先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新Golang全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Go语言开发知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024b （备注go）

正文

Python–>JAVA

用途：工作用途，不同语言工程师之间的合作，更加方便。

import numpy as np
import plotly.express as px

def thresholding_algo(y, lag, threshold):
“”"
:param y: 输入列表
:param lag: 滑动窗口大小
:param threshold: 调节系数，用于调节容忍范围的大小。
:return:
“”"

signals：信号列表

signals = np.zeros(len(y))
avgFilter = np.zeros(len(y))

初始化平均值列表、差值列表

avgFilter[lag - 1] = np.mean(y[0:lag])
dif_li = [0] * len(y)

for i in range(lag, len(y)):
if i < len(y) - lag - 30:
for j in range(i + 11, len(y)):
if y[j] >= y[i - 1]:
break
if j >= len(y) - 30:
back = y[i - 1]
else:
back = np.mean(y[j + 11:j + 20 + lag])
else:
back = y[i - 1]

前后均值差值计算

tmp = abs(back - avgFilter[i - 1])
dif = (tmp if tmp > 1 else 1)

if abs(y[i] - avgFilter[i - 1]) > dif * threshold:
signals[i] = (1 if y[i] > avgFilter[i - 1] else -1)
avgFilter[i] = np.mean(y[(i - lag):i])
y[i] = avgFilter[i - 1]
else:
signals[i] = 0
avgFilter[i] = np.mean(y[(i - lag):i])

dif_li[i] = dif

return dict(signals=np.asarray(signals),
avgFilter=np.asarray(avgFilter),
y=np.asarray(y),
dif=np.asarray(dif_li),
)

public static Map<String, double[]> thresholding_algo(double[] y, int lag, double threshold) {

double[] signals = new double[y.length];
double[] avgFilter = new double[y.length];
Arrays.fill(avgFilter, 0.0);

avgFilter[lag - 1] = mean(Arrays.copyOfRange(y, 0, lag));
double[] dif_li = new double[y.length];
Arrays.fill(dif_li, 0.0);

for (int i = lag; i < y.length; i++) {
int j;
if (i < y.length - lag - 30) {
for (j = i + 11; j < y.length; j++) {
if (y[j] >= y[i - 1]) {
break;
}
}
double back;
if (j >= y.length - 30) {
back = y[i - 1];
} else {
back = mean(Arrays.copyOfRange(y, j + 11, j + 20 + lag));
}
} else {
back = y[i - 1];
}

double tmp = Math.abs(back - avgFilter[i - 1]);
double dif = tmp > 1 ? tmp : 1;

if (Math.abs(y[i] - avgFilter[i - 1]) > dif * threshold) {
signals[i] = y[i] > avgFilter[i - 1] ? 1 : -1;
avgFilter[i] = mean(Arrays.copyOfRange(y, i - lag, i));
y[i] = avgFilter[i - 1];
} else {
signals[i] = 0;
avgFilter[i] = mean(Arrays.copyOfRange(y, i - lag, i));
}

dif_li[i] = dif;
}

Map<String, double[]> result = new HashMap<>();
result.put(“signals”, signals);
result.put(“avgFilter”, avgFilter);
result.put(“y”, y);
result.put(“dif”, dif_li);

return result;
}

private static double mean(double[] array) {
double sum = 0.0;
for (double d : array) {
sum += d;
}
return sum / array.length;
}

4. 代码解释

用途：当我们来到一家新的公司，发现前任工程师留下了一摊谁都看不懂的代码，这时候，如果有个人能帮我们解释一下这些代码是什么意思，那简直不要太开心。

def Fusion_algorithm(y_list):
“”"
最终的融合算法
1、第一次遍历列表: 处理掉小于上一个值的点，使其等于上一个值。
2、第二次使用z-score来处理异常点：一种基于统计方法的时序异常检测算法借鉴了一些经典的统计方法，比如Z-score和移动平均线
该算法将时间序列中的每个数据点都看作是来自一个正态分布，通过计算每个数据点与其临接数据点的平均值和标准差，可以获得Z-score
并将其用于检测异常值，将z-score大于3的数据点视为异常值，缺点：如果异常点太多，则该算法的准确性较差。
3、
:param y_list: 传入需要处理的时间序列
:return:
“”"

