聚类算法

说明：  读写音频实现。利用python代码，可以很方便的分析出音频参数。(about read sound, we can know the paragramme of sound.)

熵权法赋权步骤 1）数据标准化 2）计算第j项指标下，第i个评价对象的特征比重pij 3）计算第j项指标的熵值Ej 4）计算第j项指标的差异系数gj 5）确定各指标的熵权 6）分别计算各个评价对象的综合评价值

说明：  30个常用Python程序实现，包括冒泡算法之类(30 commonly used Python programs, including bubbling algorithms and the like)

解非线性方程组，使用python语言，两种方法解决非线性方程组，对比分析性能(Solving the non-linear equations, using Python language, two methods to solve the non-linear equations, comparative analysis of performance)

使用百度地图api，进行批量实现坐标的拾取(Use Baidu map API to batch realize coordinate pickup.)

说明：  蒙特卡洛编程，含程序代码，代码直接复制即可，还有实例！！！(Monte Carlo programming, including program code.)

本书提供如下资源：  • 本书源代码； • 书中习题答案。 要获得以上配套资源。注意：为保证购书读者的权益，该操作会给出相关提示，要求输 入提取码进行验证。 如果您是教师，希望获得教学配套资源，请在社区本书页面中直接联系本书的责任编辑。  

决策树算法是一种逼近离散函数值的方法。它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。 决策树方法最早产生于上世纪60年代，到70年代末。由J Ross Quinlan提出了ID3算法，此算法的目的在于减少树的深度。但是忽略了叶子数目的研究。C4.5算法在ID3算法的基础上进行了改进，对于预测变量的缺值处理、剪枝技术、派生规则等方面作了较大改进，既适合于分类问题，又适合于回归问题。 决策树算法构造决策树来发现数据中蕴涵的分类规则．如何构造精度高、规模小的决策树是决策树算法的核心内容。决策树构造可以分两步进行。第一步，决策树的生成：由训练样本集生成决策树的过程。一般情况下，训练样本数据集是根据实际需要有历史的、有一定综合程度的，用于数据分析处理的数据集。第二步，决策树的剪枝：决策树的剪枝是对上一阶段生成的决策树进行检验、校正和修下的过程，主要是用新的样本数据集（称为测试数据集）中的数据校验决策树生成过程中产生的初步规则，将那些影响预衡准确性的分枝剪除。

逻辑回归，随机森林，xgboost案例,了解三种模型的基本用法(sample for lr,rfm,xgboost)

UniConvertor is a universal vector graphics translator. The project uses sK1 engine to convert one format to another. It has an import filters for: CDR, CDRX, CDT, CMX, AI, CGM, WMF, XFIG, SVG, SK, SK1, AFF and export filters: AI, SVG, SK, SK1, CGM, WMF.