- 综合排序
- 最热优先
- 最新优先
- 来自专栏好好学习
【UML建模】（2） UML建模之用例图
用例图主要用来描述软件的使用者是谁，软件提供哪些功能，它用来表示一个系统中用例与参与者及其关系的图，主要用于需求分析阶段
1.5K11编辑于 2022-03-31 - 来自专栏PaddlePaddle
GITCHAT系列2：个性化推荐
本次Chat的主题是个性化推荐。在系列教程个性化推荐一文中，我们介绍了推荐系统的背景和经典模型，并以电影推荐为例，使用MovieLens数据集和 PaddlePaddle训练了一个神经网络模型。 候选生成网络将推荐问题建模为一个类别数极大的多类分类问题（如下图所示），它首先将用户的历史信息（如观看历史、搜索历史）和其他特征拼接成向量，输入给非线形多层感知器（MLP）。 所以，基于聊天机器人的个性化服务是未来的趋势。 Bot的开发非常简单，我们借助Telegram来完成这个任务。 由于Bot是面向API的，我们可以开发某个Workflow（比如IFTTT）完成一系列的任务，有人为其创造了一个新名词，叫“r2r - robots 2 robots”。 2. 接入PaddlePaddle预测文件 变量MODEL_PATH是模型评估.
1.6K90发布于 2018-03-15 - 来自专栏数据派THU
独家 | 一文读懂LinkedIn个性化推荐模型及建模原理
，并解释建模原理以及如何通过Photon-ML来实现，使其能够惠及数亿用户。 本质上它们都是统计模型，需要克服序列决策过程、高维数据的交互建模，开发可伸缩的统计方法等诸多困难。 在本文中，我们将重点关注个性化推荐模型，并解释建模原理以及如何通过Photon–ML来实现，使其惠及数亿用户。 Photon-ML的个性化模型构建 LinkedIn通过应用Photon-ML，显著提升了许多产品的用户参与度和业务指标。下面举例说明如何使用广义可加混合效应模型（GAME）进行个性化的工作推荐。 对于一个在过去申请很多职位的用户，我们能够准确地估计他/她的个人系数向量αm并提供个性化的预测。
1.5K100发布于 2018-01-30 - 来自专栏韩锋频道
数据建模1,2,3
2. 维度建模 1).基本概念 在建模过程中，涉及到很多概念。下面通过一个场景来，来说明它们。例如：常见的电商下单环节，每个用户提交一笔订单（仅限一个物品），就对应于一条订单记录。 【业务过程】：下订单 【粒度】：每笔订单（拆分为单个物品） 【维度】：地域、年龄、渠道等（可供分析的角度） 【事实/度量】：订单金额等（可用于分析的数据） 2).建模步骤 收集业务需求与数据实现 在开始维度建模工作之前 3).建模规范 以维度建模为理论基础，定义一系列术语来描述建模对象。下图摘自于《阿里巴巴大数据实践之路》。 ? 数据域 指面向业务分析，将业务过程或者维度进行抽象的集合。 设计要点 1).维度表设计 维度是维度建模的基础和灵魂。在维度建模中，将度量称为"事实"，将环境描述为"维度"，维度是用于分析事实所需要的多样环境。维度所包含的表示维度的列，称为维度属性。 2).事实表设计 事实表作为数据仓库维度建模的核心，紧紧围绕着业务过程来设计，通过获取描述业务过程的度量来表达业务过程，包含了引用的维度和与业务过程有关的度量。
1.6K51发布于 2019-06-06 - 来自专栏学习成长指南
数学建模Python必知必会（2）
我们一般选择自己熟悉的这个方法就可以了，不然如果一个方法在不同的模块里面的这个名字是一样的，这个时候你有同时导入多个模块，这个时候就会冲突；关于第三方库的说明：内置模块直接导入，第三方库，需要使用这个pip包管理器进行这个库的安装；2.
