2022 APMCM亚太数学建模竞赛 C题 全球是否变暖 问题一python代码实现（更新完毕）

news2025/8/8 8:47:32

2022 APMCM亚太数学建模竞赛 C题 全球是否变暖 思路及代码实现(持续更新完毕)

在这里插入图片描述

更新信息

2022-11-24 10:00 更新问题1和问题2 思路

2022-11-24 23:20 更新问题一代码

2022-11-25 11:00 更新问题二代码

相关链接

【2022 APMCM亚太数学建模竞赛 C题 全球是否变暖 问题一python代码实现】

【2022 APMCM亚太数学建模竞赛 C题 全球是否变暖 问题二python代码实现】

【代码及建模方案下载】
方法一：私信我
方法二：https://gitee.com/liumengdemayun/BetterBench-Shop

2 思路及题目

2.1 题目

全球变暖与否? 加拿大49.6°C的高温为地球北纬50°以上地区创造了新的气温记录，一周内就有数百人死于高温;美国加利福尼亚州死亡谷54.4°C，是地球上有记录以来的最高温度;科威特53.5°C，阳光直射下甚至超过70°C，中东很多国家超过50°C。

img

图1所示。北美的高温。 今年以来，我们看到了大量惊人的气温报告。地球正在燃烧的事实是毋庸置疑的。继这些地区从6月底到7月初的可怕高温之后，意大利再次创下欧洲气温纪录，达到惊人的48.8°C，许多国家宣布进入紧急状态。

全球气候变暖是一种与自然有关的现象。正是由于温室效应的不断积累，导致地球大气系统吸收和排放的能量失衡，能量在地球大气系统中不断积累，导致气温上升，全球气候变暖。

在工业革命之前，二氧化碳(CO2大气中的二氧化碳一直保持在280 ppm左右。2004年3月，大气中的二氧化碳浓度达到了377.7 ppm，这是到那时为止10年平均增幅最大的一次。根据美国国家海洋和大气管理局(NOAA)和斯克里普斯海洋学研究所(SIO)的科学家们的研究，月平均CO2 浓度水平在2022年5月达到峰值421 ppm。经济合作与发展组织(OECD)的一份报告预测CO2 到2050年，二氧化碳浓度将达到685 PPM

APMCM组委会已要求您的团队解决这些关于当前报告和未来全球温度水平预测的主张。他们提供了数据集2022_APMCM_C_Data.csv，其中包含239177条记录，以协助你们的研究。

需求 1.你同意全球温度的说法吗?使用附件中的2022_APMCM_C_Data.csv和你们团队收集的其他数据集来分析全球温度变化。

a)你是否同意2022年3月全球温度的上升导致了比以往任何10年期间观测到的更大的增长?为什么?为什么不? b)基于历史数据，请建立两个或两个以上的数学模型来描述过去并预测未来的全球温度水平。 c)分别使用1(b)中的每个模型来预测2050年和2100年的全球温度。你们的任何一个模型是否与2050年或2100年观测点的全球平均温度将达到20.00°C的预测一致?如果不是在2050年或2100年，你们预测模型中观测点的平均温度什么时候会达到20.00°C?

d)你在1(b)中建立的哪个模型你认为最准确?为什么? 2.影响温度变化的原因是什么? a)利用问题1的结果和附件2022_ APMCM_C_ data .csv和你们团队收集的其他数据集中的数据，建立一个数学模型来分析全球温度、时间和位置之间的关系(如果有)，并解释它们之间的关系或证明它们之间没有关系。

b)请收集相关数据，分析自然灾害(如火山爆发、森林火灾和新冠肺炎)的因素。对全球气温有影响吗?

2.2 思路

（a）你是否同意2022年3月全球温度的上升导致了比以往任何10年期间观测到的更大的增长?为什么?为什么不?

