- 综合排序
- 最热优先
- 最新优先
- 来自专栏CNCF
案例研究：NAIC
案例研究：NAIC 由Kubernetes支持的文化和技术转型 公司：NAIC 地点：华盛顿 行业：监管 “我们的文化和技术转型是我们的最高领导人采取的战略。
61020发布于 2019-12-05 - 来自专栏CNCF
案例研究：Workiva
案例研究：Workiva 使用OpenTracing帮助查明瓶颈 公司：Workiva 地点：艾姆斯，爱荷华州 行业：企业软件 “通过OpenTracing，我的团队能够查看跟踪而向其他团队提出优化建议
1.2K20发布于 2019-12-04 - 来自专栏CNCF
案例研究：Pinterest
案例研究：Pinterest 过去、现在和未来稳固在云原生上 公司：Pinterest 地点：加利福尼亚州旧金山 行业：网站和移动应用程序 挑战： 经过八年的发展，Pinterest已经成长成为1,000
68720发布于 2019-12-05 - 来自专栏CNCF
案例研究：Sling TV
案例研究：Sling TV Sling TV：结合Kubernetes和AI实现适当的网络规模 公司：Sling TV 地点：恩格尔伍德，科罗拉多州 行业：串流电视 “我现在几乎可以大胆地说，如果没有云原生模式和
1.4K20发布于 2019-12-05 - 来自专栏CNCF
案例研究：Square Cash App
四年前，该公司通过其Cash App扩展到p2p交易领域。在经历了一些稳步增长之后，该应用在2016年人气飙升，短短几个月就拥有了数百万用户，并登上了应用商店下载量的榜首。问题？ 四年前，该公司通过其Cash App扩展到p2p交易领域。在经历了一些稳步增长之后，该应用在2016年人气飙升，短短几个月就拥有了数百万用户，并在应用商店最受欢迎的下载榜上登顶。 问题？ 这个项目还是一个相对较新的项目，但在Tirsen开始深入研究代码之后，他意识到它将适用于Cash App。
1.2K10发布于 2019-12-04 - 来自专栏java一日一条
Android性能优化案例研究(上)
于是我利用我每天工作中所使用的工具和方法对此稍加研究，很快发现了Falcon Pro不能达到其应有性能的一些原因。 ? 我强烈推荐你“能够”去下载这款有待研究的应用。不幸的是，Falcon Pro是一款付费应用，我因此只能提供一些文件的链接以便你能对照我的分析。 我强烈推荐你“能够”去下载这款有待研究的应用。不幸的是，Falcon Pro是一款付费应用，我因此只能提供一些文件的链接以便你能对照我的分析。 ? “Process”是指Android 2D渲染引擎用在执行“display lists”上的时间。你的UI层级（hierarchy）中的View数量越多，需要执行的绘画命令就越多。 进一步研究 我们收集的数据显示这个应用有时绘图时间过长，但盖棺定论还为时过早。帧率也会被未调度的帧或者错过调度的帧的影响。
2K10发布于 2018-09-18 - 来自专栏Yangsh888的专栏
案例研究：声东击西的定向入侵
Step2：多次上传Webshell失败后，以该服务器IP查询 腾讯云大禹DDoS防护 流量清洗日志，发现该服务器遭受峰值大小约30Gbps的DDoS攻击，并伴随着少量CC攻击。
76470编辑于 2022-03-08 - 来自专栏媒矿工厂
案例研究：Dropbox HQ ST 2110
本文来自IP Oktoberfest的演讲，演讲者是David Carroll Associates的创始人David Carroll和云媒体网络架构师Kevin Gross，演讲主题是“案例研究：Dropbox David Carroll的整合公司完成了这个项目，并与Wes Simpson和Kevin Gros一起讨论了这个案例研究。 Dante需要PTP版本1，而2110和大多数其他东西则需要版本2。尽管此过程正在改进中，但是现在解决此问题的典型方法是分别运行两者，并从不需要的网络区域阻止版本1。
96930发布于 2021-01-11 - 来自专栏红色石头的机器学习之路
吴恩达《卷积神经网络》精炼笔记（2）-- 深度卷积模型：案例研究
1 Why Look at Case Studies 本文将主要介绍几个典型的CNN案例。通过对具体CNN模型及案例的研究，来帮助我们理解知识并训练实际的模型。 2 Classic Networks LeNet-5模型是Yann LeCun教授于1998年提出来的，它是第一个成功应用于数字识别问题的卷积神经网络。 VGG-16模型更加复杂一些，一般情况下，其CONV layer和POOL layer设置如下： CONV = 3x3 filters, s = 1, same MAX-POOL = 2x2, s = 2 VGG-16结构如下所示： VGG-16的参数多达1亿3千万。 在模型研究或者竞赛方面，有一些方法能够有助于提升神经网络模型的性能： Ensembling: Train several networks independently and average their
