- 综合排序
- 最热优先
- 最新优先
- 来自专栏冰河技术
10张图总结并发编程最佳学习路线，上车！
我看你公众号的《精高并发系列》更新了很多高并发编程的技术文章，你是怎么学习的呢？后面你还会更新吗？啥时候更新完呀？ 我：后面还会一直持续更新的，并发编程的知识很多，也很复杂，不是几十篇文章就能够讲清楚的，所以，我后面还会一直持续更新并发编程相关的文章，加入一些项目实战类的文章和视频，后面我先梳理下，整理个简单的学习路线给大家 首先，来看一下今天分享的并发编程最佳学习路线包含哪些内容。 最佳学习路线 接下来，我们再来依次看下具体要学习哪些知识吧。
33830编辑于 2023-09-07 - 来自专栏CreateAMind
10多表图对比：自监督表示学习算法大梳理
Beyond Just Vision: A Review on Self-Supervised Representation Learning on Multimodal and Temporal Data
29030编辑于 2022-11-22 - 来自专栏nnngu
数据结构10 图
这一篇我们要总结的是图(Graph)，图可能比我们之前学习的线性结构和树形结构都要复杂，不过没关系，我们一点一点地来总结。 那么关于图，我将从以下几点进行总结： 1、图的定义 2、图相关的概念和术语 3、图的创建和遍历 1、图的定义 什么是图呢？ 图是一种复杂的非线性结构。 图G由两个集合V(顶点Vertex)和E(边Edge)组成，定义为G=(V，E) 2、图相关的概念和术语 2-1、无向图和有向图 对于一个图，若每条边都是没有方向的，则称该图为无向图。图示如下： ? 2-6、连通图(无向图) 连通图是指图G中任意两个顶点Vi和Vj都连通，则称为连通图。比如图(b)就是连通图。下面是一个非连通图的例子： ? 上图中，因为V5和V6是单独的，所以是非连通图。 2-7、强连通图(有向图) 强连通图是对于有向图而言的，与无向图的连通图类似。 2-8、网 带”权值”的连通图称为网。如图所示： ?
98470发布于 2018-03-15 - 来自专栏python全栈教程专栏
爬虫学习（10）：xpath爬取包图网高清模板视频
暂时我就没有发xpath基础知识了，编辑太浪费时间了，需要了解或者有问题的可以加我群问我就好了，我也正在努力学习中，不废话了，上代码，解释都在注释. 发送请求 from lxml import etree#处理数据 header={ 'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10 in zip(video_url,video_names): video_url = "https:" + src#视频url url=video_url.replace(".mp4_10s
61520发布于 2021-10-18 - 来自专栏自然语言处理
图与图学习（下）
例如，在电子商务中，一个基于图（Graph）的学习系统能够利用用户和产品之间的交互来做出非常准确的推荐，但图的复杂性使得现有的深度学习算法在处理时面临着巨大的挑战。 需要注意的是，图神经网络的研究与图嵌入（对图嵌入不了解的读者可以参考这篇文章《图嵌入综述》）或网络嵌入密切相关，图嵌入或网络嵌入是数据挖掘和机器学习界日益关注的另一个课题。 图嵌入旨在通过保留图的网络拓扑结构和节点内容信息，将图中顶点表示为低维向量，以便使用简单的机器学习算法（例如，支持向量机分类）进行处理。 许多图嵌入算法通常是无监督的算法，它们可以大致可以划分为三个类别，即矩阵分解、随机游走和深度学习方法。 图卷积网络是许多复杂图神经网络模型的基础，包括基于自动编码器的模型、生成模型和时空网络等。下图直观地展示了图神经网络学习节点表示的步骤。 ?