思路：第一步，挑选几个城市，选取2022年的一整年的数据，将温度变化以折线图可视化，分析3月是不是存在异常值。

第二步，计算2022年排除3月的平均温度，和加上3月后的平均温度，计算2011年-2021年的平均温度，以折线图可视化。对比每年的增长，与2022年有无3月份数据的增长。

（b）基于历史数据，请建立两个或两个以上的数学模型来描述过去并预测未来的全球温度水平。

思路：从（c）知道，需要以年为跨度，建立时间序列预测模型。通过分析虽然有100个城市，但在题目中，没指定说明哪个观测点。

随机挑一个城市即可。以年为时间单位，统计每年的平均温度，得到一个时间序列。选择以下时间序列预测模型进行预测即可。注意题目需要两个模型。

有哪些时间序列预测模型

- 自回归 (AR)

- 移动平均线

- 自回归移动平均线

- 自回归积分移动平均线 (ARIMA)

- 季节性自回归积分移动平均线 (SARIMA)

- 具有外生回归量的季节性自回归综合移动平均线 (SARIMAX)

- 具有 ARIMA 误差的回归模型

- 向量自回归 (VAR)

- GARCH 模型

- Glostan、Jagannathan 和 Runkle GARCH 模型

（c）利用以上模型，预测未来100年的平均温度，并将这100个数据，可视化，分析什么时候能达到20度。

（d）模型的准确性，用评价指标来评价

模型的评价指标有

（1）MSE（mean squared error），是观测值（observed values）与预测值（predicted values）的误差的平方和的均值，即SSE/n。它是误差的二阶矩，包含估计量的方差（variance）及其偏差（bias），是衡量估计量质量的指标，其公式为：

（2）RMSE（root mean squared error），也称作RMSD(root mean square deviation)，是MSE的算数平方根。由于每个误差（each error）对RMSD的影响与误差的平方（squared error）成正比，因此较大的误差会对RMSE影响过大，RMSE对异常值很敏感。其公式为：

（3）MAE（mean absolute error），是时间序列分析中预测误差常用的指标，由于MAE使用的是与被测数据相同的尺度（scale）,因此不能用于比较两个不同尺度的序列。MAE又被称为L1范数损失函数（就是可以做为损失函数），是真实数据与预测数据之差的绝对值的均值。

（4）MAPE（mean absolute percentage error），也被称为MAPD（mean absolute percentage deviation），是一种衡量预测方法的预测准确性的指标。MAPE在解释相对误差（relative error）方面非常直观，在评价模型时MAPE通常用作回归（regression）问题的损失函数（loss function）。

3 代码实现

思路及Code下载：

GitHub - BetterBench

https://gitee.com/liumengdemayun/BetterBench-Shop

3.1 读取文件

题目给的数据，只有到2013年的，我在网上找到了2013-2019的数据，合并上题目给的数据，从中选择中国部分城市，得到clear_China_city_AvgTemperature.csv，用于第一问分析，足够了

数据从1820至2019，剩下的2020-2022，采用手工查询

import pandas as pd
data = pd.read_csv('clear_China_city_AvgTemperature.csv')
data.head(10)

img

img

3.2 每年平均气温可视化

import matplotlib.pyplot as plt
import seaborn as sns

plt.figure(figsize = (22,25))
plt.subplot(4,1,1)
plt.plot(Chengdu_data.index, Chengdu_data['AvgTemperature'], 'g' ,label = 'Changchun')
plt.grid(linestyle = '--')
plt.legend(loc = 'best')
plt.title('Changchun Average Temperature')
plt.xlabel('Year')
plt.ylabel('AvgTemperature')

plt.subplot(4,1,2)
plt.plot(Shanghai_data.index, Shanghai_data['AvgTemperature'], 'r' ,label = 'Shanghai')
plt.grid(linestyle = '--')
plt.legend(loc = 'best')
plt.title('Shanghai Average Temperature')
plt.xlabel('Year')
plt.ylabel('AvgTemperature')

img

所有城市平均气温可视化

region = data[['City', 'Year', 'AvgTemperature']].groupby(['City','Year']).mean()

