作业

【机器学习】自定义数据集使用scikit-learn中svm的包实现svm分类支持向量机（SVM）的核心思想是找到一个最优的超平面，将不同类别的数据点分开。SVM 的关键特点包括：

【机器学习】自定义数据集，使用scikit-learn 中K均值包进行聚类K 均值算法的目标是将数据集划分为 K 个簇，使得每个数据点属于离它最近的簇中心（centroid）所代表的簇。

【机器学习】自定义数据集使用scikit-learn中的包实现线性回归方法对其进行拟合线性回归是一种用于建立自变量与因变量之间关系的统计方法。它假设因变量（或响应变量）与一个或多个自变量（或预测变量）之间的关系是线性的。

【机器学习】自定义数据集使用tensorflow框架实现逻辑回归并保存模型，然后保存模型后再加载模型进行预测解释：解释：解释：解释：这种方式会保存模型的结构、权重以及训练配置（如优化器、损失函数等），加载时可以直接得到一个完整可用的模型。

【机器学习】自定义数据集使用paddlepaddle框架实现逻辑回归并保存模型，然后保存模型后再加载模型进行预测代码解释① 数据生成与转换：② 模型组网：③ 损失函数和优化器：④ 模型训练：⑤ 损失曲线绘制：⑥ 模型评估：

【机器学习】使用pytorch框架实现逻辑回归并保存模型，然后保存模型后再加载模型进行预测在 PyTorch 中，有两种常见的保存模型的方式：保存模型的权重和其他参数，以及保存整个模型。下面将结合一个简单的逻辑回归模型示例，详细介绍这两种保存方式及对应的加载方法。

【机器学习】自定义数据集使用框架的线性回归方法对其进行拟合在自求导线性回归中，我们需要先自定义参数，并且需要通过数学公式来对w和b进行求导，然后在反向传播过程中通过梯度下降的方式来更新参数，从而降低损失值。

【机器学习】使用scikit-learn中的KNN包实现对鸢尾花数据集或者自定义数据集的的预测K最近邻(K-Nearest Neighbor,KNN)分类算法是数据挖掘分类技术中最简单的方法之一，是著名的模式识别统计学方法，在机器学习分类算法中占有相当大的地位。它是一个理论上比较成熟的方法。既是最简单的机器学习算法之一，也是基于实例的学习方法中最基本的，又是最好的文本分类算法之一。

Spark使用过程中的 15 个常见问题、详细解决方案Spark 作业可能会因为资源不足或任务调度不当而超时。Spark 作业可能由于内存配置不足而导致内存溢出。

Betty’s Sweet

[Linux]：守护进程每个进程不仅具有一个进程 ID，还归属于一个进程组。进程组是一个或多个进程的集合，通常与同一作业相关联，可接收来自同一终端的各类信号。每个进程组拥有唯一的进程组 ID（PGID），PGID 与进程 ID 类似，也是一个正整数，可存放在 pid_t数据类型中。一个进程组可以包含多个进程。

Linux操作系统小项目——实现《进程池》在前面的学习中，我们简单的了解了下进程之间的通信方式，目前我们只能知道父子进程的通信是通过匿名管道的方式进行通信的，这是因为这点我们就可以简简单单的来写一个项目————进程池

oop课程4-6次作业小结`新增多选和填空类，并将所有接收题目信息的方法全部移入Submission类中，类间关系更新为如下按题目要求，增加多选类，主要继承和重写了题目类的判题方法，具体实现为： for循环遍历所有提交的答案，如果有与题目中某一个正确答案相同的选项，则设标志flag为true，如果遍历结束flag仍为false则证明所有答案都不符合，函数返回值0，代表所有选项都不匹配，答案错误。在遍历结束后，判断提交答案的数组长度是否小于正确答案的数组长度，如果为真，则证明提交的答案不全，函数返回2，代表半对。如果为假，则提交

阳光宅男xxb

python作业：实现一个任务列表管理系统，使用到python类、对象、循环等知识实现一个简单的任务列表管理系统，可以用于python学习的作业或者练习。系统的功能包括：用户可以添加任务、查看任务列表、标记任务为已完成，以及删除任务。

CTFHUB RCE作业题目地址：CTFHub完成情况如图：开启环境进入界面发现是一个ip输入界面这里可以看到源码，发现用到了exec()函数，对输入没有进行任何过滤