92130发布于 2021-03-23 - 来自专栏自然语言处理
图与图学习（中）
在上篇中，我们简单学习了图论的基本概念，图的表示和存储方式，同构图和异构图的分类，以及几个基础的图论算法。 在接下来的前置教程下篇中，我们将会学习图机器学习。 本案例将包含以下内容： 一. 图机器学习 图学习的主要任务 图学习中包含三种主要的任务： 链接预测（Link prediction） 节点标记预测（Node labeling） 图嵌入（Graph Embedding） ---- 链接预测 这相当于监督学习中的train/test的划分。 然后，我们评估密集图的正确预测的比例，或者使用稀疏图的标准曲线下的面积(AUC)。 到目前为止，我们所看到的图的一个局限性是没有向量特征。但是，我们可以学习图的嵌入！ ，链接预测和图嵌入的图学习技术。
1.5K10发布于 2021-03-17 - 来自专栏冰河技术
我用10张图总结出这份并发编程最佳学习路线！！
我看你公众号的【精通高并发系列】更新了很多高并发编程的技术文章，你是怎么学习的呢？后面你还会更新吗？啥时候更新完呀？ 我：后面会一直持续更新的，并发编程的知识很多，也很复杂，不是几十篇文章就能够讲清楚的，所以，我后面会一直持续更新并发编程相关的文章，后面我先梳理下，整理个简单的学习路线给大家。 首先，来看一下今天分享的并发编程最佳学习路线包含哪些内容。 最佳学习路线 ? 接下来，我们再来依次看下具体要学习哪些知识吧。 并发基础 ? Java并发集合 ? 并发工具类 ? 最后 并发编程涉及到的技术和知识很多，很杂，冰河技术微信公众号的【精通高并发系列】专题会持续更新并发编程相关的技术文章，学习并发编程，关注冰河技术微信公众号就够了！！！
51560发布于 2021-08-13 - 来自专栏AI科技大本营的专栏
GitHub图深度学习引用Top 10文章，你都看过吗？
，是图深度学习（Graph Deep Learning）的一种典型模型。 在 GitHub 上有一个关注目前图深度学习领域的最新动态的合集，本文将主要简要介绍该 Github 合集中总结的十篇图深度学习文章的基本思想、模型与实验。 Github地址：https://github.com/naganandy/graph-based-deep-learning-literature Top10 文章按类别总结如下： GNN概述 我们知道 同样的，图深度学习方法的核心也是学习出对图数据的可计算的表示。 因此，将卷积网络引入到图结构中也是图深度学习领域的一种重要思路。
2.2K50发布于 2019-07-23 - 来自专栏机器之心
图论与图学习（二）：图算法
前一篇文章介绍了图的主要种类以及描述一个图的基本特性。现在我们更加详细地介绍图分析/算法以及分析图的不同方式。 我们将在第三篇文章中介绍图中的机器学习和图学习。 tuple(sorted(c) for c in communities)) 这会得到一个属于每个社群的节点的列表（k=1 的意思是我们期望得到 2 个社群）： ([0, 1, 3, 4, 5, 6, 7, 10 四 总结 现在我们已经介绍了图的基础知识、图的主要类型、不同的图算法和它们使用 networkx 的 Python 实现。 下一篇文章我们将介绍图学习，这能提供预测图中节点和边的方法，从而处理缺失值或预测新的关系。 扩展阅读： Neo4j 的图算法全面指南，Mark Needham & Amy E.
4.4K22发布于 2019-08-06 - 来自专栏机器学习/数据可视化
pyecharts-10-箱型图绘制
Pyecharts-10-绘制箱型图 本文中介绍的是如何利用pyecharts绘制箱型图。由于箱线图不像柱状图、折线图那样简单常见，许多人都对它敬而远之。 希望通过本文的学习，能够使得箱线图也可以变得“平易近人”。 大多数图表可视化的都是这类数据，比如柱状图、折线图等。 什么是箱型图 发明者 箱图的发明者John Tukey。Tukey先生1915年出生于美国麻省的新贝德福德。 ).tolist() y2 = np.random.randint(0,100,10).tolist() y3 = np.random.randint(0,100,10).tolist() y4 = np.random.randint (0,100,10).tolist() ?
2.3K30发布于 2021-03-01 - 来自专栏机器学习/数据可视化
Highcharts-10-饼图颜色设置
Highcharts-10-饼图颜色设置 本文中介绍的是饼图里颜色的设置问题，主要是： 饼图区域的单一颜色 饼图区域的多样颜色 ? 单一颜色 效果 每个区块中的颜色是相同的： ? # -*- coding: utf-8 -*- """ 说明：绘制单色饼图 作者：Peter """ import datetime from highcharts import Highchart 代码 # -*- coding: utf-8 -*- """ 说明：绘制单色饼图 作者：Peter """ import datetime from highcharts import Highchart 代码 # -*- coding: utf-8 -*- """ 说明：绘制多色饼图 作者：Peter """ import datetime from highcharts import Highchart 3D dount图（甜甜圈图） 效果 甜甜圈图的颜色整体会更亮丽 ?