plt.figure(figsize = (14, 7))
plt.title('Average temperatures of City over the years 1994 to 2020')
sns.lineplot(x = 'Year', y = 'AvgTemperature', hue = 'City', units = 'City', markers = True, dashes = False, estimator = None, lw = 1, data = region)
plt.legend(bbox_to_anchor = (1, 1), shadow = True, fontsize = 'large', title = 'City')
plt.show()

img

3.3 10年滑动均线，平均气温可视化

# # 通过 https://www.tianqi24.com/chengdu/history202203.html查看
# 计算3月份时的平均气温是23度，不计算3月份的平均气温是11度
temp_df1 = pd.DataFrame({"AvgTemperature" :[22,23,22]},index=[2020,2021,2022])
temp_df2 = pd.DataFrame({"AvgTemperature" :[22,23,11]},index=[2020,2021,2022])
Chengdu_data_have3 = Chengdu_data.append(temp_df1)
Chengdu_data_nothave3 = Chengdu_data.append(temp_df2)



Chengdu_data_have3['Moving Average'] = Chengdu_data_have3['AvgTemperature'].rolling(10).mean()
Chengdu_data_nothave3['Moving Average'] = Chengdu_data_nothave3['AvgTemperature'].rolling(10).mean()
city_data1 = Chengdu_data_have3[-100:]
city_data2 = Chengdu_data_nothave3[-100:]
fig, ax = plt.subplots(figsize = (14, 7)) 
x = city_data1.index
y1 = city_data1['Moving Average'] 
ax.plot(x, y1, label='Moving-Average have 3Month') 
y2 = city_data2['Moving Average'] 
ax.plot(x, y2, label='Moving-Average have not 3Month') 
ax.legend()

img

从图中可以看到10年的滑动平均，在考虑了3月的气温突增后，观测值有明显的增大

3.4 建立预测模型

（1）数据可视化分析

import pandas as pd

data = pd.read_csv('2022_APMCM_C_Data.csv',encoding= 'unicode_escape')
data['dt'] = pd.to_datetime(data['dt'])
data['Year'] = data['dt'].dt.year
region = data[['City', 'Year', 'AverageTemperature']].groupby(['City','Year']).mean()

plt.figure(figsize = (14, 7))
plt.title('Average temperatures of City over the years 1743 to 2013')
sns.lineplot(x = 'Year', y = 'AverageTemperature', hue = 'City', units = 'City', markers = True, dashes = False, estimator = None, lw = 1, data = region)
plt.legend(bbox_to_anchor = (1, 1), shadow = True, fontsize = 'large', title = 'City')
plt.show()

img

# pip install plotly==5.11.0
import plotly.express as px

temp_data = data[['Country','Year','AverageTemperature']].groupby(['Country','Year']).mean().reset_index()
px.choropleth(data_frame=temp_data,locations="Country",locationmode='country names',animation_frame="Year",color='AverageTemperature',color_continuous_scale = 'Turbo',title="Average temperature of countries over the years 1743 to 2013")

img

（2）以中国的数据进行建模

import matplotlib.pyplot as plt
import seaborn as sns
China_data = pd.read_csv('clear_China_city_AvgTemperature.csv')
China_data.head(10)
China_data.index =pd.to_datetime(China_data['date'])
Beijing_data = China_data[China_data['City'] == 'Beijing']
Guangzhou_data = China_data[China_data['City'] == 'Guangzhou']

# 异常值查看
for i in Beijing_data[['AvgTemperature']]:
    plt.figure()
    sns.boxplot(data[i])

img

import numpy as np
Beijing_data['AvgTemperature'][Beijing_data['AvgTemperature']<-18]=np.nan
# 使用垂直方向的向前填充去填充空值
Beijing_data = Beijing_data.fillna(method = 'ffill',axis=0)
Guangzhou_data = Guangzhou_data.fillna(method = 'ffill',axis=0)
s = 0
e = 200
plt.figure(figsize = (22,25))
plt.subplot(4,1,1)
plt.plot(Beijing_data['date'][s:e], Beijing_data['AvgTemperature'][s:e], 'g' ,label = 'Changchun')
plt.grid(linestyle = '--')
plt.legend(loc = 'best')
plt.title('Changchun Average Temperature')
plt.xlabel('Year')
plt.ylabel('AvgTemperature')

