- 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
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。 Android在运行状态时最多可以用3块缓存，如果此时你的应用还需要一块缓 存，那应用就会被阻塞直到三块中的一块缓存被释放。这种情况的发生一般有两个原因。 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。 这种架构不能为你优化重绘，这就是为什么我喜欢在Nexus7上测试（Nexus7使 用Tegra3）。这两种架构各有优劣。但这已经超出了本文的主题。仅仅只要知道两者都可以工作的很好就行了。
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
Step3：攻击者再次尝试上传Webshell，仍被拦截。 Step4：DDoS攻击停止。
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。
96930发布于 2021-01-11 - 来自专栏CNCF
CNCF案例研究：中国联通
公司：中国联通 地点：中国北京 行业：电信 挑战 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 - 中国联通平台技术研发部门负责人Chengyu Zhang 中国联通拥有超过3亿用户，是全国三大电信运营商之一。
1.1K10发布于 2019-12-04 - 来自专栏Jenkins
T-Mobile 和 Jenkins 案例研究
大多数人都知道 T-Mobile 是无线服务提供商。毕竟，我们拥有国际化的业务，并且是美国第三大移动运营商。但是我们还是一家技术公司，提供的新产品包括 TVision 家庭电视服务，T-Mobile Money 个人银行产品以及 SyncUp Drive 车辆监控和路边辅助设备。
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）
爬取csdn学院中的课程信息（编程语言的） 任务：爬取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 （第二页） ① 创建项目 在命令行编写下面命令，创建项目demo scrapy startproject educsdn 项目目录结构： educsdn ├── educsdn │ ├── __init__.py │ ├── __
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。 574255个样本，每一列都没有缺失数据，这意味着我们不需要进行缺失值处理，下面我们简单介绍一下每一列的含义： 2.2描述性统计 接下来，看一下数据的描述性统计： data.describe() 3. 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。 被告未经许可，在CHINAMP3网站上提供歌曲下载。整个下载过程均在CHINAMP3网站的页面下进行，但点击右键“属性”可出现选中歌曲的来源网站。 精伦电子未经许可，通过其开发生产的“精伦H3家庭多媒体中心”（下称精伦H3播放器，也称云智能电脑电视）非法传播涉案影视片《矮子多情》，侵害原告的信息网络传播权。 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。 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 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。 3 / 面试模拟 www.reddit.com/r/notebooklm/comments/1h1dwhb/use_case_suggestion_interview_prep 有reddit用户分享到自己用于找工作的面试模拟 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 - 来自专栏京程一灯
Facebook的DevOps案例研究与相关工具
DevOps工具 我们已经知道了 DevOps 的重要性，并了解了它生命周期的不同阶段以及所涉及到的 DevOps 工具，接下来让我们研究一下 Facebook 的案例，并了解他们为何从敏捷迁移到 DevOps 我们将研究 Facebook 曾经在 2011年推出的新功能的案例，这些功能导致了他们对产品交付过程的重新评估，并采用了 DevOps 方法。 Facebook案例研究 这导致了 Facebook 对策略的评估和调整，从而推出了暗启动技术。基于 DevOps 原则，Facebook 为其新版本的发布创建了以下方法。 ? 往期精选 BootstrapVue 入门 JavaScript的工作原理：引擎、运行时和调用堆栈 用 TypeScript 开发 Node.js 程序 快速上手最新的 Vue CLI 3 JavaScript
1.4K10发布于 2019-05-21 - 来自专栏xiaosen
GroK 3研究报告
当前，最强的大模型是 GroK 3，由 xAI 开发，其性能在多个基准测试中领先。本报告将详细探讨 GroK 3 的架构、性能和与其他模型的比较，并分析其在行业中的应用。 GroK 3 的架构与特点 GroK 3 基于 Transformer 架构，结合了混合模型技术，特别是状态空间模型（SSM）的创新。 性能评估 GroK 3 在多个基准测试中表现出色，特别是在长上下文任务上： 与 Claude 3.5 和 Gemini 1.5 相比，GroK 3 在长文档总结和信息检索任务中表现更优 (Data Points 研究表明： SSM 在长序列处理中效率更高，计算复杂度为线性，而 Transformer 为二次 (State Space Models: Reshaping AI's Future Beyond Transformers 数据对比 基准测试表现 Grok 3：据 xAI 发布会上披露的数据，Grok 3 在 LiveCodeBench（编程任务基准）中得分高于 Claude 3.5 Sonnet。
1.3K10编辑于 2025-02-21 - 来自专栏张耀琦的专栏
【机器学习入门系列】Regression 回归：案例研究
所以最好在我的CSDN上查看，传送门：（无奈脸） CSDN博客文章地址：http://blog.csdn.net/zyq522376829/article/details/66577532 为什么要先进行案例研究 没有比较好的数学基础，直接接触深度学习会非常抽象，所以这里我们先通过一个预测 Pokemon Go 的 Combat Power (CP) 值的案例，打开深度学习的大门。 <! Step3.挑选出“最好”的函数 $f^{}$ 然后就可以使用 $f^{}$ 来对新的测试集进行检测。 Step3：最好的方程 定好了损失函数，可以衡量每一个方程的好坏，接下来需要从函数集中挑选一个最好的方程。 将这个过程数学化： 由于这里举例的特殊性，对于式1-3，直接使用最小二乘法即可解出最优的 w 和 b，使得总偏差最小。
3.1K10发布于 2017-04-24 - 来自专栏ATYUN订阅号
解决多标签分类问题(包括案例研究)
3.加载和生成多标签数据集 Scikit-learn提供了一个独立的库scikit-multilearn，用于多种标签分类。为了更好的理解，让我们开始在一个多标签的数据集上进行练习。 4.解决多标签分类问题的技术 基本上，有三种方法来解决一个多标签分类问题，即: 1.问题转换 2.改编算法 3.集成方法 4.1问题转换 在这个方法中，我们将尝试把多标签问题转换为单标签问题。 例如，让我们考虑如下所示的一个案例。我们有这样的数据集，X是独立的特征，Y是目标变量。 ? 在二元关联中，这个问题被分解成4个不同的类分类问题，如下图所示。 ? 同样的，x3和x6有相同的标签。因此，标签powerset将这个问题转换为一个单一的多类问题，如下所示。 ? 因此，标签powerset给训练集中的每一个可能的标签组合提供了一个独特的类。 对于直接实现，你可以查看：http://scikit.ml/api/classify.html#ensemble-approaches 5.案例研究 在现实世界中，多标签分类问题非常普遍。
5.2K60发布于 2018-03-02
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