Python

Python是一门诞生于1991年的高级、解释型编程语言,由吉多·范罗苏姆创造。其核心设计哲学强调代码的极简性和可读性,尤其依赖清晰的缩进来定义代码结构,这使得它语法接近英语,非常易于学习和使用。作为动态类型语言,它为快速开发和原型设计提供了极大的灵活性,并支持面向对象、命令式、函数式等多种编程范式。Python的巨大优势在于其拥有一个由庞大活跃社区支撑的丰富第三方库生态系统(PyPI),覆盖了几乎所有应用领域:无论是Web开发(Django, Flask)、数据科学(Pandas, NumPy, Matplotlib)、人工智能(TensorFlow, PyTorch)还是自动化脚本和系统运维,都能找到成熟高效的工具库。这种“开箱即用”的特性使其成为解决各类实际问题的“瑞士军刀”,兼具强大的功能与简单的语法。
Python语言框架
Python是一门诞生于1991年的高级、解释型编程语言,由吉多·范罗苏姆创造。其核心设计哲学强调代码的极简性和可读性,尤其依赖清晰的缩进来定义代码结构,这使得它语法接近英语,非常易于学习和使用。作为动态类型语言,它为快速开发和原型设计提供了极大的灵活性,并支持面向对象、命令式、函数式等多种编程范式。Python的巨大优势在于其拥有一个由庞大活跃社区支撑的丰富第三方库生态系统(PyPI),覆盖了几乎所有应用领域:无论是Web开发(Django, Flask)、数据科学(Pandas, NumPy, Matplotlib)、人工智能(TensorFlow, PyTorch)还是自动化脚本和系统运维,都能找到成熟高效的工具库。这种“开箱即用”的特性使其成为解决各类实际问题的“瑞士军刀”,兼具强大的功能与简单的语法。
开发组织  吉多·范罗苏姆
本项目围绕锂电池状态智能估计构建了五大算法功能模块:①数据预处理与特征工程模块——对充放电电压、电流、温度、容量曲线进行清洗、归一化与特征提取,内置基于模糊信息测度的SOC特征选择(DMRCmRC)与基于小波变换(DTCWT)的多尺度特征编码。②SOH健康状态估计模块——集成物理信息神经网络(EM-
160C++人工智能
本项目以一台搭载树莓派和激光雷达的轮式小车为核心,集成了以下几个完整的功能模块:1、离线语音交互系统:基于Vosk轻量级中文离线语音引擎,摆脱了对云端的依赖。小车能精准识别“小车”、“跳舞”、“前进一米”等关键词,并利用PiperTTS引擎实现自然、流畅的中文语音播报反馈(如“好的,我要来唱歌了”)
360C++机器深度学习
基于深度学习的自来水厂PAC加药频率预测系统,针对滏阳水厂21万条分钟级SCADA运行数据(33个数值特征,目标变量为1#PAC频率给定)完成端到端建模。核心功能:1.数据分析与质量评估:自动检测缺失值、异常值,输出可行性分析报告;2.数据预处理流水线:缺失值均值填充、StandardScaler标
520Python机器深度学习
系统采用六标签页Web交互界面,包含五大核心模块:①多品种数据加载,支持股票/ETF/指数/基金,内置三级缓存降级与CSV离线兼容方案;②交互式可视化图表,均线、价量、RSI/MACD/KDJ等技术指标动态绘图;③机器学习涨跌预测,构造11维行情因子,提供逻辑回归、随机森林双模型自动择优;④双均线策
980Python金融
数据采集:采集数据来源包括:关系数据库、时序数据库、消息队列、Iot设备等数据处理:数据清洗纠偏、归一化、存储模型训练:多模型组合训练,模型评估,参数优化生产执行:模型部署,对接PLC进行实现调度,实时生产监控,安全生产兜底
450Python物联网
整体主要基于CSL500中文手语数据集进行。结果表明,本文训练的模型在测试集上的识别准确率达到了97.56%,并且大多数类别的识别准确率都在90%以上,整体效果较为稳定。部署测试中,经过量化优化后的模型能够在树莓派平台上实现较稳定的实时推理,基本满足实际运行需求,这验证了该系统在真实场景下具备一定的
790Java人工智能
自然语言Text2SQL全链路能力:基于LangChain+Qwen-turbo构建AIAgent,输入养护业务自然语言,自动解析意图、检索库表结构、生成合规查询SQL并执行,输出结构化病害统计数据;RAG知识库与自进化学习:集成Chroma向量数据库搭建市政养护知识库,结合Few-shot示例提升
960Python人工智能
1.数据探索与清洗模块:支持对阿里天池母婴数据集进行自动化读取,提供缺失值处理、异常值检测及用户画像特征提取功能。2.流失预测模型引擎:内置XGBoost/LightGBM等机器学习算法,自动训练模型并输出用户流失概率评分,准确识别潜在流失客户。3.SHAP模型解释器:集成SHAP值分析,量化各特征
