- 综合排序
- 最热优先
- 最新优先
- 来自专栏往期博文
数学建模暑期集训9：灰色关联分析
本专栏第23篇数学建模学习笔记（二十三）灰色关联分析记录了灰色关联分析的一些基本知识。本篇内容对数学原理不作赘述，对matlab程序进行一定的补充。 score / sum(score); % 归一化后的得分 [sorted_S,index] = sort(stand_S ,'descend') % 进行排序 里面有些相关自定义函数可参见 数学建模暑期集训
69530编辑于 2022-06-14 - 来自专栏往期博文
数学建模番外篇9：Pyecharts绘图整理
Echarts是百度开源的比较强大的绘图工具，但其是用Js来操控的，使用案例大全： https://echarts.apache.org/examples/zh/index.html#chart-type-custom 有人在此基础上进行二次开发，衍生出pycharts，本篇将记录一些pyecharts中的一些个人认为比较精彩的图表。 pyecharts中文文档：https://pyecharts.org/#/zh-cn/intro pyecharts案例大全：https://gallery.pyecharts.org/#/Bar/stack_bar_percent 下面的图表截取了左侧目录项，查阅时只需修改案例大全最后一段url。
1K10编辑于 2022-06-14 - 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paddle深度学习
paddle深度学习9 搭建模型nn.Layer
本节将介绍如何使用 Paddle 内置的 Layer 搭建模型。
48910编辑于 2025-01-15 - 来自专栏钱塘大数据
【盘点】数据挖掘与数据建模的9条定律
这种映射也基于数据知识和数据挖掘知识）； 数据理解使用业务知识理解与业务问题相关的数据，以及它们是如何相关的； 数据预处理就是利用业务知识来塑造数据，使得业务问题可以被提出和解答（更详尽的第三条—准备律）； 建模是使用数据挖掘算法创建预测模型 准确性是指正确的预测结果所占的比例；稳定性是指当创建模型的数据改变时，用于同一口径的预测数据，其预测结果变化有多大（或多小）。
62770发布于 2018-03-02 - 来自专栏软件方法
UMLChina建模竞赛第3赛季第9轮：人猪心脏
[多选]以下UML建模工具在2022年1-6月间有新版本发布的有： A) IBM Engineering Systems Design Rhapsody B) StarUML C) Software Ideas Modeler D) Astah Professional ---- UMLChina建模答题赛第3赛季当前排行榜 （第4轮答题抽奖建模结算：刘京城 2，第五元素 1.8，Alan 1.2） 龙龙 南京，单位：HJ 刘京城 3 城市：深圳，单位：CY 第五元素 1.8 城市：昆明，单位：CH 索路 1 左耳东 1 城市：深圳，单位：JT -------------------- UMLChina建模答题赛第 城市：济南，单位：LXB 巧克力趣多多 1 城市：南宁，单位：IBM xieh 1 城市：北京，单位：TT -------------------- UMLChina建模答题赛第 1 城市：深圳，单位：ZX 木子 1 城市：石家庄，单位：HY Mingchu 1 城市：墨尔本 [新增EA028高压注射器]24套UML+EA和StarUML的建模示范视频
80620编辑于 2022-10-31 - 来自专栏PPV课数据科学社区
【学习】数据挖掘与数据建模的9个经验之谈
这种映射也基于数据知识和数据挖掘知识）； · 数据理解使用业务知识理解与业务问题相关的数据，以及它们是如何相关的； · 数据预处理就是利用业务知识来塑造数据，使得业务问题可以被提出和解答（更详尽的第三条—准备律）； · 建模是使用数据挖掘算法创建预测模型 准确性是指正确的预测结果所占的比例；稳定性是指当创建模型的数据改变时，用于同一口径的预测数据，其预测结果变化有多大（或多小）。
810110发布于 2018-04-19 - 来自专栏前端达人
9种日常JavaScript编程中经常使用的对象创建模式
作者 | 汤姆大叔 介绍 今天这篇文章主要是跟大家分享9种日常JavaScript编程中经常使用的对象创建模式，利用各种技巧可以极大地避免了错误或者可以编写出非常精简的代码。希望对你有所帮助。 模式9：静态成员 静态成员（Static Members）只是一个函数或对象提供的静态属性，可分为私有的和公有的，就像C#或Java里的public static和private static一样。 总结 以上就是今天介绍的9种对象创建模式，是我们在日常JavaScript编程中经常使用的对象创建模式，不同的场景起到了不同的作用，希望大家根据各自的需求选择适用的模式。
