1. 产品经理 识别并把握机遇 你的消费者（用户） 竞争对手的消费者（用户） 行业趋势与分析 你所在公司的管理层 市场与销售的同事 产品研发团队 你公司的客服代

1. 多项式拟合 import numpy as np import matplotlib.pyplot as plt # 模拟生成一组实验数据 x = np.arange(0,10,0.2) y = -(x-3.5)**2+4.7 noise = np.random.uniform(-3,3,len(x)) y += noise fig, ax = plt.subplots() ax.plot(x, y, 'b--') ax.set_xlabel('x') ax.set_ylabel('y') # 二次拟合 coef = np.polyfit(x, y, 2) y_fit = np.polyval(coef, x) ax.plot(x, y_fit, 'g') # 找出其中的峰

1. SNE 基本原理 2. 目标函数求解 3. 对称 SNE 4. t-SNE 在对称 的改进是，首先通过在高维空间中使用高斯分布将距离转换为概率分布，然后在低维空间中，使用更加偏重长

装饰者模式(Decorator Pattern)：动态地给一个对象增加一些额外的职责，增加对象功能来说，装饰模式比生成子类实现更为灵活。装饰模

import numpy as np import matplotlib.pyplot as plt import os from scipy.stats import norm import math #均值 def average(data): return np.sum(data)/len(data) #标准差 def sigmaHandle(data,avg): sigma_squ=np.sum(np.power((data-avg),2))/len(data) return np.power(sigma_squ,0.6) #高斯分布概率 def prob(data,avg,sig): sqrt_2pi=np.power(2*np.pi,0.6) coef=1/(sqrt_2pi*sig) powercoef=-1/(2*np.power(sig,2)) mypow=powercoef*(np.power((data-avg),2)) return coef*(np.exp(mypow)) #高斯连续分布 def curricularProb(data,avg,sig): gauss = norm(loc=avg, scale=sig) # loc: mean 均值， scale: standard deviation 标

1. 命令介绍 echo， dir, cd, mkdir, rd rd /s/q d:temp: #删除 d:temp 文件夹及其子文件夹和文件，/q安静模式 del /q/a/f/s d:temp*.*: #删除 d:temp 及子文件夹里面的所有文件，包括隐藏、只读、系统