plt.subplot(4,1,2)
plt.plot(Guangzhou_data['date'][s:e], Guangzhou_data['AvgTemperature'][s:e], 'r' ,label = 'Guangzhou')
plt.grid(linestyle = '--')
plt.legend(loc = 'best')
plt.title('Guangzhou Average Temperature')
plt.xlabel('Year')
plt.ylabel('AvgTemperature')

img

以年进行分组数据

Beijing_data.index = pd.to_datetime(Beijing_data['date'])
Beijing_data = Beijing_data[Beijing_data.index >'1850-01-01']
Beijing_data_df = Beijing_data.groupby(pd.Grouper(freq='Y')).mean()


df_train, df_test = Beijing_data_df[Beijing_data_df.index < '2003-01-01'], Beijing_data_df[Beijing_data_df.index >= '2003-01-01']
print('Train:\t', len(df_train))
print('Test:\t', len(df_test))
plt.figure(figsize=(20,8))

df_train['AvgTemperature'].plot(label='Training Set')
df_test['AvgTemperature'].plot(label='Test Set')
plt.axvline('2003-01-01', color='black', ls='--', lw=3)
plt.text('2003-02-01', 2, 'Split', fontsize=20, fontweight='bold')
plt.title('Data Splitting', weight='bold', fontsize=25)
plt.legend()

img

（3）模型一：Prophet预测

# pip install pystan==2.19.1.1
# pip install prophet -i https://pypi.douban.com/simple/
from prophet import Prophet
def index_to_column(data):

    data['Datetime'] = data.index
    data = data.sort_values('Datetime')

    data = data.rename(columns={'Datetime': 'ds', 'AvgTemperature': 'y'})
    return data
prophet_train = index_to_column(df_train)
prophet_test = index_to_column(df_test)


prophet_model = Prophet(interval_width=0.95)
prophet_model.fit(prophet_train)
prophet_pred = prophet_model.predict(prophet_test[['ds']]) # Keep the dataset format
from sklearn.metrics import mean_absolute_error
mae = round(mean_absolute_error(prophet_test['y'], prophet_pred['yhat']), 3)
print(mae)
plt.figure(figsize=(20,8))
plt.plot(prophet_test['ds'], prophet_test['y'], label='Actual')
plt.plot(prophet_pred['ds'], prophet_pred['yhat'], label='Predicted')
plt.title('Test Forecasting', weight='bold', fontsize=40)
plt.title('Testing Set Forecast', weight='bold', fontsize=25)
plt.legend()

img

# 预测100后的温度
prophet_model2 = Prophet(interval_width=0.95)
prophet_model2.fit(prophet_train)
# 预测100年
future_dates = prophet_model2.make_future_dataframe(periods=100, freq='Y')
prophet_pred2 = prophet_model2.predict(future_dates)
prophet_pred2[['ds','yhat']][-100:]

img

可以看到模型的mae为0.7,是比较大的了，模型准确性有待提高

（4）模型二：XGB预测

def date_transform(data):
    df = data.copy()
    df['Dayofweek'] = df.index.dayofweek
    df['Dayofmonth'] = df.index.day
    df['Dayofyear'] = df.index.dayofyear
    df['weekofyear'] = df.index.weekofyear
    df['Month'] = df.index.month
    df['Quarter'] = df.index.quarter
    df['Year'] = df.index.year

    X = df.drop('AvgTemperature', axis=1)
    y = df['AvgTemperature']

    return X, y
Shenyang_data_df
df_train, df_test = Shenyang_data_df[Shenyang_data_df.index < '2003-01-01'], Shenyang_data_df[Shenyang_data_df.index >= '2003-01-01']