1K20发布于 2021-04-01 Sitecore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- 来自专栏小七的各种胡思乱想
Bert不完全手册9. 长文本建模 BigBird & Longformer & Reformer & Performer
这一章我们看下如何通过优化attention的计算方式，降低内存/计算复杂度，实现长文本建模。 Contextgithub：https://github.com/kimiyoung/transformer-xlTake Away: 相对位置编码 + 片段递归机制图片为了突破Transformer对固定长度建模的限制 同时**片段递归和以下4种Transformer优化方案是正交的关系**，可以在以下的四种方案中叠加使用片段递归去优化长文本建模Longformerpaper: Longformer: The Long-Document
2.6K40编辑于 2022-10-08 - 来自专栏CDA数据分析师
数据挖掘与数据建模的9大定律（深度长文 收藏细读！）
这种映射也基于数据知识和数据挖掘知识）； 数据理解使用业务知识理解与业务问题相关的数据，以及它们是如何相关的； 数据预处理就是利用业务知识来塑造数据，使得业务问题可以被提出和解答（更详尽的第三条—准备律）； 建模是使用数据挖掘算法创建预测模型 准确性是指正确的预测结果所占的比例；稳定性是指当创建模型的数据改变时，用于同一口径的预测数据，其预测结果变化有多大（或多小）。 9 变化律：所有的模式因业务变化而变化。 数据挖掘发现的模式不是永远不变的。数据挖掘的许多应用是众所周知的，但是这个性质的普遍性没有得到广泛的重视。
1.9K50发布于 2018-02-11 - 来自专栏小七的各种胡思乱想
Bert不完全手册9. 长文本建模 BigBird & Longformer & Reformer & Performer
这一章我们看下如何通过优化attention的计算方式，降低内存/计算复杂度，实现长文本建模。 github：https://github.com/kimiyoung/transformer-xl Take Away: 相对位置编码 + 片段递归机制 为了突破Transformer对固定长度建模的限制 同时片段递归和以下4种Transformer优化方案是正交的关系，可以在以下的四种方案中叠加使用片段递归去优化长文本建模 Longformer paper: Longformer: The Long-Document
2.4K31编辑于 2022-10-27 - 来自专栏优雅R
生信爱好者周刊（第 9 期）：统计建模之道和术
该项研究成果以scMethBank: a database for single-cell whole genome DNA methylation maps为题于2021年9月在国际学术期刊《核酸研究 使用XGBoost构建模型很容易。但是，使用XGBoost改进模型是困难的。该算法使用多个参数。为了改进模型，必须进行参数优化。很难回答一些实际问题，比如：应该调优哪一组参数？ 4、usethis包新增`pr_*`系列函数[8] 工具 1、r-script[9] 一个简单的小模块，用于将数据从NodeJS传递给R（并返回）。 r-operate-database/ [8] usethis包新增pr_*系列函数: https://www.garrickadenbuie.com/blog/pull-request-flow-usethis/ [9]
1.1K20发布于 2021-11-25 - 来自专栏软件方法
组织结构的建模-软件方法（下）第9章分析类图案例篇Part06-案例二-智能建模工具
如果建模人员对核心域的概念及关系在大局上有相当清晰的认识，可以先抛开目标系统的某个具体用例，从大局上对目标系统需要涉及的核心域概念建模，然后再参照用例规约，增减得到目标系统的分析模型。 “发糕智能建模工具”所封装的核心域知识总量近似于《软件方法》中讲述的建模方法学知识，而且建模人员（作者自己）对《软件方法》中所讲述的方法学非常熟悉，我们就不再逐个用例探索和拼凑，而是按照《软件方法》中的内容 在以下的建模过程中，提到某些知识不属于当前关注范围之内时，我们使用“发糕智能建模工具”（简称“发糕”）作为主语，而不是《软件方法》，例如： “发糕”当前不需要关心不同类型组织的行为有什么差别。 发糕”作主语是可以的，毕竟还有人——使用“发糕”来建模的人类执行者可以弥补。 用“发糕”来建模的目标系统是多种多样的，系统的目标组织也是多种多样的，因此，确实需要图9-42的灵活结构。