42110编辑于 2022-01-12 - 来自专栏容器计算
Kubernetes研究-篇2
1 Overview 篇1简单做了个开头，篇2准备继续简单的说两句。 2 Release Notes Github 上一般会有个 Release 的 Tab，点进去，就可以看到每个大小版本的一些简单的 Release 记录了。
36430发布于 2020-08-06 - 来自专栏CNCF
CNCF案例研究：中国联通
中国联通是中国三大电信运营商之一，为了服务其3亿用户，该公司自2016年以来使用Docker容器化和VMWare以及OpenStack基础设施运行多个数据中心，每个数据中心拥有数千台服务器。不幸的是，“资源利用率相对较低。”平台技术研发部门负责人Chengyu Zhang说，“我们没有云平台来容纳我们的数百个应用程序。”中国联通以前是一家完全国有的公司，近年来从BAT（百度、阿里巴巴、腾讯）和京东公司获得私人投资，目前正专注于使用开源技术而非商业产品的内部开发。因此，Chengyu的中国联通实验室团队开始寻找其云基础设施的开源协调。
1.1K10发布于 2019-12-04 - 来自专栏Jenkins
T-Mobile 和 Jenkins 案例研究
如果您将一个典型的工作年数定为 2,000 个小时，再乘以 350 个团队，那么您要计算的是数十万个小时和数千万美元。
79410发布于 2020-03-10 - 来自专栏Python 知识大全
Python 爬虫实战案例（推荐小白研究）
csdn学院中的课程信息（编程语言的） 网址：https://edu.csdn.net/courses/o280/p1 （第一页） https://edu.csdn.net/courses/o280/p2
76610发布于 2020-02-13 - 来自专栏数据科学人工智能
精品教学案例 | 金融交易反欺诈案例研究
，本案例的研究有利于加深对金融诈骗问题的认识，对帮助金融监管部门打击金融诈骗也有积极的促进作用。 1.2研究难点 该领域对于普通的数据科学研究者来说的难题是，一直以来缺少金融服务尤其是移动金融支付领域的公开数据集。最主要的原因是金融交易具有很强的隐私性。 为了实现这个目标，我们需要对isFraud列进行分组求和： series_2=data.groupby(by=['step'])['isFraud'].sum() series_2.plot() 3.2 4.总结 本案例使用了基于真实数据生成的移动金融支付模拟数据集，然后通过数据清洗和数据描述性统计等方法研究了何时为金融诈骗交易高发时段、金融诈骗交易诈骗金额以及相对于正常金融交易金额的大小。 本案例研究发现，凌晨12点至早上7点是金融诈骗交易多发时段，因为此时用户防范意识最小；金融诈骗交易一旦得手，往往会全部转移走客户财产，造成巨额损失；金融诈骗交易平均金额相对于正常金融交易金额来说非常大，
1.9K20发布于 2020-05-09 - 来自专栏红色石头的机器学习之路
Coursera吴恩达《卷积神经网络》课程笔记（2）-- 深度卷积模型：案例研究
该门课共有4周课时，所以我将分成4次笔记来总结，这是第2节笔记。 1. Why look at case studies 本周课程将主要介绍几个典型的CNN案例。 通过对具体CNN模型及案例的研究，来帮助我们理解知识并训练实际的模型。 VGG-16模型更加复杂一些，一般情况下，其CONV layer和POOL layer设置如下： CONV = 3x3 filters, s = 1, same MAX-POOL = 2x2, s = 2 VGG-16结构如下所示： ? 在模型研究或者竞赛方面，有一些方法能够有助于提升神经网络模型的性能： Ensembling: Train several networks independently and average their
2.6K00发布于 2017-12-28 - 来自专栏人工智能
Coursera吴恩达《卷积神经网络》课程笔记（2）-深度卷积模型：案例研究
推荐阅读时间：5min~8min 主要内容： Coursera吴恩达《卷积神经网络》课程笔记（2）-- 深度卷积模型：案例研究 《Convolutional Neural Networks》是Andrw 该门课共有4周课时，所以我将分成4次笔记来总结，这是第2节笔记。 1 Why look at case studies 本周课程将主要介绍几个典型的CNN案例。 通过对具体CNN模型及案例的研究，来帮助我们理解知识并训练实际的模型。 其结构如下所示： VGG-16模型更加复杂一些，一般情况下，其CONV layer和POOL layer设置如下： CONV = 3x3 filters, s = 1, same MAX-POOL = 2x2 , s = 2 VGG-16结构如下所示： VGG-16的参数多达1亿3千万。