X_train, y_train = date_transform(df_train)
X_test, y_test = date_transform(df_test)
import xgboost as xgb
xgb_model = xgb.XGBRegressor(n_estimators=1000, learning_rate=0.05, early_stopping_rounds=10)
xgb_model.fit(X_train, y_train, eval_metric='mae', eval_set=[(X_train, y_train), (X_test, y_test)])
xgb_pred = xgb_model.predict(X_test)
df_plot = pd.DataFrame({'y_test':y_test, 'xgb_pred':xgb_pred})

plt.figure(figsize=(20,8))

df_plot['y_test'].plot(label='Actual')
df_plot['xgb_pred'].plot(label='Predicted')
plt.title('Testing Set Forecast', weight='bold', fontsize=25)
plt.legend()
plt.show()

img

# 预测未来100年

import xgboost as xgb
future_dates2 = future_dates.iloc[-100:, :].copy()

future_dates2['ds'] = pd.to_datetime(future_dates2['ds'])
future_dates2 = future_dates2.set_index('ds')

future_dates2['Dayofweek'] = future_dates2.index.dayofweek
future_dates2['Dayofmonth'] = future_dates2.index.day
future_dates2['Dayofyear'] = future_dates2.index.dayofyear
future_dates2['weekofyear'] = future_dates2.index.weekofyear
future_dates2['Month'] = future_dates2.index.month
future_dates2['Quarter'] = future_dates2.index.quarter
future_dates2['Year'] = future_dates2.index.year

X_train, y_train = date_transform(df_train)
X_test, y_test = date_transform(df_test)
X = pd.concat([X_train, X_test], ignore_index=True)
y = pd.concat([y_train, y_test], ignore_index=True)

xgb_model2 = xgb.XGBRegressor(n_estimators=1000, learning_rate=0.05)
xgb_model2.fit(X, y, eval_metric='mae')
xgb_pred2 = xgb_model2.predict(future_dates2)

img

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/34389.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

高性能数据访问中间件 OBProxy（六）：一文讲透数据路由

高性能数据访问中间件 OBProxy（六）：一文讲透数据路由

在《高性能数据访问中间件 OBProxy&#xff08;五&#xff09;&#xff1a;一文讲透数据路由》中&#xff0c;我们讲到了数据路由影响因素包括功能因素、性能因素和高可用因素。本文主要介绍高可用因素相关的内容。 相比传统的 IOE 架构&#xff0c;OceanBase 利用更低的成本实…
阅读更多...
【你不知道的javascript上】2. 第三章 全局作用域，函数作用域和块作用域，立即执行函数

【你不知道的javascript上】2. 第三章 全局作用域，函数作用域和块作用域，立即执行函数

预警&#xff1a;【你不知道的javascript】开头的文章&#xff0c;是用来总结书籍《你不知道的Javascript》中我不熟悉的知识&#xff0c;单纯的用来巩固学到的知识&#xff0c;和加深记忆。 可能有些地方我理解的不透彻&#xff0c;所以不能够保证内容的正确性&#xff0c;欢迎…
阅读更多...
使用Mysqldump进行定时全备和增备脚本

使用Mysqldump进行定时全备和增备脚本

使用mysqldump进行全备&#xff0c;增备是备份binlog日志 对应的一些变量按照实际环境进行修改即可&#xff0c;如果有更好的思路也可以进行评论交流。 配合计划任务即可完成定时备份的需求&#xff0c;脚本中备份文件存放目录提前创建或者在加个判断进行创建不过我觉得没啥必…
阅读更多...
UNIAPP实战项目笔记44 订单页面顶部选项卡 有数据页面样式布局和无数据页面样式布局

UNIAPP实战项目笔记44 订单页面顶部选项卡 有数据页面样式布局和无数据页面样式布局

UNIAPP实战项目笔记44 订单页面顶部选项卡 有数据页面样式布局和无数据页面样式布局 订单页面顶部选项卡 具体内容图片自己替换哈&#xff0c;随便找了个图片的做示例 具体位置见目录结构 通过 v-show 的false 和 true来切换有无数据页面布局 代码 my-order.vue 页面部分 my-…
阅读更多...
[附源码]java毕业设计医院挂号管理系统

