imx6q最全文档，适合6q开发的工程师看，文档比较大，无论硬件还是软件都可以学习。

五十八国际食品协会2014年世界杯。美国人最喜欢的全球美食是什么？此文件夹包含故事背后的数据。该数据集是根据Attribution 4.0 International（CC BY 4.0）许可证分发的。 food-world-cup-data.csv README.md

Yet Another KDD Cup 2015 Solution Based on Final result Public board This leaderboard calculates scores by about 50% of the test data. AUC score: 0.8874428893001793 Rank: #89 Private board AUC score: 0.8867360110438458 Rank: #86 TODO 加特征 加数据：最多可以到depth=4 feature selection 观察预测错了的instance 尝试深度学习model， kNN GBDT: min_samples_leaf, max_depth ... RF: min_samples_leaf, max_depth ... AdaBoost(with LR/SVC

延时Sleep，timeGetTime完美结合占CUP少不假死源码

ubuntu上cpu-z工具，可以直接执行，给出硬件信息

VBA-U盘、CUP检测.xlsm

一种基于国密算法CPU卡的门禁系统方案的设计，包含了内部认证和外部认证的描述

该应用程序可以创建带有中心线和边缘线的轨道。 使用此应用程序： - 设计一条新赛道- 自动生成轨道的 VR 表示（*.wrl 文件） - 自动生成赛道的 Simscape Multibody 模型- 使用这些文件来模拟 NXP Cup 自动驾驶汽车 查看包含的 simulink 模型：SimulationMainModel 作为如何模拟汽车的示例。

smote的matlab代码kdd-cup-99-python 使用 python、scikit-learn 和 matplotlib 对原始 kdd cup 99 网络入侵检测数据集的 10% 子集进行分析和预处理。 线性可分性测试 使用 Convex-Hull 方法测试各种攻击类型的线性可分性。 正常类和两种最常见的攻击类型海王星和蓝精灵的船体边界之间的交集在前两个主成分的二维图中可视化。 这样就可以证明不同的攻击类别是非线性可分的。 使用 SMOTE 和 Cluster-Centroids 重采样 为了减轻预处理中描述的高级不平衡，将众所周知的重采样技术应用于原始数据集。 欠采样是通过使用 Cluster Centroids 方法实现的。 因此，数据基于聚类方法按相似性分组，总体目标是尽可能避免任何信息丢失。 过采样基于合成少数过采样技术 (SMOTE)。 在此技术中，点是从少数类中随机挑选的，并通过向它们附加 k 最近邻来综合丰富。 许可 版权所有 (c) 2019，Timea Magyar 保留所有权利。 如果满足以下条件，则允许以源代码和二进制形式重新分发和使用，无论是否修

KDD CUP98 的数据集，下面是数据集的部分数据： CONTROLN,TARGET_B,TARGET_D 3,0,0 6,0,0 9,0,0 11,0,0 16,0,0 19,0,0 20,0,0 23,0,0 24,0,0 25,1,25 28,0,0 29,0,0 30,0,0 31,0,0 33,0,0 34,0,0 35,0,0 36,0,0 39,0,0 42,0,0 44,0,0 45,0,0 47,0,0 49,0,0 50,1,10 57,1,8 58,0,0 59,0,0 61,0,0 62,0,0 63,0,0 64,0,0 68,0,0 69,0,0