- 综合排序
- 最热优先
- 最新优先
- 来自专栏一个会写诗的程序员的博客
jBPM 工作流引擎可视化编辑器
JBPM，是一款开源的工作流产品，功能强大、小巧灵活。 JBPM采用XML结构的流程描述语言JPDL来描述工作流程 JBPM使用Hibernate作为持久层工具，可以在各大主流数据库中使用 官网：http://www.jboss.org/jbpm/ JBPM3 工作流（Workflow），就是“业务过程的部分或整体在计算机应用环境下的自动化”，它主要解决的是“使在多个参与者之间按照某种预定义的规则传递文档、信息或任务的过程自动进行，从而实现某个预期的业务目标 ，或者促使此目标的实现” 简单的说，就是将工作的流程通过程序管理起来，以表单审核和任务办理为主体，实现办公自动化 工作流框架，将业务流程管理起来， 所有业务流程操作，围绕工作流框架进行， 基于表单提交和任务办理 工作流框架有：Jbpm、OSWorkflow、ActiveBPEL、YAWL等 https://blog.csdn.net/qq_36414013/article/details/72903762
2.1K10发布于 2021-06-17 - 来自专栏数据科学与人工智能
数据科学工作流程
[导读]我们做出数据产品的过程一般是比较规范化的，通常称这个过程为：方法论、产品生命周期或者工作流程。 当然数据科学的工作也有很多选择，就像没有一套通用的开发软件工程一样，但我们会努力设计出一套尽可能适用的工作流程。 ? ? 01 •CRISP-DM（数据挖掘建模标准） ---- CRISP-DM是为大数据的信息挖掘设计的，在本质上这是标准对于软件工程来讲可能更适合数据科学。 以下是CRISP-DM的6个步骤： 1.理解业务核心 2.理解数据关系 3.数据准备 4.建立模型模 5.评价优化 6.具体实施 02 •数据科学项目生命周期 ---- 数据科学项目生命周期的理论更加工程化了 它的步骤为： 1.数据采集 2.数据准备 3.假设和建模 4.评估和解释 5.部署 6.具体操作 7.循环优化 03 •数据科学工作流程 ---- 在PhilipGuo的博士论文
1.3K70发布于 2018-02-28 - 来自专栏Spark学习技巧
数据科学的工作流程
本文浪尖主要讲讲数据分析企业内的工作流程。 随着，云计算使得计算能力的提示，大数据技术的飞速发展，数据也是备受企业重视，企业内部都是在想法设法的得到你的数据，分析你，然后从这个过程中获利。 强调一点，不仅是从数据分析的结果中获利，比如推荐系统等，而且从数据采集到展示，企业都是可以获利的。由此可见，数据的重要性。 数据科学的工作流程 现在企业中标准的数据分析过程如下： 首先，我们生活在这个世界中。在这个世界上，有很多人在从事各种各样的活动。 在拿到这份干净的数据后，我们应该先做一些探索性数据分析。在这个过程中，我们或许 会发现数据并不是那么干净，数据可能含有重复值、缺失值或者荒谬的异常值，有些数据 未被记录或被错误地记录。 数据科学的基本技术架构支持 这部分不多说，直接上个宜人贷的反欺诈平台架构图。 数据科学家在数据科学工作流程中的角色 到目前为止，所有这一切仿佛不需要人工干预，奇迹般地发生了。
1.7K60发布于 2018-03-20 - 来自专栏用户7004369的专栏
如何利用快速开发平台可视化开发工作流
XJR开发平台的工作流是整合activity工作流引擎的图形化流程设计器，通过可视化配置界面。基于B/S结构，纯浏览器应用，只需要拖拽组件，拼接流程，就能实现各层的审批。 既能实现OA办公系统内部工作流之间的数据整合，如借款与报销、预算与决算等，又能实现OA办公系统工作流与其他业务系统之间的数据整合，如HR、ERP、CRM等。 在OA办公系统中，每个人都会用的请假流程，我们拿请假申请流程来举例，看看如何利用XJR快速开发平台进行可视化设计流程？ 建立工作流程前我们需要先通过XJR快速开发平台的可视化表单设计先设计设计出请假表单。前面有文章详细介绍过了，在这里不详细讲解了。 一、点击后台工作流程→流程设计 二、用流程设计器画出请假流程图，XJR快速开发平台的流程设计器是整合activtity开发，采用可视化编辑工作流引擎，辅助研发人员设计专业的流程功能，像我这种只会办公软件的人都可轻易上手