530Python机器深度学习
代表项目:车联网攻击检测深度学习模型(SAE-BiLSTM-改进Transformer)•基于PLEXE构建V2V车联网仿真场景,设计并注入多类网络攻击,生成多维时序数据•使用MySQL存储数据,完成数据预处理与特征工程,构建模型训练数据集•提出SAE+BiLSTM+改进Transformer融合模
500Python人工智能
1.4.1中药材智能识别与检测1.4.2自动化入库与出库管理1.4.3仓储环境实时监控与预警1.4.4基于RFID的全程追溯管理1.4.5 药材保质期智能预测1.4.6库存管理与智能预警1.4.7质量档案与追溯查询1.4.8 数据可视化与分析报表
770Python物联网
1、多智能体协作引擎—基于LangGraph构建Supervisor+4专家分层架构:知识检索专家(RAG+网络搜索)、报告生成专家(数据查询+方案撰写)、工况监测专家(设备故障/管线/安全诊断)、环境数据专家(天气/位置),Supervisor自动识别用户意图并路由至对应专家。2、RAG知识检索—
580Python人工智能
基于深度学习的90类动物细粒度图像分类系统,具备完整的训练-评估-部署全流程能力:支持90种动物类别的高精度图像识别提供三代CNN架构(ResNet50/EfficientNetV2/ConvNeXt)的对照实验框架内置多种数据增强策略、损失函数、优化器的可配置切换完整的模型评估体系:混淆矩阵、Pe
570Python机器深度学习
系统实现了一个完整的黑盒对抗攻击检测与防御展示平台。用户可以在前端选择CIFAR-10+ResNet-18或TinyImageNet+EfficientNet-B0实验组合,配置黑盒攻击方法、防御方法、查询场景、查询预算、样本数量和检测阈值。系统支持HSJA、NES、SimBA、BA、Sign-Op
800Python人工智能
本预测体系由三层结构化模块构成。数据准备层通过Python爬虫定向抓取2016Q1至2025Q3的财务三表数据,构建分赛道季度收入拆分方法与事件哑变量体系。LayerA驱动型基线模型采用“赛道拆分+业务量×变现率”框架,对智慧教育、开放平台、智慧城市、其他四大业务分别建模,辅以均值回归毛利率与历史中
1080Python金融
数据预处理模块 全量8个CSV文件合并→缺失值中位数填充(按类别分段)→Z-score标准化(fitontrain)→7:3分层划分;模型训练模块 PyTorch从零搭建CNN-1D和LSTM;两层评估模块第一层:Binary检测(异常vs正常)—Precision/Recall/F1;第二层:五分
820Python机器深度学习
整体架构可以理解成一个典型的“云端训练+本地推理部署”的混合系统。训练阶段,所有模型(YOLOv8、YOLOv26、ResNet、MobileNet)都在Python环境里完成训练和评估,并且统一用同一份数据集和相同的数据划分方式,保证对比结果公平。训练完之后,最优模型会被导出成部署格式(比如TFL
910Java机器深度学习
1.数据处理与特征工程:自动构建生存分析数据集,利用空间索引算法计算历史路径依赖、地理决定论等多维时空特征,并进行数据清洗与平滑处理。2.混合建模与竞赛优选:内置Cox模型竞赛引擎,自动筛选最优理论模型;集成随机生存森林与梯度提升算法,实现高精度风险预测。3.结果评估与解释:提供C-index交叉验
1030Python人工智能
核心技术:YOLO视觉算法(YOLOv5/v7/v8),针对跌倒检测优化功能:通过实时视频流识别跌倒、触发警告、降低安全风险性能:端到端检测,30+帧/秒,准确率超过95%
900Python机器深度学习
1、基于Ollama+Flask架构,搭建轻量化Web聊天界面,支持Qwen3.5、Qwen2.5、Qwen-VL视觉多模型切换与图文解析。2、内置全套自动化脚本,支持一键启动、一键关停服务,可配置系统开机最小化自启动,自动规避Ollama多进程端口冲突问题。3、配套国内镜像安装指引、Ollama离
1730Python人工智能
本项目为电商用户行为分析与可视化平台,核心功能模块如下:1.数据采集模块:通过Flume采集APP埋点日志,结合Kafka实现实时数据缓冲,支持历史数据批量导入与实时数据流接入。2.数据分层模块:基于Hive构建ODS→DWD→ADS三层数据仓库,完成数据清洗、维度建模与指标汇总,支持多粒度时间/地
1850Java人工智能
当前共23个项目more
×
寻找源码
源码描述
联系方式
提交