- 综合排序
- 最热优先
- 最新优先
- 来自专栏python3
3-6 读写二进制文件
在前面两节，读写的文件都是针对文本文件。这一节，重点讲述二进制文件的读写。什么是二进制文件呢？
1.3K10发布于 2020-01-08 - 来自专栏cwl_Java
C++编程之美-结构之法(代码清单3-6)
代码清单3-6 Int CalculateStringDistance(string strA, int pABegin, int pAEnd, string strB, int pBBegin
30150编辑于 2022-11-30 - 来自专栏刷题笔记
3-6 银行业务队列简单模拟 (20 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/101221630 3-6 银行业务队列简单模拟 (20 分) 设某银行有A、B两个业务窗口
86630发布于 2019-11-08 - 来自专栏AI机器学习与深度学习算法
机器学习入门 3-6 Numpy数组(和矩阵)的合并与分割
在 numpy 中合并数组比较常用的方法有 concatenate、vstack 和 hstack。在介绍这三个方法之前，首先创建几个不同维度的数组：
1.2K10编辑于 2022-05-25 - 来自专栏具身小站
基于VLA进行产品研发落地的步骤
) (3-6月) (3-5月) (2-3月) (3-6月) 关键里程碑： ├─ M1: 技术规格冻结 ├─ M2: 数据集v1完成 ├─ M3: 模型仿真验证通过 1.3 最佳实践 实践 说明 形态聚类 按几何相似性聚类，每类选3-5个代表 能力分级 定义L1（基础清洁）到L4（自适应清洁）等级 硬件解耦 VLA模块与底层运动控制解耦，便于迭代 阶段2：数据准备（3- 阶段5：测试验证与部署（3-6个月） 5.1 测试金字塔 ▲ ╱ ╲ Level 5: 真实用户测试（Pilot，100+户，3个月） 完善的日志和监控 产品层面 明确声明支持的型号 首次使用时的型号识别和提示 用户预期管理（不是万能清洁） 4 时间与资源估算 阶段 周期 团队规模 关键资源 需求定义 1-2月 3人 市场调研 数据准备 3- 6月 5-8人 标注平台、仿真环境 模型开发 3-5月 4-6人 GPU集群 系统集成 2-3月 6-8人 硬件样机 验证部署 3-6月 8-10人 测试场地、Pilot用户 总计 : 12-18个月
19710编辑于 2026-05-09 - 来自专栏深度学习与python
3-6月面经总结，200多页真题笔记和详解（含核心考点及6家大厂）| 极客时间
前两天有小伙伴给我留言： 为了进大厂，花了很多时间和精力在面试准备上，也刷了很多题。但题刷多了有点怀疑人生，不知道刷的这些题在之后的工作中能不能用到，如果只是为面试而刷题是不是并不可取？ 如果你想进大厂，或者去一个更大、更好的平台，就一定要做好两个准备： 靠技术安身立命，苦功下在平时； 面试一定要认真准备。 刷题就是认真准备的一种。否则的话，很多东西你看起来知道、会用，但在面试的高压场景下，很可能大脑一片空白，啥都说不出来。面试的时候，你又没办法面向 Google 编程。 大厂面试，一般会考的就是这么几个大
38610编辑于 2023-03-29 - 来自专栏Data Analyst
如何借助模型衡量营销效果？
营销组合模型流程 通常，构建营销组合模型需要五个基本步骤： 立项评估 通过探索、访谈、文献研究以及与客户反复沟通确定项目的主要内容，从而拟定出营销组合模型的雏形与具体的构建计划，这个过程一般需耗时 3-6周 数据获取 通过详细的数据清单进行数据的有效获取，并将数据整理成所需的形式，这个过程依数据的干净程度耗时不定； 探索性分析 进行异常数据鉴定、异常值检测以及进行响应变量与重要预测因子数据关系的研究 ，这个过程一般需耗时2-4周； 模型估计 确定因变量、建立模型层次以及制定模型评估方法，通常我会选择逻辑回归进行处理，如果是市场营销场景，则令销售量为Y，不同的营销手段、价格、促销因素作为X入模 ，这个过程一般需耗时3-6周； 模型优化 实现预算方案最优化，这个过程一般需耗时1-2周 ?
