大师兄的数据分析学习笔记(二十五）：聚类（一）
大师兄的数据分析学习笔记(二十四）：回归树与提升树
大师兄的数据分析学习笔记(二十六）：聚类（二）
一、监督学习和无监督学习
分类和回归都属于监督学习，监督学习的特点是有标注。
所谓标注也就是数据的特征，不管是分类还是回归都是通过标注进行区分数据。
而无监督学习没有标注，所以无监督学习的目的就是给数据加上标注。
进行标注的原则是，加过标注后的数据应该尽可能相似，而不同标注内的数据应该尽可能不同
人工智能
Seurat数据结构学习.1
Seurat.obj.v3.png
Seurat对象中的Assay:
######################################################################
在-RNA槽：
@counts:未作任何处理的原始RNA表达矩阵。
@data:原表达矩阵通过NormalizeData()归一化消除测序文库差异（对于每个细胞，将每个基因的表
Netty基础-NIO（一）
零、本文纲要
一、NIO三大组件
Channel
Buffer
Selector
二、Buffer
基础依赖
ByteBuffer使用
ByteBuffer结构
ByteBuffer常见方法
三、Buffer使用模拟
情景模拟
模拟还原数据
一、NIO三大组件
NIO，non-blocking io 非阻塞 IO
Channel / Buffer / Selector
1. Chan
Kotlin 协程之取消与异常处理探索之旅(上)
前言
协程系列文章：
一个小故事讲明白进程、线程、Kotlin 协程到底啥关系？
少年，你可知 Kotlin 协程最初的样子？
讲真，Kotlin 协程的挂起/恢复没那么神秘(故事篇)
讲真，Kotlin 协程的挂起/恢复没那么神秘(原理篇)
Kotlin 协程调度切换线程是时候解开真相了
Kotlin 协程之线程池探索之旅(与Java线程池PK)
Kotlin 协程之取消与异常处理探索之旅(
数学建模：马尔科夫决策过程
@[toc]
设随机过程的时间集合,状态空间 ，即 是时间离散、状态离散的随机过程。若对任意的整数 ，满足。则称为马尔可夫链，简称马氏链。上式称为过程的马尔可夫性或无后效性。
与无关，即转移概率只与出发状态、转移步数、到达状态相关
可以证明：k步转移概率矩阵为一步转移概率矩阵的k次幂。
若存在m为正整数，概率矩阵P的m次幂 的所有元素皆为正，则P称为正规概率矩阵。
正则概率矩阵的这一性
检验正态分布方法的汇总
在数据分析过程中，往往需要数据服从正态分布，正态分布，也称“常态分布”，又名高斯分布，在求二项分布的渐近公式中得到。很多方法都需要数据满足正态分布，比如方差分析、独立t检验、线性回归分析（因变量）等。如果说没有这个前提可能会导致分析不严谨等等。所以进行数据正态性检验很重要。那么如何进行正态性检验？接下来进行说明。
一、检验方法
SPSSAU共提供三种正态性检验的方法，分别是描述法
跟着Nature学作图:R语言ggplot2环形堆积柱形图完整示例
论文
A global reptile assessment highlights shared conservation needs of tetrapods
#Sec33
数据代码链接
