卷积神经网络

【实例简介】 zuco-nlp-master 结合脑电眼动特征的自然阅读认知分析

使用的是最新版本的PyQt5.9，详细讲解了PyQt5的各个知识点，包含从入门到实战的所有例子。本书共包含11个章节，这些章节基本包含了笔者在使用PyQt中遇到的绝大多数技术以及一些简单的应用。本书虽然有11个章节，但是有些章节是具有独立性的，读者可以针对自己的实际情况选择性阅读。本书第一章介绍了PyQt的入门知识，讲述了PyQt的安装配置以及Eric6这个IDE的简单使用方法。对于对PyQt已经有一定基础的朋友可以略去这一章。本书第二章简单介绍了Python的基本语法，本章针对一些没有接触过python的读者，对于Python已经有一些基础的朋友可以略去这一章。本书第三章介绍Qt Designer的使用方法，Qt Designer是一个PyQt的可视化界面编辑程序，他的作用是帮助我们快速开发出界面文件，我们可以通过其他方式把界面文件转化成python代码文件。对于不懂太多PyQt知识的读者来说，本章可以让你快速入门，同时，本章也是让自己的PyQt技术快速进步的最重要的章节。本书第四章介绍了PyQt的基本控件的使用方法，如果读者时间并不充裕，只对部分控件感兴趣，可以选取相应的小节进行阅读。本书第五章介绍了PyQt的高级控件的使用方法，如果读者对PyQt的表格、树、多文本页面、数据库、多线程等等感兴趣，可以在这一章中选择相应的小节阅读。本书第六章重新介绍了PyQt的布局管理的使用（之前在第3章通过Qt Designer的使用方法中已经介绍，第3章是通过Qt Designer这个代码生成器进行介绍，这里通过手工敲打代码的方法介绍）。由于布局管理非常重要，值得我们以一个新的章节介绍，如果读者对纯代码实现布局管理器感兴趣可以参考这一章，如果对代码生成器Qt Designer的布局管理器感兴趣也可以忽略这个章节。实际上两种方法并没有本质的区别。本书第七章介绍了PyQt信号与槽的应用，信号与槽是PyQt的核心，想要掌握PyQt的高级玩法的朋友可以仔细阅读这个章节。本书第八章介绍了PyQt的图形特效，如果读者对PyQt绘图，背景着色等感兴趣，可以阅读这个章节。本书第九章介绍了PyQt的扩展应用，如果你想知道如何把Python的一些非常流行的模块如pyinstaller、pandas、matplotlib、pyqtgraph、plotly等与PyQt结合，可以从这一章节中选择性的阅读。本书第十章通过几个例子介绍PyQt的实战应用，想要简单了解一些简单的程序是如何开发的朋友可以选择性的阅读这个章节。本书第十一章介绍PyQt在金融领域中的应用，是本书的另一个作者孙洋在金融公司工作过程中积累的一些实战性较高的案例，向读者展示PyQt如何应用到投资研究系统、量化投资、以及金融工具开发，读者可以根据自己的需求选择性阅读。

【实例简介】yolov5目标检测模型训练网络实例类（Python）

《python可以这样学》讲义.pdf

Arcgis 10.2 栅格数据批量镶嵌（python版）

适读人群 ：对自然语言处理感兴趣的普通程序员、算法工程师，计算机专业本科生，低年级研究生。 配套代码集成到广受欢迎的自然语言处理工具包 HanLP 中，Java 与 Python 代码双实现，适合培训。 你一定能看懂的自然语言处理（NLP）入门教程！ 这是一本把读者阅读体验放在首位的中文 NLP 图书，作者采用从问题到算法再到工程实现的写作思路，只允许必不可少的公式出现，降低了读者学习的门槛，通俗易懂、容易上手。是一本可以在地铁上也能学会 NLP 开发的图书。 全书有以下特点： 1. 图文并茂，算法、公式、代码相互印证，Java 与 Python 双实现。 2. 学习路径清晰，问题导向、算法实现、工程实战，简单易懂好上手，双色印刷阅读体验佳。 3. 业内专家——工业界周明、李航、刘群、王斌、杨攀，学术界宗成庆、刘知远、张华平 联合推荐。 4. 作者何晗（@hankcs）兼具一线实战经验与硬核学术背景。自然语言处理开源项目 HanLP 作者（GitHub Star 数远超宾夕法尼亚大学的 NLTK、斯坦福大学的 CoreNLP 以及哈工大的 LTP）埃默里大学计算机博士生，研究方向是句法分析、语义分析与问答系统。 【文件目录】 《自然语言处理入门》随书代码 ├── README.url├── hanlp-java.zip└── hanlp-python.zip0 directories, 3 files

【实例简介】 实现了增删改查等基本操作 运行环境：python 3.9  django==3.24  mysql 8.0 开发环境：Pycharm

自动化测试示例(基于pytest)

动手学习深度学习——pytorch版本

基于opencv的安全帽佩戴检测，开发语言采用python,自己训练的安全帽分类器。