- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI机器学习与深度学习算法
机器学习入门 5-8 实现多元线性回归
2 封装自己的多元线性回归类 首先在“playML”包下创建一个“LinearRegression.py”文件，此文件存放广义线性模型，也就是支持多元线性回归的方式，当然对于只有一个特征的简单线性回归问题
54800发布于 2019-11-13 - 来自专栏JAVA
Mysql高低版本切换需要修改的配置5-8（此处以aicode为例）(WARN: Establishing SSL connection without server‘s identity veri)
我这边出现此种报错的原因是我本地的数据在后面升级为了8.0版本的数据库，然后代码得到配置依照5.7的版本进行配置，因为升级数据库导致很多代码都出现了问题，故做此记录；希望可以帮助到大家
50610编辑于 2024-11-20 - 来自专栏OpenCV与AI深度学习
趣味应用 | 用OpenCV自动给图片添加彩虹特效---平淡的生活需要技术的点缀
4/5), 180, 0, 180, Scalar(255,0,128), 5); ellipse(img, Point(col/2,row*4/5), Size(col/2-8+100,row*4/5- 8), 180, 0, 180, Scalar(255,0,0), 5); ellipse(img, Point(col/2,row*4/5), Size(col/2-8*2+100,row*4/5-8 2), 180, 0, 180, Scalar(255,255,0), 5); ellipse(img, Point(col/2,row*4/5), Size(col/2-8*3+100,row*4/5- 8*3), 180, 0, 180, Scalar(0,255,0), 5); ellipse(img, Point(col/2,row*4/5), Size(col/2-8*4+100,row*4/5- 4), 180, 0, 180, Scalar(0,255,255), 5); ellipse(img, Point(col/2,row*4/5), Size(col/2-8*5+100,row*4/5-
62710发布于 2021-12-01 deepfig助力电商零售：全链路智能优化
核心应用场景智能选品：整合市场趋势+用户偏好+供应链模型视觉搜索：商品图片→相似款推荐→价格对比动态定价：成本+竞品+需求预测多模型协同智能客服：文本+语音+情绪分析无缝切换某电商平台效果转化率提升：18.3% 快速试点阶段（2周）选择1-2个核心场景部署预训练模型组合输出ROI评估报告2. 全面推广阶段（1个月）多场景模型集群部署与现有系统API对接员工培训与操作手册3. 持续优化阶段模型性能监控与调优新增场景扩展成本优化与效率提升行业专属解决方案包表格复制行业预配置模型数量实施周期预期ROI金融科技4-6个2-3周1:5.8生物医药5-8个3-4周1:7.2智能制造3- 5个2-3周1:6.5电商零售4-7个2周1:4.3立即开启AI转型之旅免费场景评估：专家团队上门诊断行业解决方案包：开箱即用的模型组合成功案例分享：获取同行业实施经验
27200编辑于 2025-09-09告别低效创作！AI 文章搬运工助力内容多平台快速出圈
个改写案例输出内容：●具体的写作技巧和句式建议●常用短语和表达方式●实际改写示例展示步骤4：多平台内容生成系统并行处理四个不同的输出分支：4.1小红书内容生成特色功能：●温暖友好的写作风格●自动添加相关表情符号●生成5- 8个SEO标签●口语化表达优化输出格式：[吸睛标题]⭐️[开头段落][分步说明][互动提问]#标签1#标签2#标签34.2Twitter线程生成特色功能：●自动拆分为5-8条推文●每条推文不超过280字符 登录腾讯云智能体开发平台b.选择"创建工作流"c.命名为"内容搬运工作流"2.配置参数提取节点a.添加"参数提取器"节点b.配置两个参数：原文链接(STRING)、文章风格(STRING)c.选择DeepseekV3模型 3.添加内容获取节点a.选择"插件"b.搜索并添加"WebFetch"插件c.配置最大字符数为50004.配置LLM节点a.添加"大语言模型"节点b.选择DeepseekR1模型c.复制写作策略生成的Prompt5 通过智能化的工作流设计，我们实现了：●效率提升：从数小时的人工改写缩短到几分钟的自动化处理●质量保证：基于AI模型的专业写作策略指导●成本降低：减少人工成本，提高ROI●规模化：支持批量处理，满足大规模内容需求随着
