- 综合排序
- 最热优先
- 最新优先
- 来自专栏JNing的专栏
【3D人脸】AI Mesh 数据工程调研
业内的数据来源 synthetic data（合成数据） [2021，微软] Fake It Till You Make It: Face analysis in the wild using synthetic 开源的假图只给了70个2d点，不给模型） [2022，微软] 3D face reconstruction with dense landmarks（直接完全沿用了自家2021的数据，没有任何改进，不给模型 （没细看） [2015，中科院] Face alignment across large poses: A 3d solution（没细看） semi-automatic refined data（半3dmm geometry from monocular video on mobile GPUs（3w张真实人脸，用3DMM去fit出假标签，之后数据迭代清洗自循环：模型洗出脏数据，手动微调x和y，更干净的数据再反哺给模型 ，全程z不洗） [2020，谷歌] AttentionMesh（直接完全沿用了自家2019的数据，没有任何改进。
84120编辑于 2022-11-14 - 来自专栏Spark学习技巧
图数据库调研
概述 本文转自：http://tang.love/2018/08/31/graph_database_research/ 这里记录一下图数据相关的调研结论。 图数据库是所有数据管理系统中成长最快的分类，下面分别从图检索语言和图数据库两个方面来介绍图数据市场的发展。 SPARQL：面向 RDF(Resource Description Framework)的三元组数据，W3C 标准，无 schema，在研究中应用非常广泛。 SPARQL：W3C 标准，查询语句比较简单，自动生成语义查询也相对容易。另外 RDF 数据本身在数据交换上比较有优势，比如 DBPedia、Freebase 之类的数据都有 RDF 版。 用 Gremlin 查询 Apache TinkerPop3样式属性图。Gremlin 是一种图遍历语言，其中查询是遍历节点边缘之后离散步骤构成的遍历。 用 SPARQL 查询 RDF。
8.4K30发布于 2020-09-27 - 来自专栏前端笔记薄
校验数据结构调研
校验数据结构 如何校验数据结构，一般情况下，我们应该考虑现成的轮子。 Joi = require('joi'); const schema = Joi.object({ username: Joi.string() .alphanum() .min(3) .max(30) .required(), password: Joi.string() .pattern(new RegExp('^[a-zA-Z0-9]{3,30}$ 相比之下，joi更适合于验证JavaScript对象、字符串和数字等数据类型，但它的API设计非常直观，可以轻松地定义和验证复杂的数据结构。 如果主要需要验证JSON数据的结构且考虑性能，那么ajv可能是更好的选择。如果需要验证JavaScript对象、字符串和数字等更多的数据类型，那么joi可能是更好的选择。
1.4K20编辑于 2023-04-22 - 来自专栏数据订阅
图数据库调研
图数据库调研.pptx 图数据库： 更好，更快速的查询和分析：图数据库为查询相关数据（无论大小）提供了卓越的性能。 图模型提供了固有的索引数据结构，因此它不需要为给定条件的查询加载或接触不相关的数据。 这使得它成为更好、更快的实时大数据分析查询的绝佳解决方案。 。 更简单和更自然的数据建模：使用关系型数据库建模的人都需要了解数据库的规范化和参照完整性的严格规则。 一些NoSQL数据库则走向了另一个极端，将所有类型的数据放在一个大型表中。 另一方面，在图数据库中，可以定义任意类型的顶点类型来表示对象，并定义边类型来表示特定的关系。 同时支持实时更新和查询：图数据库支持对大图形数据的实时更新，同时支持查询。 数据结构的灵活性：图数据库具有灵活的schema修改。 用户可以不断添加或删除新的顶点、边和属性，扩展或缩小数据模型。 这对管理不断变化的对象类型特别方便。
2.6K200发布于 2018-06-28 - 来自专栏JNing的专栏
【3D人脸】MediaPipe Face Mesh 调研
MediaPipe Face Mesh：不够高清，case也不够丰富，暂时看不出问题。
1.4K10编辑于 2022-11-14 - 来自专栏机器学习AI算法工程
怎样分析样本调研数据（译）