3.1K20发布于 2021-03-07 - 来自专栏全栈程序员必看
10款流程图绘制工具
介绍10款免费、强大的在线流程图工具，绝对满足你对流程图的所有幻想！ ProcessOn ProcessOn[2]可以算得上是一款老牌、知名的在线流程图工具。 它不仅支持流程图，还支持思维导图、原型图、网络拓扑图、组织结构图、UML等。 和其他流程图工具不同plantuml是通过文字描述、编码的方式来绘制UML图形，学习成本和使用门槛相对上述提到的开箱即用的流程图工具要复杂一些。 不过，仁者见仁，不同的使用者偏好不同的使用方式。 10. 坚果云绘图 如果说前面流程图工具限定免费数量让你使用的不够痛快，或者不能称其为完全免费，那么，坚果云绘图[10]绝对算得上一款完全免费的流程图工具。 Visual Paradigm Online: https://online.visual-paradigm.com/drive/#diagramlist:proj=0&new=Flowchart [10
2.7K20编辑于 2022-11-01 - 来自专栏DeepHub IMBA
10分钟了解图嵌入
这种快速反应甚至可能没有经过毛克利新大脑皮层的高阶逻辑处理，我们已经在大脑中进化出了数据结构，通过在1/10秒内分析来自眼睛视网膜的数以百万计的输入信息来促进我们的生存。 图的嵌入使用机器学习算法计算。像其他机器学习系统一样，我们拥有的训练数据越多，我们的嵌入就越能体现一个项目的独特性。 创建一个新的嵌入向量的过程被称为“编码”或“编码一个顶点”。 如果机器学习算法很强，我们可以把顶点的许多方面压缩成这些值。 每个值都没有语义 数字可能并不代表我们可以直接绑定到图形的单个属性或形状的东西。 从复杂数据集创建嵌入可能需要花费一些时间设置和调整机器学习算法。 如何计算知识图嵌入（EKG） 在本文中，我们假设您的EKG比较大。 对于今年参加NeurIPS 2020会议人，有114个与嵌入相关可以看出嵌入显然是深度学习中的热门话题。
68720发布于 2020-12-11 - 来自专栏慕枫技术笔记
10张图理解Elasticsearch核心概念
一个核心思想就是拆分，比如总共10亿条数据，如果都放在一个节点中不仅查询以及数据写入的速度会很慢，也存在单点问题。在传统关系型数据库中，采用分库分表的方式，用更多的数据库实例来承接大量的数据存储。 下篇文章中再带大家好好理解下ES的核心业务流程的原理以及优秀的设计思想，只有理解了ES的核心概念以及核心流程，那么在生产中遇到一些搜索优化、节点JVM优化等才会有对应的排查方向，另外ES中的一些优秀的设计思想，也是非常值得我们学习的
1.1K31编辑于 2023-03-20 - 来自专栏BestSDK
机器学习精华，10问10答
Koller 和Nir Friedman 的《概率图模型》（Probabilistic Graphical Models）。 更好的强化学习／深度学习和强化学习的整合；能够可靠地学习如何控制机器人的强化学习算法等。 更好的生成式模型；可以稳定地学习如何生成人类分不出真假的图像、语音、文字的算法。 在2006-2011，“深度学习”很流行，但是这里的“深度学习”多是把许多无监督学习算法叠起来，从而为监督学习定义复杂的特征。 2012年之后，“深度学习”往往意味用反向传播来优化一个代表某个可微分函数的深计算图的所有参数。 在不久后，我们可能会更多地用到贝叶斯化算法（而不是基于最优参数的点估计），以及更多的不可微操作。 GAN类问题 10. 机器学习领域的新人应该了解对抗性机器学习的哪些内容？ Alexey Kurakin：首先，你要对机器学习和深度学习有一定的了解，这样才能理解这个问题的背景。
1K60发布于 2018-03-01 - 来自专栏CKL的思考空间
学习累积流图