24310编辑于 2025-03-22 - 来自专栏OpenFPGA
数字硬件建模SystemVerilog-组合逻辑建模（2）always和always_comb
使用通用always程序建模 最佳实践指南7-4 使用RTL专用的always_comb程序对组合逻辑进行建模。不要在RTL模型中使用通用的always程序。 虽然不推荐always程序用于RTL建模，但本文中讨论了如何正确使用通用always程序对组合逻辑进行建模，因为这种通用程序在传统的Verilog模型中很常见。 组合逻辑敏感列表。 首先，综合编译器对组合逻辑建模施加了一些限制。使用@ * 可以推断出一个敏感度列表，但不强制执行用于组合逻辑建模的其他综合规则。@ * 的第二个问题是没有推断出完整的敏感度列表。 最常见的两种情况是： 1.决策语句分配给每个分支中的不同变量，如下面的代码段所示， 2.决策语句不会对决策表达式的每个可能值执行分支。下面的代码片段说明了这个问题。 但是，如果操作码输入的值应为2’b11，则本例不会对result变量进行任何赋值。
3.9K10编辑于 2023-02-14 - 来自专栏Spark学习技巧
第2篇：数据库关系建模
第二篇：数据库关系建模 前言 ER建模环节完成后，需求就被描述成了ER图。之后，便可根据这个ER图设计相应的关系表了。 但从ER图到具体关系表的建立还需要经过两个步骤：1. 逻辑模型设计 2. 2. 列(column) 列就是字面意义上表的列。但是它也有时被称作属性，或者域。 3. 行(row) 行就是字面意义上表的行。但是它也有时被称作元祖，或者记录。 4. 2. 将具有复合属性的实体映射为关系 这类映射中，复合属性的各子属性会映射到的新的关系中，但是复合属性名本身不会。 如下实体： ? 将映射为关系： ? 我们首先可以认为概念模型建模和ER建模，需求可视化表达的是一个意思。在这个环节中，数据开发人员绘制ER图，并和项目各方人员协同需求，达成一致。 这个映射的过程，就叫做逻辑模型建模或者关系建模。 有人会说，ER图不是可以直接映射到关系吗，而且已经有了相应的映射工具了，为什么还要绘制ER图多此一举呢？针对这个问题前文已经回答了。
2.3K61发布于 2018-03-20 - 来自专栏往期博文
数学建模暑期集训2：模糊综合评价
在上篇内容中，记录了模糊数学的一些基础知识，本篇将运用部分知识来构建模糊综合评价。 文章目录 1.隶属函数的三种确定方法 1.1模糊统计法 1.2借助已有的客观尺度 1.3指派法 2.模糊综合评价 2.1一级模糊评价模型 2.2多级模糊评价模型 3.总结 1.隶属函数的三种确定方法 1.1 1.3指派法 最常用梯形分布： 2.模糊综合评价 主要确定因素集、评语集、权重集。 本身不难理解，通过例子即可体悟。 例2：通过指派法来确定模糊综合评价矩阵 2.2多级模糊评价模型 多级模糊评价，和单级大同小异。 例子： 3.总结 模糊综合评价比较简单，不需要通过编程计算。
1.1K30编辑于 2022-06-14 - 来自专栏软件方法
建模答题赛第2赛季第10轮（纠正某些书上的建模错误）
[改错题]很多书中的建模示例都存在问题。请根据《软件方法（上）》第2版的知识，指出以下材料存在的问题。 ? 摘自 Python Projects，Laura Cassell，John Wiley & Sons，2015 要求指出 （1）错误 （2）所用参考知识在《软件方法（上）》第2版中的页码。 （2）不同的人指出相同的错误，该错误的得分者归属回答时间最早而且本题结算后为正分的人。 举例：张三先指出A、B、C、D共4个错误，其中只有A是恰当的。李四紧随其后面指出了A。 2 城市：济南，单位：LXB Mingchu 1 城市：墨尔本 yuyjx 1 城市：沈阳，单位：DR 晚安月亮 1 城市：济南，单位：LXB
63920发布于 2019-10-08 - 来自专栏锦小年的博客
通过github搭建个人博客2-博客个性化设置
本节主要介绍如何个性化定制自己的blog，主要涉及到主题的安装以及设置，插入图片技巧，以及首页显示摘要等。 再次声明，本文中的所有操作都是基于windows操作系统，具体版本为win10 64位。 主题的安装以及配置 hexo框架可以选用多种主题渲染，主题主页为：https://hexo.io/themes/ ， 用户可以在该网站下载任意主题并进行个性化配置。 （2）启用主题：修改blog目录下的_config.yml 文件中的theme值改为next # Extensions ## Plugins: https://hexo.io/plugins/ ## Themes qq_32454537/article/details/79482896 或者 https://blog.csdn.net/qq_33699981/article/details/72716951 2. （2）修改博客目录下的_config.yml文件， ? 也就是去掉前面的日期，这样渲染的过程中不会自动产生日期目录，文档目录为： ?