调研数据分析的过程应该包括以下步骤： 1、数据验证和探索性分析 2、确认性分析 3、数据解释 4、数据分析报告存档（用于将来的分析） 1数据验证和探索性分析 数据验证主要负责确认调查问卷被正确的完成，并且调研数据具有一致性和逻辑性 3、维度转换：根据可比性或兼容性的目标，调研数据会使用不同的长度和种类。 2确认性分析 探索性分析可以描述发生了什么，但是这只是试探性的。 统计性分析的步骤取决于以下几个方面： 1、调研的设计思路 2、响应变量的类型 3、探索性变量的类别 标准的抽样调查数据分析包括计算不同变量的比例以及它们的标准误差。 3数据解释 当你完成数据分析，是时候考虑一下调研的结果对于手头上的问题有什么意义。以下是你在数据解释的过程中应该注意的方面： 1、清楚的阐述调研结果有什么实质性的发现。 3、运用调研中的定量数据对于目标群体进行定量预测。 4、解释你现在的数据分析结果对于调研目标的意义，而且如果需要的话，对下一步调研的步骤给予建议。
1.6K40发布于 2018-03-09 - 来自专栏PPV课数据科学社区
【学习】怎样分析样本调研数据
根据数据收集的算法、调研问题的类型和调研的目标，分析样本调研数据的方法各不相同。这篇文章会简洁明了的分析调研数据过程中的各种问题，同时会说明在一个完整的调研数据分析报告中应该包含什么。 调研数据分析的过程应该包括以下步骤： 1、数据验证和探索性分析 2、确认性分析 3、数据解释 4、数据分析报告存档（用于将来的分析） 数据验证和探索性分析 数据验证主要负责确认调查问卷被正确的完成，并且调研数据具有一致性和逻辑性 3、维度转换：根据可比性或兼容性的目标，调研数据会使用不同的长度和种类。 确认性分析 探索性分析可以描述发生了什么，但是这只是试探性的。 统计性分析的步骤取决于以下几个方面： 1、调研的设计思路 2、响应变量的类型 3、探索性变量的类别 标准的抽样调查数据分析包括计算不同变量的比例以及它们的标准误差。 3、运用调研中的定量数据对于目标群体进行定量预测。 4、解释你现在的数据分析结果对于调研目标的意义，而且如果需要的话，对下一步调研的步骤给予建议。
1.4K70发布于 2018-04-23 - 来自专栏计算机视觉life
SLAM相关领域数据集调研
该数据集用于评测立体图像 (stereo)，光流 (optical flow)，视觉里程计(visual odometry)，3D物体检测 (object detection) 和 3D跟踪 (tracking 3.TUM RGB-D： http://vision.in.tum.de/data/datasets/rgbd-dataset/download 数据集包含一些室内的序列，在不同的纹理下，不同的光照和不同的结构条件 客厅具有3D表面地面实况以及深度图和相机姿势，用于标记相机轨迹而且还用于重建。办公室场景仅带有轨迹数据，并且没有任何明确的3D模型。 A. Handa and T. Whelan and J.B. 所采集数据集的细节描述以及如何使用；3. 如何标定传感器以及GT。 : Learning from RGB-D Data in Indoor Environments, 3DV’17 3.ScanNet： http://www.scan-net.org/#code-and-data
2.2K00发布于 2019-07-11 数据安全-分类分级 调研分析报告
3.分级明确原则： 数据分级的目的是为了保护数据安全，数据分级的各级别应界限明确，不同级别的数据应采取不同的保护措施。每个数据项原则上只属于一个类别、一个级别。 3.分级标准 从国家数据安全角度出发，数据分级基本框架分为一般数据、重要数据、核心数据三个级别。 金融数据：1级、2级、3级、4级、5级。 证券期货数据：低、中、高、超高。 3.数据分类 利用技术工具识别是否存在法律法规或主管监管部门有专门管理要求的数据类别，并对识别的数据类别进行区分标识；从行业领域维度，确定待分类数据的数据处理活动涉及的领域。 3 公众权益 轻微损害 • 数据的安全性遭到破坏后，对公众权益造成轻微影响，或对个人隐私或企业合法权益造成一般影响，但不影响国家安全。 3 个人隐私 一般损害 • 个人金融信息中的C2类信息。
83700编辑于 2025-04-07嵌入式数据库调研
