- 博客(37)
- 收藏
- 关注
RSS订阅原创 《数据库系统概论》 第二章 关系模型通识讲下半部分
关系代数摘要 关系代数分为两类运算： 传统集合运算：基于行操作，要求关系同结构 并(∪)：合并两关系所有元组 差(-)：求R特有元组 交(∩)：求共同元组 笛卡尔积(×)：生成所有元组组合 专门关系运算： 选择(σ)：行筛选 投影(π)：列筛选+去重 连接(⋈)：合并相关元组，含等值/自然/外连接 除(÷)：筛选包含某关系所有元素的元组 核心特点是运算对象和结果都是关系，支持多级组合查询。
2025-09-09 18:27:04
778
原创 《数据库系统概论》 第二章 关系模型通识讲上半部分
关系模型以二维表为核心数据结构，主要包含三类完整性约束：实体完整性（主属性非空）、参照完整性（外码引用有效）和用户定义完整性（语义约束）。关系操作分为查询（选择、投影等5种基本操作）和数据更新两类，采用集合操作方式。关系模式描述关系结构（静态），而关系是动态数据。关系数据库由关系集合构成，其物理存储可通过文件系统或自行管理。关系语言分为代数、演算（元组/域）和混合（如SQL）三类。
2025-09-09 18:26:04
747
原创 《数据库系统概论》第一章 初识数据库
本文系统介绍了数据库系统的基础知识。首先阐明了数据、数据库、数据库管理系统和数据库系统四个核心概念，以及数据管理技术的发展历程；其次详细解析了数据模型的分类（概念模型、逻辑模型、物理模型）、概念模型要素（实体、属性、联系等）和E-R图表示方法，并比较了层次、网状、关系三种逻辑模型的优缺点；最后重点阐述了数据库系统的三级模式结构（外模式、模式、内模式）和二级映像机制，说明其如何实现数据的逻辑独立性和物理独立性。全文内容全面系统，是数据库领域的入门基础。
2025-09-09 16:50:47
748
原创 2025Data Whale x Pytorch基础知识
本文为PyTorch学习笔记，涵盖张量操作、自动求导机制及并行计算方法，附代码示例，助快速掌握。
2025-07-19 12:18:20
848
原创 ERP原理及应用——第一章ERP概述知识点
ERP系统的发展与核心特点 ERP（企业资源计划）是一种集管理思想、软件产品和管理系统于一体的资源整合工具，其核心特点包括市场导向、流程集成、财务业务一体化及灵活生产模式。ERP的演变经历了从MRP（物料需求计划）、闭环MRP（增加能力计划）到MRPⅡ（集成财务模块），最终发展为覆盖供应链全流程的ERP系统。未来趋势将向管理范围扩展（商业智能、流程管理）、技术融合（云计算、大数据）和敏捷化转型发展。关键差异在于：MRP聚焦物料需求，闭环MRP引入能力反馈，MRPⅡ整合财务，而ERP实现供应链全流程管理。
2025-06-25 14:26:26
558
原创 Java数据结构——线性表Ⅱ
数据域 data：存储元素值，采用泛型 E 实现类型通用化指针域 next：指向下一结点，形成单向链表链构造方法重载：提供无参（初始空结点）和有参（初始化数据）两种构造方式。
2025-06-24 21:53:36
909
原创 Python 商务数据分析—— NumPy 学习笔记Ⅱ
本文系统介绍了NumPy数组的核心操作技术，主要包含六大模块内容：1）数组索引与切片（四种索引方式及示例）；2）元素操作（替换与条件处理）；3）广播机制（原则与兼容性判断）；4）形状操作（叠加/切割/转置）；5）Axis轴概念解析（本质与运算示例）；6）销售数据综合实战（三维数据聚合计算）。全文通过代码示例详细演示了每种操作的具体实现，重点解析了广播规则、轴方向运算等难点，最后通过销售数据案例展示了多维数组的实际应用。掌握这些核心操作可有效提升数组数据处理效率。
2025-06-23 11:14:32
