ImportError: No module named ‘pip._internal‘解决方法

pip安装报错：ImportError: No module named 'pip._internal'，分享python安装模块的踩坑记录，希望能帮到各位解决bug

2021-12-04 11:22:03    博客笔记    1042    分类：开发环境    专栏：bug   

---

不能卸载某个模块包:Cannot uninstall 'colorama'解决方法

不能卸载某个模块包:Cannot uninstall 'colorama'报错信息在卸载某个Python模块包时，发现并不能成功卸载，反而发生异常报错，报错信息如下：

2021-12-04 11:23:43    博客笔记    1102    分类：开发环境    专栏：bug   

---

解决ipynb文件加载失败的问题：Unreadable Notebook: D:\xxx.ipynb NotJSONError

解决ipynb文件加载失败的问题:Unreadable Notebook: D:\xxx.ipynb NotJSONError报错信息 在jupyter notebook打开ipynb notebook文件时，发现加载一直不成功，另外还爆出异常提示信息，异常信息如下：

2021-12-04 11:23:53    博客笔记    921    分类：开发环境    专栏：未分组   

---

OPPORTUNITY动作识别数据集

OPPORTUNITY动作识别数据集

2021-12-04 23:22:36    博客笔记    586    分类：边缘感知    专栏：动作识别   

---

window MySQL下载与安装

MySQL下载与安装一、下载地址：https://dev.mysql.com/downloads/mysql/当前最新是8.0版本，我选择上一个最新的mysql-5.7.24-winx64.zip二、安装MySQL安装文件分两种 .msi和.zip ，.msi需要安装zip格式是自己解压，解压缩之后其实MySQL就可以使用了，但是要进行环境变量配置zip格式是自己解压我...

2021-12-15 22:58:54    互联网    1005    分类：开发环境    专栏：下载安装   

---

win10系统MongoDB4.0.11下载安装教程及相关配置

目录一、下载安装二、相关配置三、本地服务配置四、另附操作MongoDB数据库链接一、下载安装1. （1）百度网盘备份两个版本：4.0.11；4.0.5，还有访问工具：Robo 3T，链接jar包等。链接地址：https://pan.baidu.com/s/1X-sSA27M7tuM075rMiHKjA，提取码：tzo1（2）也可进入官网下载：https://www....

2021-12-16 15:36:04    互联网    1111    分类：开发环境    专栏：下载安装   

---

数据挖掘--风电机组异常数据识别与清洗

一、赛题背景（一）背景风能是一种环境友好且经济实用的可再生能源。中国是世界排名第一的风力发电国家、新装风力发电设备装机容量最大的国家，并且保持快速增长。由于风力发电正处于飞速发展阶段，风电场数量和规模不断扩大，然而受地理条件和环境因素限制，风电场多位于偏僻遥远的平原、山区或海上，因此为风电公司引入SCADA系统（数据采集与监视控制系统）对风电场群的日常运行进行集中监控、调度和管理，但风电机组受设备、环境、运行状态等因素影响，SCADA系统实时采集的风机运行数据会存在有大量异常值和缺失值，这些“脏数据”的

2021-12-19 01:00:15    互联网    1263    分类：算法开发    专栏：风电机组   

---

异常检测——ABOD（angle-based outlier detection）

论文：Angle-Based Outlier Detection in High-dimensional Data，kdd2008问题高维度情况下，距离同质化。基础：1、在高维空间中角度比距离更稳定[1]2、如果其他大部分的点都在相似的方向上，那么点O是个离群点3、如果许多其他的点在不同的方向上，那么点O不是离群点。方法对于一个给定的点P，它与任意其他点x，y之间的角度构成一个...

2021-12-19 14:55:27    互联网    954    分类：论文速递    专栏：工业异常检测   

---

异常分析介绍-《Outlier Analysis 2nd Edition》

异常值是与其余数据存在显然不同的数据点。 霍金斯定义异常值如下： <br> “异常值是一个与其他观察结果有很大差异的观察结果，以此引起人们怀疑它是由不同的机制产生的”。 <br> 在数据挖掘和统计学文献中，异常值也被称为abnormalities、discordants、deviants或anomalies。 在大多数应用中，数据是由一个或多个生成过程创建的，这些生成过程既可以反映系统中的活动，也可以反映收集的有关实体的观察结果。当生成过程表现异常时，会导致创建异常值。 因此，异常经常包含有关系统和实体影响数据生成过程的异常特征的有用信息。 对这些不寻常的特性的认识提供了有用的应用特定见解。 一些例子如下：

2021-12-21 11:00:12    互联网    424    分类：算法开发    专栏：工业异常检测   

---

异常分析-数据模型就是一切《Outlier Analysis 2nd Edition》

几乎所有异常值检测算法都会建立数据中正常模式的模型，然后根据这些模式的偏差计算给定数据点的异常值。 例如，该数据模型可以是生成模型，例如高斯混合模型，基于回归的模型或基于邻近的模型。 所有这些模型对数据的“正常”行为做出不同的假设。 然后通过评估数据点与模型之间的拟合质量来计算数据点的离群值分数。 在很多情况下，模型可能是算法定义的。 例如，基于最近邻的离群值检测算法根据其最近邻距离的分布对数据点

2021-12-21 11:00:33    互联网    401    分类：算法开发    专栏：工业异常检测   

---