82160发布于 2018-02-02 - 来自专栏腾讯研究院的专栏
聚合盗链侵权案例研究报告
image.png 腾讯研究院版权研究中心 【导语】当前，我国网络视频产业正版化发展显著。 2、乐视诉幻电案 【案号】（2015）浦民三（知）字第595号 【摘要】原告乐视公司诉称，其依法享有《美人天下》等5部影视作品的相关著作权。 在网络视频整体收入中，广告收入占比依然最大，为57.8%；艾瑞咨询《2015年中国在线视频用户付费市场研究报告》显示，用户付费收入在整体收入中占比12.8%。 策划人： 张钦坤 腾讯研究院秘书长 刘政操 腾讯研究院版权研究中心秘书长 执行人： 田小军 腾讯研究院版权研究中心副秘书长 撰写人： 曹建峰 腾讯研究院版权研究中心研究员 龚嘉璇 腾讯研究院版权研究中心助理研究员 如您对本报告有任何问题，请联系：xiaojuntian@tencent.com
3.9K90发布于 2018-02-02 - 来自专栏AI理论与前沿
使用AI进行需求分析的案例研究
在这个案例研究中，我们验证了这一假设，并解释了我们做了什么以及得出了哪些结论。方法确定范围和目标在选定该团队作为试点后，我们与他们举办了一次研讨会，确定哪些任务可以通过 AI 支持。 2. 定义假设和预期结果在研讨会的第二步，团队定义了使用 AI 期望实现的目标。 以下关于质量和速度的观察基于 AI 用户在该案例中的估计。对质量和团队流程的影响重申一下，假设的一部分是使用 AI 进行需求分析会缩短交付周期，减少返工，并减少因进一步澄清而被阻塞的故事。 结论与展望总之，这项案例研究表明，AI 能够在质量、速度和整体团队流程上带来好处。 在本案例研究之外，我们已经与客户一起探索了为 AI 提供代码库上下文的有趣而强大的方式，这使得用户能够在不需要理解或浏览代码的情况下提出问题。
2.4K00编辑于 2024-09-25 - 来自专栏MixLab科技+设计实验室
教学、研究、导师、面试#NotebookLM 的使用案例
1 / 研究剧情 来源：www.xda-developers.com/using-notebooklm-to-watch-a-show 作者使用 AI 驱动的研究助理 NotebookLM 来“观看”节目 2 / AI导师 三个工具（NotebookLM、Perplexity 和 ChatGPT）整合到一个工作流程，来源：www.xda-developers.com/paired-notebooklm-with-chatgpt-and-perplexity 这实际上意味着它只从你上传的文档中提取信息，这使得它对你的研究来说非常可靠。然而，当准备考试或尝试学习新知识时，有时会因为刚刚阅读的NotebookLM 的回复而产生新的问题。 有时，让它提供现实世界的例子、其他解释，甚至帮忙把这个想法与正在研究的其他主题联系起来。 ChatGPT 最新的学习模式也彻底改变了这一工作流程。 用法： 模拟面试：生成与JD匹配的深度回答（含具体案例）。 查漏补缺：对比JD提炼技能差距，提供经验映射建议。 —— 以上是NotebookLM的使用案例，欢迎留言分享你的使用心得/案例~~ ——
20410编辑于 2026-03-24 - 来自专栏Data Analysis & Viz
资源《机器学习基础：案例研究》by 华盛顿大学
不同于其他大佬们的更偏理论、算法原理、数学推导等的机器学习课程，本门课程以诸多案例的方式来介绍机器学习的一些知识，课程开始就会介绍到最后的终极任务（the Capstone Project）是实现基于图片和文本 在第一门课程——也就是本次分享的资源：《机器学习基础：案例研究》——里会先简单了下分类、回归、聚类、检索、推荐系统、深度学习等等知识，并用Graphlab库（类似pandas和scikit-learn） 以本课程《机器学习基础：案例研究》为例，其网址为：https://www.coursera.org/learn/ml-foundations 课程ID为：ml-foundations 在pip install 在第一门课简单的介绍了一些概念和案例后，后续还有三门更深入的课程，分别介绍：回归、分类、聚类和检索。课程目前正在开课中，可以在每门课的主页点击注册报名，选择“旁听”来免费学习。 ? ? ?
71110发布于 2018-08-21
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