最近需要使用嵌入式数据库进行存储应用本地信息，本文章主要进行记录当前比较流行的嵌入式数据库相关的链接，嵌入式数据库往往是以lib的形式存在，常用于持久化存储软件的信息，嵌入式数据库往往和应用软件紧密集成 常用的嵌入式数据库：（主要索引几个我比较感兴趣的数据库） SQLite 嵌入式关系数据库：https://www.sqlite.org/index.html (关系数据库) Apache Derby: ） 数据目录表：https://dbdb.io/ （包含很多数据库的介绍，很好的网站，可以理清众多数据库之间的关系） LevelDB：https://github.com/google/leveldb（ 嵌入式K-V数据库） RocksDB ：https://github.com/facebook/rocksdb/ (嵌入式K-V数据库，基于leveldb) https://rocksdb.org/ ） Tokyo Cabinet：https://dbdb.io/db/tokyo-cabinet （嵌入式K-V数据库） https://db-engines.com/en/ranking (数据库引擎排行榜
1.9K20发布于 2020-12-30- 来自专栏程序员备忘录
Python获取股票机构调研数据
而这种所谓串通一气的方式就叫做“机构调研”，也就是说机构管理者会在持股前与上市公司进行沟通，表达机构想要持有该上市公司的股票的想法。 当然也不能说这么明白的话，机构调研除了投资的成分还有现场观摩等，相当于机构了解了该公司运作，当然具体的调研结果也是会通过报表的方式向外进行暴露。 一个潜在的现象是调研后的股票会有一定的异动，所以这也是一般投资者应该关注的地方。 所以这块作者就通过天天基金网站来拉取股票的机构调研信息。 eastmoney.com/EM_DataCenter_V3/api/JGDYHZ/GetJGDYMX? connect.commit() # tianjl = JgdyQuery() # tianjl.printJgdyInfo("300232",1) 如下图所示为作者拉取部分上市公司的机构调研数据的结果
64120编辑于 2022-08-11 - 来自专栏靠谱PM
调研现场
上两篇文章中写到为什么要做用户调研以及用户调研的流程，今天来说下调研现场应该怎么做。 调研工具 俗话说：“工欲善其事，必先利其器。” 三、统计工具 这个上篇文章中已经说过了，调研的目标用户要通过这些工具去抓取的，工具如（GA 、诸葛io等），这个就没法普及了，这些抓取的数据都是属于公司的机密，可以去官网上去看下工具的介绍。 调研前的暖场 这个还是有必要说一下的，用户来到调研现场不要上来就直接进入调研，这其实和我们到一个陌生环境里一样心理都会有一些防范，所以理想的做法就是先从家常聊起，比如今天天气好热啊，您怎么过来的？ 3、不要多用户、多任务操作 这个就是不要把不同的访谈用户放在一起，可以对同一个任务分开访谈，比如对“教育分期”贷款我们在同一时间段邀请了两个访谈的用户，可以分开在不同的房间进行访谈，访谈的时候只让用户完成这一个单一的任务 3、用户觉得什么方法能更好的解决问题 这个就是刚才追问过为什么之后，可以问用户您认为怎么样会更好，还是一样的道理用户可能被其他产品教育出一定的使用习惯，一般来说用户会有一个心理认知的模型，也会对产品有一定的看法的
78160发布于 2018-09-10 - 来自专栏代码工具
ONNX调研
它使得不同的人工智能框架（如Pytorch、MXNet）可以采用相同格式存储模型数据并交互。 调研目的： 提高当前在线推断模型的性能， 最大限度地降低工程的机器成本。二. ONNX Runtime（ORT） 使用1. 3 类共 150 条记录，每类各 50 个数据，每条记录都有 4 项特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度，可以通过这4个特征预测鸢尾花卉属于（iris-setosa, iris-versicolour LinearClassifier" attribute { 此处内容过多已省略... }第四步: Direct Predict使用ONNX Runtime Python API预测该ONNX模型，当前仅使用了测试数据集中的第一条数据 = sess.get_inputs()[3].nameprint(input_name0,input_name1,input_name2,input_name3)req = { 'dense_input
1.6K51编辑于 2022-06-30 - 来自专栏万能的小草
Redash调研
透过上文可以清晰的知道Redash可以帮助我们进行数据赋能。整个工作流为:连接数据> 数据查询> 数据可视化,轻松实现数据的团队共享。 目标用户：总部业务分析人员。 三、快速入手 1.添加数据源 您要做的第一件事是连接数据源（请参阅支持的数据源）。您可以通过单击“设置”图标来打开“数据源”管理页面： ? 如果您使用Hosted Redash服务，并且您的数据源位于防火墙后面，则需要允许从52.71.84.157数据库防火墙/安全组中的IP地址进行访问。 如果可能， 我们建议使用具有只读权限的用户。 3.添加可视化 默认情况下，您的查询结果（数据）将显示在简单表中。可视化会更好地帮助您消化复杂的信息，因此让我们可视化您的数据。Redash支持多种类型的可视化，因此您应该找到一种适合您的需求。 四、总结 总而言之，Redash 是一款很不错的数据查询+ 可视化+ 用户体验超级nice的工具，尤其是数据查询页面库表检索、表名自动补全、定时执行功能简直完美。
