(vector<int>& prices) {int n prices.size();ve…

生产者消费者模型的同步与互斥:C++代码实现

文章目录 一、引言二、生产者消费者模型概述1、基本概念和核心思想2、生产者消费者模型的优点 三、消费者和生产者之间的同步与互斥四、代码实现1、事前准备2、环形队列的实现3、阻塞队列的实现4、两种实现方式的区别 一、引言 在现代计算机系统中&#xff0c;很多任务需要同时…

Spring运维之boo项目表现层测试加载测试的专用配置属性以及在JUnit中启动web服务器发送虚拟请求

测试表现层的代码如何测试 加载测试的专用属性 首先写一个测试 假定我们进行测试的时候要加一些属性 要去修改一些属性 我们可以写一个只在本测试有效的测试 写在配置里 测试 打印输出 我们把配置文件里面的配置注释掉后 我们同样可以启动 package com.example.demo;impo…

专业是软件工程,现在好迷茫,感觉什么都没有学到,该怎么办?

学习软件工程可能会遇到迷茫和困惑的时期&#xff0c;这很正常&#xff0c;尤其是在学习初期。这里有一些建议&#xff0c;或许可以帮助你找到方向&#xff1a; 明确目标&#xff1a;思考你学习软件工程的目的是什么&#xff0c;是为了将来从事软件开发工作&#xff0c;还是对编…

LabVIEW与C#的区别及重新开发自动测试程序的可行性分析

LabVIEW和C#是两种广泛使用的编程语言&#xff0c;各自有不同的应用领域和特点。本文将详细比较LabVIEW与C#在自动测试程序开发中的区别&#xff0c;并分析将已完成的LabVIEW自动测试程序重新用C#开发的合理性。本文帮助评估这种转换的必要性和潜在影响。 LabVIEW与C#的区别 开…

Windows环境利用 OpenCV 中 CascadeClassifier 分类器识别人眼 c++

Windows环境中配置OpenCV 关于在Windows环境中配置opencv的说明&#xff0c;具体可以参考&#xff1a;VS2022 配置OpenCV开发环境详细教程。 CascadeClassifier 分类器 CascadeClassifier 是 OpenCV 库中的一个类&#xff0c;它用于实现一种快速的物体检测算法&#xff0c;称…

LSTM模型预测时间序列

长短期记忆模型(Long Short-Term Memory, LSTM)&#xff0c;是一种特殊的循环神经网络&#xff0c;能够学习长期依赖性。长短期记忆模型在各种各样的问题上表现非常出色&#xff0c;现在被广泛使用&#xff0c;例如&#xff0c;文本生成、机器翻译、语音识别、时序数据预测、生…

Matlab电话按键拨号器设计

前言 这篇文章是目前最详细的 Matlab 电话按键拨号器设计开源教程。如果您在做课程设计或实验时需要参考本文章&#xff0c;请注意避免与他人重复&#xff0c;小心撞车。博主做这个也是因为实验所需&#xff0c;我在这方面只是初学者&#xff0c;但实际上&#xff0c;从完全不…

Python | 中心极限定理介绍及实现

统计学是数据科学项目的重要组成部分。每当我们想从数据集的样本中对数据集的总体进行任何推断&#xff0c;从数据集中收集信息&#xff0c;或者对数据集的参数进行任何假设时&#xff0c;我们都会使用统计工具。 中心极限定理 定义&#xff1a;中心极限定理&#xff0c;通俗…

【Liunx】基础开发工具的使用介绍-- yum / vim / gcc / gdb / make

前言 本章将介绍Linux环境基础开发工具的安装及使用&#xff0c;在Linux下安装软件&#xff0c;编写代码&#xff0c;调试代码等操作。 目录 1. yum 工具的使用1.1 什么是软件包&#xff1a;1.2 如何下载软件&#xff1a;1.3 配置国内yum源&#xff1a; 2. vim编辑器2.1 vim的安…

NetSuite Saved Search 之 Filter By Summary

在某些业务场景中&#xff0c;用户需要一个TOP X的报表。例如&#xff0c;过去一段时间内&#xff0c;最多数量的事务处理类型。这就需要利用Saved Search中的Filter By Summary功能。 这在Criteria下的Summary页签里可以定义。其作用是对Result中Summary类型的结果进行过滤。也…

【论文速读,找找启发点】2024/6/16

ICME 2023 End-To-End Part-Level Action Parsing With Transformer 类似 DETR&#xff0c;通过 加 query的方式实现 端到端 ELAN: Enhancing Temporal Action Detection with Location Awareness 如何实现位置感知&#xff1f; > 重叠的卷积核&#xff1f; Do we really …