2.1K00发布于 2020-03-03 - 来自专栏大数据与微服务架构
大数据工作流Oozie
提供Hadoop任务的调度和管理，不仅可以管理MapReduce任务，还可以管理pig、hive、sqoop、spark等任务，Oozie就是一个基于hadoop的工作流引擎。 两个主要组件： 工作流定义组件:一系列Action个的列表（Action就是一个任务节点，eg：MapReduce任务、pig任务、hive任务等） 调度器组件：可调度的WorkFlow（workflow 就是定义一个DAG的任务图，而调度器可以决定在某个时间或符合条件执行DAG（有向无环图 Direct Acyclic Graph）任务图） Oozie工作流定义中的两种节点： 控制流节点：用于定义逻辑判断 ，eg：start、end、控制流程执行路径 动作节点：用户执行任务节点：hadoop任务、Oozie子流程 定义一个完整Oozie工作流需编写3个文件 1、workflow.xml:（必需）定义工作流任务 （需放到HDFS上） 2、config-default：（可选） 包括所有工作流共享的属性值 3、job.properties： （必需）针对每个工作流的属性值
61130发布于 2020-04-11 - 来自专栏灵墨AI探索室
借助AI助手分析LlamaIndex的工作流可视化
引言 接续上次的讨论，我们上次主要分析了LlamaIndex工作流的核心流程，当前还剩下一行代码需要关注，那就是关于工作流的可视化。 今天我们的目标是深入理解这一可视化部分的主要流程，并且对其大体的实现方式进行简要的了解和探讨。 Network是啥 pyvis 是一个功能强大的 Python 库，专门用于创建动态和交互式的网络可视化图形。 该库中的核心组件是 Network 类，通过这一类，用户不仅可以构建复杂的网络结构，添加各种节点和边，还可以灵活地设置网络的布局和样式，以满足不同的可视化需求。 总结 在本文的最后，我们总结了LlamaIndex工作流的可视化部分的实现和细节，重点分析了如何利用Python中的pyvis库和Java中的图形库，分别在两种语言中构建和展示网络图。
43720编辑于 2024-12-02 - 来自专栏Tencent Serverless 官方专栏
可视化编排云服务，工作流 ASW 开始公测！
ASW 简介 应用与服务编排工作流（Application Services Workflow，ASW）是对腾讯云服务进行可视化编排，组合成工作流模板的应用程序集成类产品。 同时，您将无需编写代码，只需用可视化编排的方式快速构建自动化工作流模板，并实例化为任务去执行，或发布为服务接口提供对外访问。 可视化编排 ASW 将各类云服务的 API 以视图组件的形式展现，支持通过拖拽组件，可视化地编排工作流模板。可根据需求实现云服务的自由组合，提供满足复杂业务场景的工作流服务。 将各类云服务组件以可视化编排组合的方式组成工作流模板，并集成为服务，为云端用户提供便捷、低成本的云上开发服务。 ? 6. 应用程序集成 将各类云服务组件以可视化编排组合的方式组成工作流模板，并集成为服务，为云端用户提供便捷、低成本的云上开发服务。 ? 申请试用 ASW ASW 目前处于公测阶段，公测阶段免费提供服务。
4K30发布于 2021-01-22 - 来自专栏磐创AI技术团队的专栏
掌握数据科学工作流程
_predictions = {} self.data = pd.read_csv("insurance.csv") 接下来，我们将定义一个名为'eda'的方法，执行一些简单的可视化操作 _predictions[model_name], self.y_test) 我们可以定义该类的一个实例并生成一些可视化效果： mlworkflow = MLworkflow() mlworkflow.eda 使用辅助类对模型类型和按类别分段的训练数据进行记录 为了避免不断增加的复杂性，通常可以使用辅助类，这些类是基于ML工作流的每个部分进行定义的。 上找到:https://github.com/spierre91/deepnote/blob/main/helper_class_ml.ipynb 结论 在本文中，我们讨论了如何使用面向对象编程来简化数据科学工作流程的部分 首先，我们定义了一个单一的ML工作流类，它可以进行简单的EDA、数据准备、模型训练和验证。 然后，我们看到随着我们向类添加功能，对类实例的方法调用变得难以阅读。