41310编辑于 2026-03-09无人机航测技术
OSGB转3DTiles3.4核心工具参数COLMAP空三：SIFT特征，匹配阈值0.7，平差迭代次数100OpenMVS重建：分辨率级别1，最小可见视角3，纹理分辨率40963DTiles转换：LOD层级5- 8级，瓦片大小64×64像素4.精度控制4.1评估指标空三精度：平面中误差≤2×GSD，高程中误差≤3×GSD模型精度：平面中误差≤3×GSD，高程中误差≤4×GSD检查点合格率：≥95%（误差≤3倍中误差 分区调整航高；增加飞行架次运动模糊0.5-2像素降低飞行速度；使用全局快门相机；提高快门速度5.常见问题解决方案问题根因量化解决方案航飞漏洞重叠度不足或地形遮挡补飞漏洞区域，重叠度提高至90%；增加飞行高度模型拉花纹理缺失或匹配错误增加影像数量 ；纹理缺失区域布设人工标记点高程偏差大POS精度低或控制点少使用RTK-POS数据；每平方公里增加至5个控制点空三解算失败匹配点数量不足提高影像重叠度至85%以上；使用SIFT特征模型加载慢数据量过大分块处理 控制点数据（CSV）中间：COLMAP稀疏点云、OpenMVS密集点云、OBJ网格输出：3DTiles、OSGB、glTF/GLB坐标：EPSG:4490（CGCS2000）数据要求：3DTilesLOD层级5-
22110编辑于 2026-05-13- 来自专栏智慧气象
超声波雪深监测站：预防融雪性洪水灾害
超声波雪深监测站：预防融雪性洪水灾害【TH-XS1】超声波雪深监测站通过非接触式高精度测量技术，能够实时追踪积雪深度变化，结合气象数据与水文模型，为融雪性洪水灾害的预防提供关键决策支持。 低维护成本：无机械磨损部件，寿命可达5-8年，适合野外长期部署。 二、融雪性洪水灾害预警机制关键数据融合分析积雪动态模型：结合历史雪深数据与实时监测值，预测积雪消融速度（如升温速率＞3℃/日时风险激增）。 水文耦合模型：输入雪深、土壤湿度、前期降水等参数，计算融雪径流量（公式：Q=C·S·ΔT，其中Q为径流，C为融雪系数，S为积雪面积，ΔT为温度变化）。
27310编辑于 2025-08-14 - 来自专栏大数据仓库建设
我国大陆地区的手机号正则匹配
((13[0-9])|(14[5,7])|(15[0-3,5-9])|(17[0,3,5-8])|(18[0-9])|161|166|198|199|(147))\\d{8}$" 在线正则测试 http ((13[0-9])|(14[5,7])|(15[0-3,5-9])|(17[0,3,5-8])|(18[0-9])|161|166|198|199|(147))\d{8}$
67230发布于 2019-03-12 - 来自专栏大数据仓库建设
我国大陆地区的手机号正则匹配
((13[0-9])|(14[5,7])|(15[0-3,5-9])|(17[0,3,5-8])|(18[0-9])|161|166|198|199|(147))\\d{8}$" 在线正则测试 http ((13[0-9])|(14[5,7])|(15[0-3,5-9])|(17[0,3,5-8])|(18[0-9])|161|166|198|199|(147))\d{8}$
2.2K20发布于 2019-03-14 - 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 - 来自专栏全栈程序员必看
latex中如何画表格_时态结构总结表格
multirow{5}{*}{column2} & \multirow{5}{*}{clo3} & \multirow{5}{*}{clo4} & f1 & f2 & f3 & f4 \\ \cline{5- 8} & & & & 1 & 2 & 3 & 4 \\ \cline{5-8} & & & & 5 & 6& 7 & 8 \\ \cline{5-8} & & & & 1 & 2 & 3 & 4 \\ \cline{5-8} & & & & 5 & 6& 7 & 8 \\ \hline \end{tabular} \end{table} ---- 发布者：全栈程序员栈长
2.6K10编辑于 2022-09-22 - 来自专栏机器之心
智源研究院发布仿真秀丽线虫天宝1.0：达到当前最高生物精度，走出生命智能到智能生命「关键一步」