[附源码]java毕业设计医院挂号管理系统

项目运行 环境配置&#xff1a; Jdk1.8 Tomcat7.0 Mysql HBuilderX&#xff08;Webstorm也行&#xff09; Eclispe&#xff08;IntelliJ IDEA,Eclispe,MyEclispe,Sts都支持&#xff09;。 项目技术&#xff1a; SSM mybatis Maven Vue 等等组成&#xff0c;B/S模式 M…
阅读更多...
自动化测试定位不到元素怎么办？

自动化测试定位不到元素怎么办？

1.动态id定位不到元素 分析原因&#xff1a;每次打开页面&#xff0c;ID都会变化。用ID去找元素&#xff0c;每次刷新页面ID都会发生变化。 解决方案&#xff1a;推荐使用xpath的相对路径方法或者cssSelector查找到该元素。 2.iframe原因定位不到元素 分析原因&#xff1a;…
阅读更多...
studio3T import a SQL Database to Mongodb(从mysql中导入数据到mongodb)

studio3T import a SQL Database to Mongodb(从mysql中导入数据到mongodb)

具体参考studio3T官方文档&#xff1a;Import a SQL Database to MongoDB in 5 Steps | Studio 3T 1、打开SQL Migration-->选择SQL to MongoDB Migration 2、创建源数据库的连接&#xff08;本文源数据库是mysql&#xff09; 3、选择目标数据库 默认选择当前连接的数据库…
阅读更多...
【观察】OceanBase社区版4.0：引领时代，更创造时代

【观察】OceanBase社区版4.0：引领时代，更创造时代

今年8月10日&#xff0c;在2022 OceanBase年度发布会上&#xff0c;OceanBase 4.0首次亮相&#xff0c;在经过85天的快速升级迭代&#xff0c;且历经内外部客户的场景测试与真实业务场景的稳定性“打磨”之后&#xff0c;OceanBase 4.0将“简单易用”的应用感受留给了客户。而在…
阅读更多...
JS中的setter、getter数据存取器

JS中的setter、getter数据存取器

JS属性可分为两种类型 ① 数据属性    只是简单存储了一个值 ② 存取器属性    最大的特点是在设置、获取属性值的时候能够做一些其他的操作 设置存取器属性的两种方式 ① 直接在对象中设置 let obj {count: 5, // 普通的数据属性// index为存取器属性_index: 1, // _in…
阅读更多...
Linux系统上搭建Java的运行环境，并且部署JavaWeb程序

Linux系统上搭建Java的运行环境，并且部署JavaWeb程序

Linux系统上搭建Java的运行环境&#xff0c;并且部署JavaWeb程序 1.JDK 基于yum【包管理器】来进行安装即可。 yum list列出应用商店上所有的软件包名字。 yum list | grep jdk验证安装成功&#xff01;&#xff01; 2.Tomcat 由于yum商店里的tomcat的版本过低&#xff0…
阅读更多...
SpringBoot SpringBoot 原理篇 1 自动配置 1.6 bean 的加载方式【四】

SpringBoot SpringBoot 原理篇 1 自动配置 1.6 bean 的加载方式【四】

SpringBoot 【黑马程序员SpringBoot2全套视频教程&#xff0c;springboot零基础到项目实战&#xff08;spring boot2完整版&#xff09;】 SpringBoot 原理篇 文章目录SpringBootSpringBoot 原理篇1 自动配置1.6 bean 的加载方式【四】1.6.1 Import1 自动配置 1.6 bean 的加…
阅读更多...
正大数据周五新鲜报 做期货要关注哪块消息？

正大数据周五新鲜报 做期货要关注哪块消息？

正规的外盘期货公司都是在香港证监会的监管下&#xff0c;持有合法合规金融牌照。这点好比国内证券和期货公司在中国证监会的监管下一个道理&#xff0c;完全正规合法。 ​ ​如果你是想做主账户往下开展业务&#xff1a; 一、进入香港证监会官网查询该期货公司的编号 二、…
阅读更多...
Spring 中 Bean 的作用域和生命周期

