暂时未有相关云产品技术能力~
暂无个人介绍
本文分享几款hive可视化工具,然后区分一下Hue和Kibana,区分一下Logstash和kafka
解析pdf图片格式的表格到excel表格,原理是把pdf转换成图片,根据直方图定位表格单元格线条位置,按照单元格切分原始pdf,按顺序ocr单元格内容,最终拼接成完整excel
Hive UDF开发流程到调用
python调用spark示例
python调用华为数据库api进行云数据库访问示例
pytorch的lstm掩码实现
keras的bert两种模型实例化方式,两种分词方式,两种序列填充方式
python翻译
python爬虫示例,获取主页面链接,次级页面链接通过主页面元素获取从而避免js生成变动的值,保存数据分批次避免数据丢失
使用bert+lstm+crf做实体识别经验总结
人工智能大模型在工业网络安全领域的发展与应用前景
Bandit算法,UCB算法与β分布的关系,以及强化学习策略选择随机性研究
介绍Q-Learning和两种常见的强化学习算法原理
python转c语言流程整理
记录整理一款基于地图的微信小程序开发过程,主要涉及标注点展示,可视范围内标注点动态更新,标注点自定义气泡,气泡点击及气泡内容实时更新
介绍一种KS指标,可以用于确定机器学习阈值
python画雷达图更换自定义字体,然后把图片发邮件,解决画图字体不显示或者想自定义字体,发邮件使用两种方式,实现发送图片作为邮件正文的效果
pycharm链接远程服务器,绘图问题总结
使用的orTools的约束规划与线性规划解决相同问题的代码api差异对比
Spark重要参数详解
kafka关键原理及python调用kafka示例
基于分布式平台的机器学习模型训练以及上线部署方案总结
深度学习模型保存与可视化
pytorch读书比较关键点
神经网络核心原理关键点纪要
特征选择:回归,二分类,多分类特征选择有这么多差异需要注意
机器学习面试重点
深度学习入门精华笔记整理
kmeans聚类质心个数选取的10种方式
Kmeans聚类算法效果评价方式
xgboost和lightgbm可视化方式及可解释方式
本文举例了如何使用hyperopt对机器学习参数进行调整
整理总结对比了7种机器学习离散特征编码方式的优缺点
本文介绍了四种常见的物理量:加速度,速度,位移和力学功。详细介绍了它们的定义、计算以及在物理学和工程学领域中的应用。此外,本文还介绍了四种与物理量相关的概念:向量、标量、质量和密度。 数学,物理,机器学习领域常见概念区分
本文基于PID算法讲述了PID详细计算过程,给出python代码示例
常用网络安全数据集来源
PMML模型文件可以实现跨平台迁移,python和java都可以生成PMML文件,python和java都可以读取PMML文件
本文介绍了两款可视化JSON数据的工具:JSON Viewer Pro和JSONGrid。它们都提供了丰富的功能和用户友好的界面,使用户能够更轻松地理解和处理JSON格式的数据。这些功能包括查看和分析、编辑和修改、格式化和美化、折叠和展开、高亮和搜索、排序和过滤、导入和导出等。这些工具对于开发人员、数据分析师和任何需要处理JSON的人都非常实用。
本文介绍了一种基于装卸车事件识别的方案,主要任务是基于车辆内部体积检测传感器上传的时序数据,经过数据处理模块、状态提取模块、事件识别模块、决策模块等模块,对装卸车事件进行识别,并提供详细的事件信息。
本文讨论了实体分割和物品追踪在物流行业的应用。物品追踪系统可实现物品在转场过程中的实时追踪,从而提高物流效率,减少误差和损失。实体分割技术可以将快递包裹中的不同物品进行分割和识别,从而使其更易于管理和追踪。文章还探讨了实体分割和物品追踪技术在不同物流场景中的应用,并讨论了相关技术的优缺点以及未来的发展方向。
本文介绍了一个可视化工具,可以通过界面增删指标并快速选择指标类型,实现快速指标更改增删,将原本1小时的工作量缩减到1分钟,提高开发效率。同时,工具可以保存配置信息快照,方便复用,并且不依赖于第三方编程语言的运行环境,降低了用户使用难度。主界面包括表的基本信息、执行按钮、代码显示窗口和表配置标签,支持一次性生成多个不同表的代码。
本文介绍了如何将大数据集划分成若干子集,并对每个子集进行聚类分析。为了确保聚类结果的准确性,需要保证每个子集的数据分布相似。文章提出了一种称为“K-均值距离法”的聚类算法,能够有效地解决数据分布不均匀的问题。本篇文章主要介绍了如何将大数据集划分成若干子集,并对每个子集进行聚类分析。在进行子集划分时,需要保证每个子集的数据分布相似,以保证聚类结果的准确性。文章介绍了一种称为“K-均值距离法”的聚类算法,可以有效地解决数据分布不均匀的问题。
本文介绍了深度强化学习需要一个价值网络和一个目标网络,通过两个网络之间延迟更新参数产生的误差损失来减小损失函数。通过对比网络之间的差异性,将其用于动作价值函数的更新,使得深度强化学习的模型性能得到提升。此外,作者提出了一个分布式深度强化学习算法,将其应用于资源调度场景,取得了较好的效果。