3.3K21发布于 2020-02-19 - 来自专栏采云轩
图数据技术调研以及业务实践
3.安全风控： 业务部门有内容风控的需求，希望在专家、供应商、代理机构中通过多跳查询来识别围标、窜标等行为。 数据库关系和选择什么数据库？ 这里说到数据模型，主要是为了说明不同的数据关系是我们选择不同的数据库的原因，因为不同的数据模型对应了更适合哪种数据关系。 3.列式存储，比如 HBase、Cassandra、HadoopDB 4.最后一种就是今天要说的图数据库，图数据库以点、边、属性的形式存储数据。 ： 第一类：Neo4j[3]、ArangoDB[4]、Virtuoso[5]、TigerGraph[6]、RedisGraph[7]。 ，需要依赖 ElasticSearch，运维成本较高， Dgraph 是使用RDF通用数据类型，遵守 w3c 查询语句规范，而 NebulaGraph 的查询是 nGQL，自己开发的一套语言，不具有通用性
95310编辑于 2023-09-01 - 来自专栏音视频技术
有奖调研
随着疫情的反复，我们也深刻认识到，只有随时随地接入的线上产品才能全天候的服务用户，因此本调研应运而生。接下来的3分钟，您将回答一系列问题，从而帮助LiveVideoStack更好的筹备新产品。
57530编辑于 2022-06-09 - 来自专栏数据派THU
国内高校大数据教研机构调研报告
，结合对国内外学界在大数据领域成果进展的数据调研，对比分析各高校大数据教研机构在学术研究领域的影响力；社会影响力关注各高校大数据教研机构的媒体指数，从高校大数据教研机构的传播内容、传播渠道、传播效果等维度进行数据的调研对比 [6]提出了“3As”模型，该模型利用上下文充分性、操作充分性和时间充足性这3个数据质量特征来评估大数据的使用质量水平；基于数据使用问题，李建中等[7]从大数据众多的质量评价指标中抽象出一致性、精确性、 C.清华大学大数据研究中心 （图3-3，清华大学大数据研究中心在2021年4月1日至4月30日期间热门词词云图） 如图所示，有关于清华大学大数据研究中心的相关报道中依旧是“数据”一词出现频率最高，其次是 （图3-9：南都大数据研究院 图3-10：北京大数据研究院） （图3-11：复旦大学大数据学院 图3-12：清华大学大数据研究中心） （图3-13：华东师范大学数据科学与工程学院 图3-14：中国人民大学统计与大数据研究院 ） （图3-15：北京大学健康医疗大数据国家研究院 图3-16：山东大学数据科学研究院） 其次，基于团队传播指数平台，设置自定义微信公众号榜单，选取2021年4月推文数据展开分析。
89240发布于 2021-07-16 - 来自专栏音视频咖
有奖调研 | 公众号内容偏好问卷调研
有奖调研，先填先得！ 有效填写问卷且关注公众号超过24小时的前120名用户 每人都送30QB~ 赶紧扫描下方二维码 抽出几分钟，将您的真实感受和建议告诉我们吧！ ?
85120发布于 2021-05-21 - 来自专栏钱塘大数据
【图说】中国大数据应用前沿调研报告
来源：第一财经研究院
95740发布于 2018-03-01 - 来自专栏大数据文摘
数据堂：大数据产业调研及分析报告(145页)
回复“分析报告”下载《大数据产业调研及分析报告》全文145页，如果您的公司未被收录，请点击文末“阅读原文”填表，《大数据企业名录》将逐步完善。 大数据的概念已渗透到各行各业，全球大数据市场规模年增长率达40%，预计在2017年将达530亿美元。各行业的大数据运用分析到底如何？ 本期大数据文摘跟您分享数据堂的《大数据产业调研及分析报告》，报告大数据产业链划分（彭博）为框架，对国内外大数据产业链条进行了全面梳理，收录了近300余家国内大数据企业和应用。 报告目录如下： ? 图.我国大数据产业链布局 （二）我国大数据源尚待激活 大数据的开放和流通是政府、企业和学术界面临的首要挑战，只有多源头、跨领域的关联分析才有可能实现数据价值的深度挖掘，能否从多源、异构的海量数据中快速获得有价值信息 （四）以数据开放和应用创新作为培育大数据产业链的主要手段 以大数据供需两端（数据源和应用环节）为抓手实现重点突破，大力推动全社会的数据开放，尤其是政府数据的开放，力争在短期内降低全社会的数据获取成本并起到显著的社会示范效应
1.5K70发布于 2018-05-21
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