1.6K20发布于 2019-08-09 - 来自专栏数字化转型
基于国标GB/T 45341的睿擎GEO五层架构：让技术内容被AI优先引用
作者：睿擎科技关键词：GEO，AI搜索，GB/T45341，大模型，RAG，技术内容优化引言：AI时代，技术内容需要被“重新编译”DeepSeek、豆包、通义千问等AI平台正成为开发者获取技术信息的首选入口 该架构已在多家科技企业验证，可在3-6个月内将核心场景的AI语义引用率从4%提升至25%。 二、架构总览：五层模型与国标对齐层级对齐GB/T45341维度核心问题可量化指标战略层战略视角内容是否具备“被AI推荐的资格”？战略场景覆盖率场景层能力视角AI能否将内容精准匹配到开发者决策场景？ 若官网说“行业领先”，GitHubissues显示“未解决bug”，模型将产生认知冲突。 >60%冷启动路径（3-6个月）阶段时间核心任务预期成果诊断规划第1-2周提问图谱、基线测试选定1个高价值场景内容重构第3-6周完成10-20个核心问句证据匹配CoT锚点内容上线信源建设第7-10周RAG
13400编辑于 2026-06-12 - 来自专栏机器之心
吴恩达deeplearning.ai第5课开课了：敲黑板序列模型
吴恩达 deeplearning.ai 的五门课程 第一门：神经网络和深度学习 课程学习时间：四周，每周 3-6 小时 第二门：提升深度神经网络—调整超参数、正则化与优化 课程学习时间：三周，每周 3- 6 小时 第三门：构建机器学习项目 课程学习时间：两周，每周 3-4 小时 第四门：卷积神经网络 课程学习时间：四周，每周 4-5 小时 第五门：序列模型 ? 课程简介 本课程将讲授如何构建自然语言、音频和其他序列数据的模型。在深度学习的帮助下，序列算法比两年前效果更好，用于大量有趣的应用，如语音识别、音乐合成、聊天机器人、机器翻译、自然语言理解等。 使用序列模型处理自然语言问题，如文本合成。 将序列模型应用到音频应用中，如语音识别和音乐合成。 这是 Deep Learning Specialization 课程的第五课，也是最后一课。 第 3 周：序列模型 & 注意力机制 序列模型可通过注意力机制获得增强。这一算法有助于模型在给定输入序列的情况下了解其注意力的聚焦点。本周，你还将学到有关语音识别的知识，以及如何处理音频数据。 ?
1.1K70发布于 2018-05-10 云+智能普惠金融科技解决方案：驱动金融服务质效双升与合规展业
企业数据湖建设：某机构实现数据加工时效从近1小时→5分钟，明细查询时效提升4-7倍，整合查询时效提升3-6倍。 大模型业务融合：某金融科技公司转化率、反欺诈精准识别、建模效率、日均服务数、经营与风险洞察力显著提升；某持牌消费金融文本大模型使意图识别率、推荐话术采纳率、智能工单采纳率提升，投诉转监管率下降。 （来源：腾讯全球数字生态大会案例） 客户实践案例实证 案例1：某金融科技公司大模型全业务融合 夯实大模型基础能力，AI嵌入营销获客、贷前贷中风控筛查、客户服务等全场景，实现转化率提升、反欺诈精准识别 （来源：腾讯全球数字生态大会） 案例2：某持牌消费金融文本大模型应用 通过文本大模型意图识别、话术推荐优化客户服务，实现意图识别率提升、推荐话术采纳率提升、智能工单采纳率提升，推动投诉转监管率下降， （来源：腾讯全球数字生态大会） 案例5：某机构企业数据湖建设 基于Iceberg构建湖仓一体能力，简化数据链路，实现数据加工时效1h→5min、明细查询时效4-7倍提升、整合查询时效3-6倍提升，支撑复杂数据处理需求
27320编辑于 2026-04-22- 来自专栏数据分析与挖掘
pycaret之集成模型（集成模型、混合模型、堆叠模型）
1、集成模型 组装训练好的模型就像编写ensemble_model一样简单。它仅采用一个强制性参数，即经过训练的模型对象。 此函数可用于混合可以使用blend_models中的estimator_list参数传递的特定训练模型，或者如果未传递列表，它将使用模型库中的所有模型。 3、堆叠模型 堆叠模型是使用元学习的整合方法。堆叠背后的想法是建立一个元模型，该模型使用多个基本估计量的预测来生成最终预测。在PyCaret中堆叠模型就像编写stack_models一样简单。 此函数使用estimator_list参数获取训练模型的列表。所有这些模型构成了堆栈的基础层，它们的预测用作元模型的输入，可以使用meta_model参数传递该元模型。 restack参数控制将原始数据公开给元模型的能力。默认情况下，它设置为True。当更改为False时，元模型将仅使用基本模型的预测来生成最终预测。
3.6K10发布于 2020-10-27 AI日报 - 2025年3月14日