50330编辑于 2022-10-31 - 来自专栏喵叔's 专栏
RavenDB建模--常见建模方案
在 RavenDB 中对如何在应用程序中进行数据建模没有任何要求，我们可以使用任何形式进行建模，RavenDB 只关心如何构建数据，这就是我们后续几篇文章要讲解的内容。 public Parent Mother { get; set; } public Registration Registration { get; set; } } 我们在建模时应遵循 RavenDB 建模的核心原则，要确定哪些信息可以放在一起，哪些信息是独立的，这就是我们上篇文章介绍的优秀的文档模型应具备独立、隔离和连贯性。 另一种情况是，如果需要对文档进行并发活动，由于文档是 RavenDB 中的并发单位，因此需要对文档进行建模，以便它们具有更改的单一原因。
97910编辑于 2022-03-22 - 来自专栏phodal
元素建模：探索建模的要素
随着我们不断深入软件架构的设计里，我们也会不断也尝试着一系列不同的方法，诸如于我的同事 @少个分号 在那篇《建模方法元模型：如何设计一个建模方法》一文里，对于不同建模方式进行了简单的介绍，并进行了相关的拆解和分析 再回到面向对象这一点来看的话，建模就变成了一件非常有意思的事。 建模“建模”：从概念到模型 回到我们所开发的软件系统里，其系统的核心组成部分是由一个个的概念所组成。 建模的方式：基于“事实”的软件建模 PS：对于事实，从语言的角度，可能使用纪实、叙实会比较合适。 基于凭证的建模：履约建模 履约建模是一个比较新的建模方法，它基于凭证的方式来设计系统。其核心要素是：作为业务凭证，只存在创建，不存在修改和删除。 建模建模 从某种意义上来说，寻找这些“事实”的过程，便是系统状态的表征过程。
68230编辑于 2021-12-04 - 来自专栏软件方法
《软件方法（上）业务建模和需求》第2版 勘误（2021年9月更新）
---- 错误发现者：刘京城 页码：225 原文：有时不需要少验证 纠错：有时不需要验证 ---- 错误发现者：张晋铭 页码：228 原文：步骤8和9应该有扩展。 返回10 9a. 微信公众号系统无响应： 9a1. 系统记录微信公众号系统无响应 9a2. 返回10 ---- 页码：229 原文：如果您想使用EA来编写用例规约，可以这样做不代表我强烈建议这样做。 最新版本的获得： 上册，请在书店购买《软件方法（上）业务建模和需求》第2版。 下册内容，随时在公众号更新。 联系方式 微信：umlchina2
53330发布于 2021-10-13 - 来自专栏算法工程师的学习日志
Simulink建模与仿真（9）-动态系统模型及其Simulink表示（连续系统模型及表示）
与离散系统不同，连续系统是指系统输出在时间上连续变化，而非仅在离散的时刻采样取值。连续系统的应用非常广泛，下面给出连续系统的基本概念。
2K30编辑于 2023-09-19 - 来自专栏大数据学习与分享
数据建模-维度建模-维度设计
导读： 在Kimball维度建模中，通常将度量称为“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。维度和维度属性是维度的两个核心概念，如何构建维度的属性是维度设计中需要关注的。 作为维度建模的核心，我们在企业级的数据仓库中必须保证维度的唯一性。以淘宝商品维度为例，我们有且只允许有一个维度定义。 第二步：确定主维度表。 二、第二部分 在Kimball维度建模中，通常将度量称为“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。 02 快照维表 维度的基本概念中介绍了自然键和代理键的定义，在Kimball的维度建模中，必须使用代理键作为每个维度表的主键，用于处理缓慢变化维度。 但在阿里巴巴数据仓库建设的实践过程中，虽然我们使用的是Kimball的维度建模的理论，但实际并未使用代理键。我们是如何处理缓慢变化维度，如何记录变化历史的呢？为什么不使用代理键呢？
2K31编辑于 2023-09-06 - 来自专栏数据库相关
vim个性化配置
地址： https://github.com/spf13/spf13-vim Requires Git 1.7+ and Vim 7.3+ curl https://j.mp/spf13-vim3 -L > spf13-vim.sh && sh spf13-vim.sh 即可一键安装
59840发布于 2019-09-17
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