Spring 中 Bean 的作用域和生命周期

目录 1. Bean 的作用域 1.1 Bean 的六大作用域 1.1.1 单例作用域 (singleton) 1.1.2 原型作用域 (prototype) 1.1.3 请求作用域 (request) 1.1.4 会话作用于 (session) 1.1.5 全局作用于 (application) 1.1.6 HTTP WebSocket 作用域 (websocket) 1.2 如何设置 Bean 的…
阅读更多...
142.如何个性化推荐系统设计-2

142.如何个性化推荐系统设计-2

142.1 离线训练 离线训练流程 如何线上实时反馈特征&#xff1f; 在线计算&#xff0c;与曝光日志一起上报&#xff0c;离线直接使用 如何解决曝光不足问题&#xff1f; 使用CTR的贝叶斯平滑&#xff08;CTR 曝光次数 / 点击次数&#xff09; 所有新闻自身CTR服从Beta分布: 某…
阅读更多...
199道SpringCloud面试题,你能答上来吗

199道SpringCloud面试题,你能答上来吗

前言 Spring Cloud Alibaba 是阿里中间件团队主导的一个新生项目&#xff0c;正处于高速迭代中。 其次&#xff0c;对于中国用户来说&#xff0c;Spring Cloud Alibaba 还有一个非常特殊的意义&#xff1a;它将曾经红极一时的 Dubbo&#xff0c;以及阿里巴巴的强力消息中间件…
阅读更多...
每天花2小时复习Java面试指南，高级架构视频，我进了阿里定级P7

每天花2小时复习Java面试指南，高级架构视频，我进了阿里定级P7

Java进阶架构师必备 基础 容器 并发 JVM Java8 计算机网络 计算机操作系统 Linux 数据结构 算法 mysql (优化思路) 系统设计 分布式 线上问题调优(虚拟机&#xff0c;tomcat) 面试指南 工具 ​ 编辑 添加图片注释&#xff0c;不超过 140 字&#xff08;可选&…
阅读更多...
用Python采集球员信息，成功预测到了球赛胜负？

用Python采集球员信息，成功预测到了球赛胜负？

前言 嗨嗨&#xff0c;最近看球赛的朋友多吗 emm怎么说&#xff0c;我对这个虽然兴趣不是很大 但是还是想跟朋友赌赌&#xff0c;自己对这些球员也不是很熟悉&#xff0c;索性叫我的好同事帮我用Python采集了各国球员的一些信息&#xff0c;没料到竟预测成功了&#xff01; …
阅读更多...
2022 谷歌出海创业加速器展示日: 见证入营企业成长收获

2022 谷歌出海创业加速器展示日: 见证入营企业成长收获

经历三个月的沉淀&#xff0c;迎来了展示日的大放异彩。10 家入营企业的路演分享&#xff0c;带来诸多启发 ——企业出海有什么挑战和难点&#xff1f;加入谷歌出海创业加速器&#xff0c;团队有哪些收获&#xff1f;三个月的培训和交流&#xff0c;带来了怎样的感受&#xff1…
阅读更多...
Vue中插槽slot

Vue中插槽slot

slot插槽&#xff08;别名&#xff1a;内容分发&#xff09;&#xff1a; 作用&#xff1a; 混合父组件的内容与子组件自己的模板&#xff1b;父组件模板内容在父组件作用域内编译&#xff1b;子组件模板的内容在子组件作用域内编译&#xff1b;扩展组件能力&#xff0c;提高…
阅读更多...
VGG16 -19 — CV 中表现最好的 ConvNet 模型

VGG16 -19 — CV 中表现最好的 ConvNet 模型

从先进的计算机视觉出现的 Alexnet 开始&#xff0c;人们开始尝试不同的架构。牛津大学工程科学系的 Karen simonyan 和 Andrew Zisserman 在对 ImageNet Challenge 2014 的数据集进行了一些实验后提出了非常深的卷积网络&#xff1a;VERY DEEP CONVOLUTIONAL NETWORKS FOR LAR…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023