今日概览（60秒速览） ▎ AGI突破 | Anthropic CEO预测AI将主导代码生产（未来3-6个月覆盖90%） ▎ 商业动向 | BYD以400万辆销量超越特斯拉成全球电动车霸主 ▎ 技术趋势 | Hugging Face开源模型IOI竞赛超越Claude 3.7 Sonnet ▎ 应用创新 | 斯坦福HAI推出Evo 2工具，生物学实验效率提升万倍 一、今日热点 (Hot 2.32亿美元投资获10倍回报，印证中国智造潜力1.2 AGI代码革命逼近临界点#代码生成 #软件开发革命 #Anthropic | 影响指数：★★★★☆ 核心进展：Anthropic CEO预测未来3- undefined▸ 知识传递效率革命正在进行undefined 背景：前特斯拉AI总监提出"模型原生内容"概念5.2 Sam Altman 影响力指数：★★★★☆ "首个让我震撼的AI创意写作模型即将面世 API安全 ● 亮点： ▸ 敏感信息零暴露架构 ▸ 请求延迟<50ms ▸ 开源即用解决方案 专家评：企业级AI应用开发新标准 七、AI趣闻 (Fun Corner)7.1 教授VS大语言模型
64800编辑于 2025-03-13- 来自专栏全栈程序员必看
–AR模型,MA模型,ARMA模型介绍
AR模型的定义 ————— AR模型平稳性判别 AR模型是常用的平稳序列的拟合模型之一，但并非所有的AR模型都是平稳的 。 第一个平稳的AR模型 这个AR模型的递推式子是x[t]=0.8*x[t-1]+e，其实e是一个误差项。 AR模型的一些性质 若AR模型满足平稳性条件，则他的均值为0，我们可以从上面的图中看出 AR模型的自相关系数是呈复指数衰减– 有拖尾性 AR模型的偏自相关系数有截尾性 注意第二,第三条很重要，后面可以用来做模型的识别 我在强调一遍 AR模型的自相关系数是呈复指数衰减– 有拖尾性 * AR模型的偏自相关系数有截尾性* MA模型 MA模型的定义 MA模型的可逆性 这个性质在推到MA模型的相关系数和自相关系数的时候比较有用 看一下可逆的定义 接下来看一下MA模型怎么转换成AR模型 最后我们看一下什么样的MA模型可以转化为AR模型 可逆MA模型的应用 对于一些MA模型，虽然其生成的式子不一样，但是其自相关图是一样的
2.7K20编辑于 2022-09-20 - 来自专栏学习
【软件测试】敏捷模型（Scrum模型）和V模型、W模型
敏捷模型 前面的那些模型以前非常流行，但现在开发人员在使用的时候会遇到各种问题。主要困难包括在项目开发期间处理来自客户的变更请求，以及合并这些变更所需要的高成本和时间。 在实际工作中，一款产品的功能是不断在变化的 所以为了克服这些缺点，就提出了敏捷软件开发模型。在敏捷模型中，需求被分解成许多可以增量开发的小部分。敏捷模型采用迭代开发。每个增量部分都是在迭代中开发的。 敏捷模型主要旨在帮助项目快速适应变更请求。 V 模型 V 模型中，明确的标注了测试过程中存在的不同类型的测试 右边的测试，都需要参考左边对应高度的要求 缺点： 仅仅把测试作为在编码之后的一个阶段，未在需求阶段就介入测试。 缺点和瀑布模型一样 W 模型（双 V 模型） V 模型中未将测试前置的问题在 W 模型中得以解决 开发 V 模型并不是单单指编码阶段，而是为产品开发流程而实施的各个阶段 测试的对象不仅是程序，需求、
3.1K10编辑于 2024-11-15 - 来自专栏数据分析与挖掘
pycaret之训练模型（创建模型、比较模型、微调模型）
1、比较模型 这是我们建议在任何受监管实验的工作流程中的第一步。此功能使用默认的超参数训练模型库中的所有模型，并使用交叉验证评估性能指标。它返回经过训练的模型对象。 2、创建模型 在任何模块中创建模型就像编写create_model一样简单。它仅采用一个参数，即型号ID作为字符串。 尽管有一个单独的函数可以对训练后的模型进行集成，但是在通过create_model函数中的ensemble参数和方法参数创建时，有一种快速的方法可以对模型进行集成。 3、微调模型 在任何模块中调整机器学习模型的超参数就像编写tune_model一样简单。它使用带有完全可定制的预定义网格的随机网格搜索来调整作为估计量传递的模型的超参数。 对于有监督的学习，此函数将返回一个表，该表包含k倍的通用评估指标的交叉验证分数以及训练有素的模型对象。对于无监督学习，此函数仅返回经过训练的模型对象。
2.8K10发布于 2020-10-27 - 来自专栏HUC思梦的java专栏
瀑布模型&螺旋模型
软件开发模型： 1.瀑布模型 1）软件概念阶段 用户需求 2）需求分析 软件需求 3）架构设计 架构文档 4）详细设计 模型设计 5）编码阶段 代码文档 6）测试阶段 瀑布模型的特点是在每个阶段的工作都清晰详尽 瀑布模型还有一个缺点是项目编码处在后半程，因此客户需要等待很长时间才能体验到产品，故此需要在早期就为用户提供一个体验的样本，这个样本就是产品原型。 瀑布模型非常适合使用在需求清晰且不易改变的情况。 除此之外，遇到一个需求非常清晰的客户是使用瀑布模型的一个重要前提。 2.螺旋模型 ? 螺旋模型兼顾了快速成型的迭代特征以及瀑布模型的系统化与严格监控。 螺旋模型最大的特点在于引入了其他模型不具备的风险分析，使软件在无法排除重大风险时有机会停止，以减小损失。 螺旋模型的特点是每阶段只完成特定部分的功能，循环渐进式的开发。 螺旋模型非常适合使用在客户需求经常发生变化或者客户需求不明确的情况。