496
原创 Python 商务数据分析—— NumPy 学习笔记Ⅰ
NumPy是高性能科学计算库，专为多维数组设计，采用C语言实现，运算速度远超Python列表。主要特性包括矢量运算、广播机制和丰富的数学函数库，广泛应用于数据分析、机器学习和科学计算领域。核心数据结构ndarray要求元素类型一致，支持高效向量化运算。创建数组方式多样，包括从列表/元组转换(np.array)、生成序列(np.arange)、随机数组(np.random)以及特殊函数(zeros/ones等)。数组支持多种数据类型(dtype)和维度操作(reshape/flatten)，特别适合处理三维数
2025-06-22 20:45:09
1074
原创 Python商务数据分析——Python 入门基础知识学习笔记
Python语言特性与应用摘要 Python作为解释型、动态类型的编程语言，具有语法简洁、面向对象等特点，广泛应用于数据分析、AI、Web开发和自动化脚本等领域。其核心语法包括：1) 7种基本数据类型（分可变与不可变两类）；2) 运算符优先级规则；3) 字符串处理常用方法。流程控制强调if多分支优化和for/while循环的选择。函数参数传递机制因数据类型而异，数据容器操作需区分列表/元组/字典/集合。文件操作推荐使用with语句，异常处理需分层捕获。面向对象编程涵盖封装/继承/多态三大特性，通过方法重写实
2025-06-22 20:18:05
793
原创 Java数据结构——线性表Ⅰ
本文系统介绍了线性表及其顺序存储结构（顺序表）的核心知识与应用。主要内容包括：1. 线性表的基本概念与抽象数据类型定义，包含11种基本运算；2. 顺序表的存储结构实现，重点讲解动态扩容机制及插入、删除等操作的O(n)时间复杂度分析；3. 典型算法如元素逆置（双指针法）、区间删除（划分法）、有序表合并（归并法）的实现与优化；4. Java ArrayList容器的使用方法与三种排序方式（Comparable、Comparator、Lambda）；5. 考研真题及典型例题解析，包含中位数查找、多字段排序等实用场
2025-06-19 19:15:22
956
原创 《一元线性回归：从基础到应用及模型处理》
摘要： 本文系统阐述了变量间的相关关系与一元线性回归分析。首先区分了函数关系与统计相关关系，并介绍了相关系数的计算与解释标准（如|r|≥0.8为高度相关）。其次，详述一元线性回归模型的构建，包括最小二乘估计（OLS）方法、参数估计公式（如斜率系数b₁=Σ(Xi-X̄)(Yi-Ȳ)/Σ(Xi-X̄)²）及模型假设（线性、正态性、同方差性）。通过10家厂商的投入产出案例，演示了回归方程（Ŷ=15.8004+1.1818X）的计算过程。最后，探讨了模型检验方法，包括总平方和分解（SSTO=SSR+SSE）、拟合
2025-06-15 15:12:12
1008
原创 统计学（第8版）——统计学基础统计抽样与抽样分布（考试用）
本文系统梳理了统计学抽样理论中的核心符号与分布体系。首先区分了参数（如总体均值μ、方差σ²）和统计量（如样本均值x̄、方差s²）的符号表示，进而详细介绍了四大重要概率分布：正态分布N(μ,σ²)的概率密度函数与标准化转换、卡方分布χ²(n)的定义与单总体应用、F分布的双总体方差检验应用、以及t分布的小样本推断特性。文章还阐述了样本均值的抽样分布公式，包括无限总体和有限总体修正情形，并说明了大数定律的概率收敛性和中心极限定理的正态近似条件。最后通过速查表归纳了关键统计符号及其专业领域，为抽样分析提供系统的符号
2025-06-11 19:25:02
1093
原创 统计学（第8版）——参数估计（考试用）