01 累积流图是如何生成的？团队需要根据自己的研发过程流程节点，记录某天每个节点上的数量，然后以日期为横坐标，卡片数量为纵坐标，生成如下图所示的图形，就是累积流图了。 在迭代中，SM经常还会关注一个图：燃尽图。它是以图表展示随着时间的减少工作量的剩余情况。工作量一般以竖轴展示，时间一般以横轴展示。 燃尽图对于预测何时完成工作很有用，但是它只有结果，没有过程，不利于问题分析。 02 那么，对于累积流图，我们需要关注一些什么呢？以上图为例，我们需要关注以下几点。 在现实的团队中，不太可能出现完美的累积流图，那么，我们可以通过累积流图发现哪些问题呢？ 如上图，在迭代的后期，卡片状态都没有变化了，那么就需要关注下团队在干什么，放假了？ 用累积流图观察一个团队的工作进展时，数值本身不能说明问题，但数值的变化趋势会给我们一些预警，告诉我们哪个环节可能碰到了问题或成为瓶颈。
1.1K10编辑于 2023-08-28 - 来自专栏DrugOne
图对比学习 | 结合图的结构信息和节点特征的图对比学习
最近，对比学习（CL）已成为一种无监督的图表示学习的非常热门的方法。大多数图CL方法首先在输入图上进行随机扩充，得到两个视图，并使两个视图的表示一致性最大化。 尽管图CL方法得到了长足的发展，但图增广方案（CL中的关键组成部分）的设计仍然很少被探索。 本文认为，数据扩充方案应保留图的内在固有结构和属性信息，这使得模型对不重要的节点和边的扰动不敏感。 在本文中，作者提出了一种新的具有自适应增强的图对比表示学习方法，该方法结合了图的拓扑和语义方面的各种先验。 具体来说，在拓扑级别，本文基于节点中心性度量设计增强以突出重要的连接结构。 实验表明，提出的方法始终优于现有的最新方法，甚至超过了一些监督学习的对应方法，这证明了采用自适应增强的对比框架的有效性。 ?
2.8K70发布于 2021-02-02 - 来自专栏自然语言处理
图神经网络（01）-图与图学习(上)
来源：百度Aistudio 图神经网络7日打卡营 图（graph）近来正逐渐变成机器学习的一大核心领域，在开始PGL框架学习之前，我们先简单学习一下图论的基本概念，图论的经典算法，以及近些年来图学习的发展 图是什么？ 二. 如何存储图？ 三. 图的类型和性质 四. 主要的图算法 五. 图机器学习的发展 一. 图是什么？ 参考资料，以及更多图论经典算法 图论与图学习（一）：图的基本概念 图论与图学习（二）：图算法 github.com/maelfabien/Graph_Analysis.ipynb aistudio版本Graph_Analysis 更多学习教程 github.com/maelfabien/Machine_Learning_Tutorials 五. 图机器学习的发展 将在PGL系列前置教程：图与图学习（下）展示。
3.5K32发布于 2021-01-27 - 来自专栏全栈程序员必看
活动图学习笔记
1 活动图基本概念 事件流除了用文本形式来表示外，还经常用活动图来表示。为什么有了文本形式以后还要开发这种框图形式呢？ 活动图显示与文本事件流相同的信息。我们在业务模型中用活动框图描述业务过程的工作流。 2 活动图的组成要素 活动图的组成要素主要有：起始点和终止点、活动、迁移、决策框、分支和汇聚。 起始点：指明活动开始位置；一个活动图只能有一个起始点。 终止点：指明活动的结束位置；一个活动图可以有多个结束点，不同的结束点表达系统执行后可以达到不同的结果状态。 2.2 活动 活动是活动图的基本组成部分，一个活动图至少应该包括一个活动。活动用以下符号表示。 另外，可以在活动中增加更多详细的步骤，并且我们通常在这些操作前面加上一些标记字样。 3 带泳道的活动图 4 活动图建模原则 “活动图” 比较直观易懂；与传统的流程图十分的相近，只要能够读懂活动图，就不难画出活动图。
2.4K10编辑于 2022-08-18 - 来自专栏python3
python 学习导图
?
59020发布于 2020-01-14
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