1.7K20发布于 2020-09-03 - 来自专栏全栈程序员必看
GloVe模型_nerlove模型
文章目录 系列目录（系列更新中） 1.概述 2.统计共现矩阵 3.使用GloVe模型训练词向量 3.1.模型公式 3.2.模型怎么来的 3.3.Glove和skip-gram、CBOW模型对比 4. Sampling） 第三讲 cs224n系列之skip-pram优化 & Global Vector by Manning & 词向量评价 理解GloVe模型（+总结） 1.概述 模型目标 3.使用GloVe模型训练词向量 3.1.模型公式 先看模型，代价函数长这个样子： J = ∑ i , j N f ( X i , j ) ( v i T v j + b i + b j − l o 可以看到，GloVe模型没有使用神经网络的方法。 3.2.模型怎么来的 那么作者为什么这么构造模型呢？ 融入全局的先验统计信息，可以加快模型的训练速度，又可以控制词的相对权重。
76010编辑于 2022-09-29 - 来自专栏Backup@zzk
生成模型&判别模型
#生成模型 #判别模型机器学习中的判别式模型和生成式模型目录：基本概念用例子说明概念判别式模型和生成式模型的区别二者所包含的算法在机器学习中，对于有监督学习可以将其分为两类模型：判别式模型和生成式模型。 1.2 生成式模型这么做一般会对每一个类建立一个模型，有多少个类别，就建立多少个模型。 生成式模型： 是根据山羊的特征首先学习出一个山羊的模型，然后根据绵羊的特征学习出一个绵羊的模型，然后从这只羊中提取特征，放到山羊模型中看概率是多少，再放到绵羊模型中看概率是多少，哪个大就是哪个。 但是，生成式模型的概率分布可以有其他应用，就是说生成式模型更一般更普适。不过判别式模型更直接，更简单。两种方法目前交叉较多。由生成式模型可以得到判别式模型，但由判别式模型得不到生成式模型。3. 判别式模型和生成式模型的区别3.1 判别式模型和生成式模型的对比图图片上图左边为判别式模型而右边为生成式模型，可以很清晰地看到差别，判别式模型是在寻找一个决策边界，通过该边界来将样本划分到对应类别。
1.1K00编辑于 2023-08-17 - 来自专栏NewBeeNLP
BART原理简介与代码实战
写在前面 最近huggingface的transformer库，增加了BART模型，Bart是该库中最早的Seq2Seq模型之一，在文本生成任务，例如摘要抽取方面达到了SOTA的结果。 ? 微调后的模型； bart-large-mnli：基础模型在MNLI classification task微调后的模型； 下面我们来看看BART。 from 21 year-old Austrian Dominic Thiem, who pushed him to 4-4 in the second set before going down 3- Muray throws his sweatband into the crowd after completing a 3-6, 6-4, 6-1 vi ctory in Florida . BART生成的摘要效果：Andy Murray beat Dominic Thiem 3-6, 6-4, 6-1 in the Miami Open.
3.3K20发布于 2020-08-26 - 来自专栏Java架构师必看
星星模型&&雪花模型
在多维分析的商业智能解决方案中，根据事实表和维度表的关系，可将常见的模型分为星型模型和雪花型模型。在设计逻辑型数据的模型的时候，就应考虑数据是按照星型模型还是雪花型模型进行组织。 星型模型 当所有维表都直接连接到“ 事实表”上时，整个图解就像星星一样，故将该模型称为星型模型。 ? 雪花模型 当有一个或多个维表没有直接连接到事实表上，而是通过其他维表连接到事实表上时，其图解就像多个雪花连接在一起，故称雪花模型。雪花模型是对星型模型的扩展。 雪花模型和星星模型的区别： 星型模型因为数据的冗余所以很多统计查询不需要做外部的连接，因此一般情况下效率比雪花型模型要高。星型结构不用考虑很多正规化的因素，设计与实现都比较简单。 在雪花模型中，数据模型的业务层级是由一个不同维度表主键-外键的关系来代表的。而在星形模型中，所有必要的维度表在事实表中都只拥有外键。 3）性能 第三个区别在于性能的不同。
1.1K31发布于 2021-08-10
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