参数估计是通过样本数据推断总体参数的方法，分为点估计和区间估计。点估计用单一数值估计参数，需满足无偏性、一致性、有效性和罗-克拉美不等式等标准，常用矩估计和最大似然估计法。区间估计给出参数的可能范围及置信度，根据总体分布和样本量选择不同统计量（如Z、t、χ²、F分布）构建置信区间。对单一总体，可估计均值、方差和比例；对两个总体，可比较均值差、方差比和比例差。通过具体公式和案例（如英语成绩对比），展示了不同场景下的参数估计应用。
2025-06-10 09:52:14
1303
原创 统计学（第8版）——假设检验学习笔记（考试用）
错误类型符号定义概率控制典型场景第一类错误αH₀为真时拒绝 H₀（弃真）主动设定 α=0.05/0.01医疗误诊（α 需严格控制）第二类错误βH₀为假时接受 H₀（取伪）通过增大 n 降低 β质量检验漏检（β 需控制）
2025-06-09 22:08:34
1574
原创 DataWhale 决策树学习笔记（西瓜书+南瓜书解析）
决策树的基本结构决策树采用树状结构进行决策判断，每个内部节点对应一个属性测试，分支代表测试结果，叶节点存储分类结果。
2025-03-24 21:23:46
667
原创 DataWhale西瓜书+南瓜书第3章《线性判别分析》
想象你是一所学校的校长，要把学生分成不同的班级。：LDA是分类和降维的瑞士军刀，但记得先检查数据是否“听话”（正态分布+同协方差）哦！（班级之间疏远）：计算两班平均身高体重的差值向量（比如男生平均比女生高10cm）。：让同类学生坐得近（比如学霸坐前排），不同类学生离得远（比如学渣和学霸分开坐）。：找到一条最佳“走廊”（投影方向），让穿过走廊后，不同班级的学生尽可能不重叠。（班级内部团结）：计算每个班学生的协方差矩阵（类似座位密集程度）。———— 这就是最佳分班走廊的方向！
2025-03-22 01:01:37
899
原创 DataWhale南瓜书第3章——对数几率回归部分重点
这种映射使模型在高维特征空间中保持线性计算复杂度。该函数将不同类别标签统一到指数形式表达[对应的对数几率函数为。
2025-03-18 22:17:59
720
原创 DataWhale线性回归部分重点————南瓜书第三章
yXβεyXβεX：n×(p+1)设计矩阵（含截距项）β：(p+1)×1参数向量ε：误差向量（ε∼N0σ2Iε∼N0σ2I。
2025-03-15 23:15:21
991
原创 DateWhale猫咪也能看懂的南瓜书第一二章核心原理精要25-03-12
假设空间HH是算法可选择的预测函数集合。HhxwTxb∣w∈Rdb∈RHhxwTxb∣w∈Rdb∈R其中权重向量www和偏置项bbb构成参数空间Θ\ThetaΘ。
2025-03-12 19:15:56
1050
原创 猫咪也能看懂的南瓜书——第一章
x₁=银鱼闪光度/x₂=秋刀鱼腥气浓度/x₃=罐罐开合难度…：用尾巴画直线就能把喜欢/讨厌的罐罐分两边～【荧光笔突然画出毛线球轨迹】：昨天吃的金枪鱼罐头在(0.7, 0.2, 0.05)闪闪发光喵！：允许有3%的沙丁鱼碎掉到错误区域喵～【某页公式突然被舔出小洞】：藏着尾巴蓬松度/瞳孔收缩率等137项隐藏指标(=´∇｀=)「是所有可能存在的乖巧猫咪队列喵~」突然用犬齿轻咬公式边缘。：这边堆满会让瞳孔放大的三文鱼慕斯罐(♡´౪`♡)【(ﾉ*･ω･)ﾉ 扑向三维坐标系的全息投影】【(ฅ´ㅂ`ฅ) 肉垫在。
2025-03-12 19:15:09
489
原创 聪明办法学Python丨202409TASK1学习笔记
Mini Conda自带的conda包管理器，使我能够轻松管理和切换不同的Python环境，这对于避免依赖库之间的冲突问题极为有用。Python凭借其简洁明了的语法与强大的功能性，迅速吸引了我的注意。Python的设计理念强调代码的可读性与简洁性，在我编写代码的过程中得到了充分的体现。总的来说，Python的学习不仅提升了我的技术能力，更让我感受到了编程的乐趣。它不仅是一门语言，更是连接现实世界与数字世界的桥梁，为我的日常生活带来了诸多便利。随着学习的深入，我相信Python将成为我探索未知的强大工具。