机器之心报道 作者：蛋酱 在 5 月 31 日开幕的 2022 北京智源大会上，智源研究院正式发布了当前生物精度最高的仿真秀丽线虫天宝 1.0（MetaWorm），其单个精细神经元所表征的计算复杂度可类比 5- 单个生物神经元表征能力类比 5-8 层 DNN 从普遍的国际前沿精细化模拟工作来看，细胞和亚细胞是当前的最小研究单元，而「天宝 1.0」的优势在于在细胞和亚细胞级别上实现了高精度模拟。 在「天宝 1.0」模型的搭建中，天演团队使用了与该研究一致的模拟核心计算。也就是说，「天宝 1.0」所模拟级别的单个精细神经元所表征的计算复杂度可类比 5-8 层 DNN。 、有限元求解、简化流体模型、强化学习、可视化等多个模块。 此外，2022 北京智源大会的开幕式还公布了更多工作进展： 悟道大模型在众多应用领域持续落地生根。据智源研究院介绍，继 OPPO、好未来、淘宝、搜狗之后，智源悟道大模型在美团 APP 落地。
1K20编辑于 2022-05-31 - 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 - 来自专栏程序员小藕
固定资产投资监管微信实现
统计分析管理功能构建设计 4 数据库设计 4.1 概念结构设计 4.1.1 设计思路 4.1.2 总体E-R图 4.1.3 实体属性设计 4.2 逻辑结构设计 4.2.1 设计思路 4.2.2 逻辑模型 项目法人项目申请页面 项目申请信息页面，如图5-6所示： image.png 图5-6 项目申请信息页面 信息通知页面，如图5-7所示： image.png 图5-7 信息通知页面 微信平台信息通知，如图5- 8所示： image.png 图5-8 微信平台信息通知 项目可视化展示，如图5-9所示; image.png 图5-9 项目可视化展示 在线项目问题反馈页面，如图5-10所示： image.png 联系客服页面
47510编辑于 2022-05-09 充电桩领域垂直行业大模型分布式推理与训练平台建设方案 - 慧知开源充电桩平台
充电桩领域垂直行业大模型分布式推理与训练平台建设方案 一、平台定位与核心价值 行业首个垂直化AI平台 专为充电桩运营场景设计的分布式大模型训练与推理基础设施，实现"算力-算法-场景"三位一体闭环管理。 核心价值主张： 行业Know-How嵌入：内置充电桩运营专属特征工程与领域知识图谱 ⚡ 弹性算力供给：支持单节点→千卡集群弹性扩展（训练效率提升5-8倍） 场景化模型工厂：全生命周期管理（训练/微调 核心功能模块 模块 关键技术 典型输出 动态定价引擎 DRL+博弈论模型 动态调价策略（收益↑25%） 负荷预测系统 TFT时间序列模型 72h预测误差<5% 故障诊断专家 GNN+因果推理 故障定位准确率 -9个月） 典型成果： 某头部运营商部署后实现： 单桩日均收益↑22% 故障预测准确率91% 用户投诉率↓67% 阶段三：生态拓展（持续迭代） 开发者门户：API市场+沙箱环境 模型蒸馏工具链：大模型 服务分层 服务等级 内容 年费 白金版 定制模型开发+专属支持团队 xx万 黄金版 优先模型迭代+VIP响应通道 xx万 标准版 基础运维+常规更新 xx万
11010编辑于 2026-06-17- 来自专栏Agent
从零到一：手把手教你创建Multi-Agent模式的HR人事经理
这里选择的是Multi-Agent模式，下面一步一步带大家看看模型方面不多说，肯定是选择最热门的模型，咱也是图方便提示词我就直接交给AI一件优化，毕竟别人优化后比咱写的确实要好很多，AI也比较懂AI一些 提问清晰明确，建议具体可行，语气适中，既保持专业性又体现人文关怀【人物喜好】研究人才评估方法参加行业招聘论坛阅读人力资源管理相关书籍帮助求职者优化简历【输出要求】输出包含专业评估问题和简历修改建议问题数量控制在5- 简历专业评估与优化##意图描述：基于用户提供的简历内容，提出专业的评估性问题并提供具体的修改建议##意图示例：针对简历中的工作经历描述、技能展示方式、格式排版等提出优化建议##意图实现：系统分析简历内容，提出5- 这里一样还是选择热门大模型。这里也需要给这个Agent给上一个提示词，毕竟大家都是Agent，咱也不能偏心是吧。
80831编辑于 2025-12-04 - 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
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