80840发布于 2019-05-26 - 来自专栏软件方法
《软件方法》随想（2）业务建模之愿景
业务建模之愿景 关于《软件方法》，愿景一章，做了以上的知识框架梳理。 这里面愿景，就是目标组织代表（老大），在引进系统之后希望带来的改进。
37020编辑于 2022-10-31 - 来自专栏云深之无迹
使用Python进行数学建模(语言基础2)
索引可以得到单个字符，而 切片 可以获取子字符串: >>> >>> word[0:2] # characters from position 0 (included) to 2 (excluded)'Py ' >>> word[2:5] # characters from position 2 (included) to 5 (excluded)'tho' 注意切片的开始总是被包括在结果中，而结束不被包括 这使得 s[:i] + s[i:] 总是等于 s >>> >>> word[:2] + word[2:]'Python' >>> word[:4] + word[4:]'Python' 切片的索引有默认值 ；省略开始索引时默认为0，省略结束索引时默认为到字符串的结束: >>> >>> word[:2] # character from the beginning to position 2 (excluded 例如， word[1:3] 的长度为2。
1.6K40编辑于 2022-11-29 - 来自专栏软件方法
《软件方法》强化自测题-业务建模（2）
按照业务建模、需求、分析、设计工作流考查。 答案不直接给出，可访问每套题后面给出的自测链接或扫二维码自测，做到全对才能知道答案。 （2） 1 [ 单选题 ]针对最近新闻报道中“大熊猫玩菜刀”的新闻，如果动物园决定引入IT系统，监控并辨别大熊猫的危险行为，一旦判断出有类似“玩菜刀”之类的行为，就向动物园熊猫馆管理员报警。 以下说法正确的是： A) 业务建模时，研究对象应该定为熊猫馆 B) 业务建模时，研究对象应该定为大熊猫 C) 业务建模时，如果大熊猫是一只，研究对象应该定为大熊猫，如果大熊猫是多只，研究对象应该定为熊猫馆管理员 D) 业务建模时，研究对象应该定为熊猫馆管理员 2 [ 单选题 ]以下可以作为“老大”的是： A) 居住在美国纽约法拉盛的中国公众人物罗玉凤 B) 世界五百强之一的零售商家乐福公司售货员 C) paperId=2TNJIV
99420编辑于 2022-04-09 - 来自专栏Python与算法之美
2个范例带你读懂高阶API建模方法
使用Keras接口有以下3种方式构建模型：使用Sequential按层顺序构建模型，使用函数式API构建任意结构模型，继承Model基类构建自定义模型。 此处分别演示使用Sequential按层顺序构建模型以及继承Model基类构建自定义模型。 = plt.subplot(122) ax2.scatter(X[:,1],Y[:,0], c = "g") plt.xlabel("x2") plt.ylabel("y",rotation = 0) =(2,))) model.summary() ? ,1].numpy(),c = "g") ax2.legend(["positive","negative"]); ax2.set_title("y_pred"); ?
71820发布于 2020-07-20 课前准备--蛋白建模AlphaFold 2与AlphaFold 3
我们先来看看AlphaFold 2可以把 AlphaFold 2（AF2） 理解成蛋白质结构预测领域一个非常重要的分水岭。 例如：MKTIIALSYIFCLVFADYKDDDDK...AlphaFold 2希望得到：Residue 1 → x1,y1,z1Residue 2 → x2,y2,z2Residue 3 → 假设直接预测：Cα1 = (x1,y1,z1)Cα2 = (x2,y2,z2)...存在一个问题：如果把整个蛋白旋转：旋转前： protein ↓旋转后： / /蛋白质本身没有变化 三十七、AlphaFold 2和传统同源建模有什么区别？ nucleotidesRNA → nucleotidesLigand → arbitrary chemical graphIon → atomAF3的一个重要思想就是：把不同类型的生物分子放到统一的结构建模框架中
21610编辑于 2026-08-232H-TaS2 过渡金属插层超晶格相图建模
使用抗磁离子Zn2+和Sc3+作为磁性离子的代理，揭示了√3×√3有序在远宽于传统预期的范围内占主导——即使在x=1/4处，√3×√3畴也优于2×2。Raman光谱实验证实了2×2有序的脆弱性。 2H-TaS2是最具代表性的插层主体材料之一，当1/4和1/3的八面体间隙位被占据时（对应体相组成2H-M0.25TaS2和2H-M0.33TaS2），插层离子可形成2×2和√3×√3超晶格，展现出截然不同的磁学性质 STEM显示2H-Cr0.25TaS2中存在2×2有序畴（数百纳米）与少量√3×√3区域共存，而单晶XRD仅显示2×2有序。这表明需要有限温度下的热力学相图理论来指导实验。 结构参数：(a)2H-TaS2、2H-Zn0.5TaS2和2H-Sc0.5TaS2双层结构参数；(b)三角畸变对晶体场分裂的影响；(c)Zn2+和Sc3+的预期d轨道电子排布四、插层驱动的电子效应4.1 短程排斥+构型熵→√3×√3有序的广泛存在④实验启示：为靶向特定超晶格相提供材料选择和热处理的指导局限性与未来方向①成对模型对高价态离子（Sc3+）精度有限→需团簇展开②刚性晶格近似→需考虑面外弹性效应③仅建模了抗磁代理离子