2024-09-16 20:55:13
485
原创 Datawhale X 李宏毅苹果书 AI夏令营TASK3学习笔记
就是当我们训练模型的时候怎么样把loss调得合适些，也就是教我们如何优化自己的模型。接下来简单讲述一下我的理解。嘤嘤嘤，希望我的笔记能对你学习深度学习带来帮助❤。
2024-08-28 18:43:31
1144
原创 Datawhale X 李宏毅苹果书 AI夏令营TASK2学习笔记
在TASK1中简单了解了一下机器学习所具备的三个关键要素和实际应用，在TASK2中更近一步地了解在构建模型中的优化方案。
2024-08-27 10:20:37
1707
1
原创 Datawhale X 李宏毅苹果书 AI夏令营TASK1学习笔记
通过本次学习，我了解到机器学习的核心在于构建一个能够预测未来结果的模型，并通过优化过程来调整模型参数以提高预测准确性。虽然梯度下降法可能会遇到局部最小值的问题，但通常来说，这种方法仍然是有效的。此外，我还学到了模型在训练数据上的性能通常优于新数据上的性能，这是由于过拟合等因素造成的。今后也继续努力。
2024-08-26 15:09:06
1391
原创 Datawhale AI夏令营从零入门AI生图原理&实践 TASK3学习笔记
ComfyUI的应用场景非常广泛，无论是简单的图像生成任务还是复杂的多模态合成任务，它都能胜任。此外，ComfyUI还支持多种不同的AI模型，这意味着用户可以根据自己的需求选择最适合的模型来进行创作。在熟悉了ComfyUI的基本操作后，我开始尝试更进一步的操作——使用Lora（一种轻量级的微调方法）来改进模型。虽然我已经能够在ComfyUI的帮助下生成质量较高的图像，但我对AI文生图的兴趣并未止步于此。我相信，在魔塔社区这样的学习平台上，会有更多的资源和经验分享可以帮助我不断进步。
2024-08-16 19:26:20
250
原创 Datawhale AI夏令营从零入门AI生图原理&实践 TASK2学习笔记
在今天的课程中，我深入了解了AI生图技术及其应用。通过一系列实践操作，我不仅掌握了基本的操作流程，还学会了如何使用AI助手来解决遇到的技术难题。以下是我在本次学习过程中的收获和思考。
2024-08-14 21:07:06
550
原创 Datawhale AI夏令营从零入门AI生图原理&实践 TASK1学习笔记
艺术家和设计师现在可以借助AI技术，突破传统创作边界，实现前所未有的视觉效果和图像风格。在Datawhale AI夏令营的TASK1中，我首次深入接触到了AI作图的历史和基础原理，并跟随经验丰富的大佬，实践了AI作图的训练过程。虽然目前我对这一领域知之甚少，但我在研究代码和理解算法的过程中，深刻感受到了自身知识的巨大提升空间。在本次学习中，我尝试了关键词检索和图像生成，虽然成果令人鼓舞，但我也意识到还有许多地方可以改进，比如提高检索的准确性和作图的质量。
2024-08-08 23:21:28
161
原创 Datawhale AI夏令营（逻辑推理）TASK2学习笔记
在TASK1中我跟随大佬的步伐拿下第一次作业后，对Baseline与大语言模型原理有了进一步理解，而接下来在参与AI夏令营逻辑推理TASK2的过程中，我获得了对大型语言模型（LLM）在解决复杂逻辑问题中应用的深刻洞察。以下是我对这一过程的反思和总结。
2024-07-30 19:31:47
188
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人