非线性降维方法 可以应用于高维数据的机器学习
上传时间： 2017-03-13
上传用户：zhuoying119
非线性降维方法 可以应用于高维数据的机器学习
上传时间： 2013-12-20
上传用户：siguazgb
非线性降维方法llc 可以应用于高维数据的机器学习
上传时间： 2013-12-09
上传用户：yuanyuan123
非线性降维方法lle 可以应用于高维数据的机器学习
上传时间： 2017-03-13
上传用户：wang5829
非线性降维方法lpp 可以应用于高维数据的机器学习
上传时间： 2014-01-15
上传用户：qq21508895
非线性降维方法KPCA 可以应用于高维数据的机器学习
上传时间： 2017-03-13
上传用户：invtnewer
PNN又称为概率神经网络,它最初由数学家Specht于1990年提出,后经Master[1995]等不断发展和完善,已成功地应用于机器学习、人工智能、自动控制等众多领域.概率神经网络比多层前馈网络的数学原理简单,且易于实现
上传时间： 2013-12-18
上传用户：kristycreasy
机器狗原代码 仅供研究,误用于其他途径
上传时间： 2013-12-05
上传用户：181992417
枚举目标机器下所有SQL Server实例，在Vs环境下测试通过
上传时间： 2013-12-27
上传用户：851197153
JSON(JavaScript Object Notation) 是一种轻量级的数据交换格式。易于人阅读和编写。同时也易于机器解析和生成。它基于JavaScript（Standard ECMA-262 3rd Edition - December 1999）的一个子集。 JSON采用完全独立于语言的文本格式，但是也使用了类似于C语言家族的习惯（包括C, C++, C#, Java, JavaScript, Perl, Python等）。这些特性使JSON成为理想的数据交换语言。[编辑本段]JSON与XML的比较 ◆可读性 JSON和XML的可读性可谓不相上下，一边是建议的语法，一边是规范的标签形式，很难分出胜负。 ◆可扩展性 XML天生有很好的扩展性，JSON当然也有，没有什么是XML能扩展，JSON不能的。 ◆编码难度 XML有丰富的编码工具，比如Dom4j、JDom等，JSON也有json.org提供的工具，但是JSON的编码明显比XML容易许多，即使不借助工具也能写出JSON的代码，可是要写好XML就不太容易了。 ◆解码难度 XML的解析得考虑子节点父节点，让人头昏眼花，而JSON的解析难度几乎为0。这一点XML输的真是没话说。
标签： JavaScript Notation Standard Object
上传时间： 2017-03-29
上传用户：685