18610编辑于 2026-07-04Sitecore个性化 - 什么是历史个性化？
顾名思义，Sitecore中的历史个性化允许您根据访问者过去在您网站上的行为来设置个性化规则。 许多组织选择Sitecore 作为其高级个性化功能的网站平台 - 历史个性化只是一种方法。 查看我们关于Sitecore个性化的文章- 基础知识 历史个性化如何运作？ 想象一下，你是一家白色家电制造商或零售商。 您计划在过去六个月内通过特别优惠向所有购买新洗衣机的客户发送电子邮件。 这是历史个性化。 个性化需要发挥人们的情感，让他们对自己和品牌感觉良好。 为什么历史个性化很重要？ 通过为现有客户推出数字红地毯，为他们提供个性化的产品，服务和体验，您可以推动销售和交叉销售机会，并将他们变成生活的拥护者 - 从而推动新客户您。 如何在Sitecore中设置历史个性化？ 使用Sitecore访客概要分析 访问者分析是开始使用Sitecore强大的个性化功能的简单方法。 通过创建访问者个人资料，您可以根据他们的兴趣，当然还有他们的历史记录，为访问者提供内容。
39200编辑于 2025-04-05- 来自专栏算法工程师的学习日志
Simulink建模与仿真（2）-基本一些概念
分享一个系列，关于Simulink建模与仿真，尽量整理成体系 1、计算机仿真 计算机仿真是在研究系统过程中根据相似原理，利用计算机来逼真模拟研究对象。研究对象可以是实际的系统，也可以是设想中的系统。 (2) 模型描述，用来建立计算机仿真模型。 (3) 仿真实验的执行和控制。 (4) 仿真数据的显示、记录和分析。 (2) 仿真语言：仿真语言多属于面向专门问题的高级语言，它是针对仿真问题，在高级语言的基础上研制的。 (3) 数学建模：根据系统的先验知识、实验数据及其机理研究，按照物理原理或者采取系统辨识的方法，确定模型的类型、结构及参数。注意要确保模型的有效性和经济性。 (4) 仿真建模：根据数学模型的形式、计算机类型、采用的高级语言或其它仿真工具，将数学模型转换成能在计算机上运行的程序或其他模型，也即获得系统的仿真模型。
87930编辑于 2023-09-05 - 来自专栏Python与算法之美
2个范例带你读懂中阶API建模方法
本文全部内容及其源码公布在github项目eat_tensorflow2_in_30_days项中的"3-2, 中阶API示范"章节，在公众号后台回复关键字："tf", 获取项目github仓库链接。 = plt.subplot(122) ax2.scatter(X[:,1],Y[:,0], c = "g") plt.xlabel("x2") plt.ylabel("y",rotation = 0) = plt.subplot(122) ax2.scatter(X[:,1],Y[:,0], c = "g",label = "samples") ax2.plot(X[:,1],w[1]*X[:,1]+ b[0],"-r",linewidth = 5.0,label = "model") ax2.legend() plt.xlabel("x2") plt.ylabel("y",rotation = 0) ,1].numpy(),c = "g") ax2.legend(["positive","negative"]); ax2.set_title("y_pred"); ?
58210发布于 2020-07-20 - 来自专栏Python与算法之美
2个范例带你读懂TensorFlow2低阶API构建模型方法
= plt.subplot(122) ax2.scatter(X[:,1],Y[:,0], c = "g") plt.xlabel("x2") plt.ylabel("y",rotation = 0) = plt.subplot(122) ax2.scatter(X[:,1],Y[:,0], c = "g",label = "samples") ax2.plot(X[:,1],w[1]*X[:,1]+ b[0],"-r",linewidth = 5.0,label = "model") ax2.legend() plt.xlabel("x2") plt.ylabel("y",rotation = 0) scatter(Xp_pred[:,0],Xp_pred[:,1],c = "r") ax2.scatter(Xn_pred[:,0],Xn_pred[:,1],c = "g") ax2.legend( ["positive","negative"]); ax2.set_title("y_pred"); ?
1.6K20发布于 2020-07-20
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号