第一次处理

for i in range(1, len(y_list)):
difference = y_list[i] - y_list[i - 1]
if difference <= 0:
y_list[i] = y_list[i - 1]

基于突变检测的方法：如果一个数据点的值与前一个数据点的值之间的差异超过某个阈值，

则该数据点可能是一个突变的异常点。这种方法需要使用一些突变检测算法，如Z-score突变检测、CUSUM（Cumulative Sum）

else:

if abs(difference) > 2 * np.mean(y_list[:i]):

y_list[i] = y_list[i - 1]

第二次处理

计算每个点的移动平均值和标准差

ma = np.mean(y_list)

std = np.std(np.array(y_list))

std = np.std(y_list)

计算Z-score

z_score = [(x - ma) / std for x in y_list]

检测异常值

for i in range(len(y_list)):

如果z-score大于3，则为异常点，去除

if z_score[i] > 3:
print(y_list[i])
y_list[i] = y_list[i - 1]

return y_list

备注：上一个代码解释，我们可以看到，答案或许受到了代码中注释的影响，我们删掉注释，再来一次。对于解释中一些不懂的点，我们可以连续追问！

import numpy as np
from sklearn.ensemble import IsolationForest
import plotly.express as px
import matplotlib.pyplot as plt
from sklearn.cluster import KMeans
import json

def Fusion_algorithm(y_list):
for i in range(1, len(y_list)):
difference = y_list[i] - y_list[i - 1]
if difference <= 0:
y_list[i] = y_list[i - 1]

else:

if abs(difference) > 2 * np.mean(y_list[:i]):

y_list[i] = y_list[i - 1]

ma = np.mean(y_list)
std = np.std(y_list)
z_score = [(x - ma) / std for x in y_list]
for i in range(len(y_list)):
if z_score[i] > 3:
print(y_list[i])
y_list[i] = y_list[i - 1]

return y_list

5. 修复代码错误

用途：写完一段代码后发现有错误？让 ChatGPT 来帮你！

Buggy Python

import Random
a = random.randint(1,12)
b = random.randint(1,12)
for i in range(10):
question = "What is “+a+” x “+b+”? "
answer = input(question)
if answer = a*b
print (Well done!)
else:
print(“No.”)

6. 作为百科全书

用途：ChatGPT 可以解释你所有的问题！但是列出小说这个功能有些拉胯，经过测试只有科幻小说列得还可以，其他类型不太行，可能 ChatGPT 训练工程师是个科幻迷！

7. 信息提取

用途：作为自然语言处理界的大模型，怎么能少得了信息提取呢？

8. 好友聊天

用途：输入对方性格模拟聊天，这方面功能不太完善，可能有新鲜玩法我还没有挖掘出来。

9. 创意生成器

用途：是不是常常会在创新上遇到思维瓶颈不知道怎么做？不要担心，让 ChatGPT 帮你生成创意！

VR 和密室结合

再结合 AR

10. 采访问题

用途：可能您是一个媒体工作者，采访问题不知道怎么写？ChatGPT 可以帮您解决。

采访问题清单

采访问题清单并给出相应答案

11. 论文大纲

用途：这个功能对于研究生简直不要太爽了，一直在郁闷大纲怎么写，直接列出来大纲简直帮了我天大的忙！对于大纲中不理解的点，直接要求 ChatGPT 给出进一步解释。代码也可以有！哪一章的内容不太会写，直接让 ChatGPT 安排，这样，一篇论文很快就写出来啦！

创建论文大纲

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip1024b （备注Go）

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
以有！哪一章的内容不太会写，直接让 ChatGPT 安排，这样，一篇论文很快就写出来啦！

创建论文大纲

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip1024b （备注Go）
[外链图片转存中…(img-xvSlyRAh-1713552389796)]

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！