46221编辑于 2023-10-26 - 来自专栏云工作流
腾讯云 ASW 工作流，可视化编排云服务
通过 ASW 工作流，设定好执行步骤，即可将多个腾讯云服务按步骤进行调度，极大地简化了开发复杂度。ASW 预置了常见的应用模板，一键部署，开箱即用。 产品优势 01. 可视化监控 ASW 提供可视化界面来定义工作流和查看执行状态。状态包括输入和输出等。方便您快速识别故障位置，并快速排除故障问题。 点击这里，深入了解「腾讯云 ASW 工作流」产品服务。
3.9K40发布于 2021-04-27 - 来自专栏AI SPPECH
n8n 可视化自动化工作流平台：拖拽式工作流的无代码革命
n8n作为开源的可视化自动化工作流平台，旨在提供一个既易用又强大的解决方案，满足各种复杂的自动化需求。 案例：某数据分析公司使用n8n实现数据集成与处理 需求：从多个数据源收集数据，进行清洗和转换，然后加载到数据仓库 解决方案：使用n8n连接各种数据源和数据仓库，创建自动化ETL工作流 实现的工作流： 从API收集数据 数据清洗和转换 数据加载到数据仓库 数据质量检查 分析结果可视化 效果： 数据处理时间减少了80% 提高了数据质量 减少了手动数据处理的错误 7. 实时协作：支持多人实时编辑工作流 更强大的数据分析能力：内置数据分析和可视化功能 物联网集成：支持更多物联网设备和协议 7.2 挑战与机遇 挑战： 与现有系统的集成 性能优化的持续挑战 安全和合规性 总结与互动 8.1 核心要点总结 n8n作为开源的可视化自动化工作流平台，提供了以下核心优势： 易用性：拖拽式界面，易于使用，无需编程知识 灵活性：支持复杂的工作流逻辑和自定义开发 数据隐私：本地部署，
1.2K10编辑于 2025-11-20 - 来自专栏Tencent Serverless 官方专栏
腾讯云 ASW 工作流，可视化编排云服务
通过腾讯云 ASW 工作流，设定好执行步骤，即可将多个腾讯云服务按步骤进行调度，极大地简化了开发复杂度。ASW 预置了常见的应用模板，一键部署，开箱即用。 —— 产品优势 —— 01. 可视化监控 ASW 提供可视化界面来定义工作流和查看执行状态。状态包括输入和输出等。方便您快速识别故障位置，并快速排除故障问题。 一张图快速读懂「腾讯云 ASW 工作流」 ? 识别下方 ? GitHub: github.com/serverless 官网: cloud.tencent.com/product/serverless-catalog 点击「阅读原文」，深入了解「腾讯云 ASW 工作流
3.8K10发布于 2021-04-27 - 来自专栏智能大数据分析
【数据可视化技术】数据可视化概述&工具
本章简单介绍数据可视化的发展历史、可视化工具分类，重点结合ECharts介绍Web可视化组件生成方法，并给出Java Web开发与相关大数据组件的数据集成，以展现数据可视化结果。 一、数据可视化概述 （一）基本概念 数据可视化，是指将结构或非结构化的数据转换成适当的可视化图表，然后将隐藏在数据中的信息直接展现在人们面前，是一种关于数据视觉表现形式的科学技术研究。 （三）基本方式 进入20世纪，数据可视化有了飞跃性的发展。数据可视化的方式可以分为面积与尺寸可视化、颜色可视化、图形可视化、地域空间可视化和概念可视化等。 二、数据可视化工具 根据可视化工具的使用方式使用用户的不同，可分为桌面数据可视化技术（如Excel、R可视化和Python可视化等）、在线数据可视化技术（Oracle BI、Superset SuperSet可以支持十几种可视化图表，用于将查询返回的数据做可视化展示，但是其可视化目前只支持每次可视化一张表，不支持join连接，且过于依赖数据库的快速响应。
1.4K10编辑于 2025-01-22 - 来自专栏全栈程序员必看
数据可视化编程实战_大数据可视化
R语言在常规数据分析的场景下，如数据读入，预处理，整理，以及单机可视化方面表现出的优势，无论从用户体验，还是代码流畅度，令另两种语言略逊一筹。 本文将从统计学中最基本的密度曲线的绘制，来串讲一下题目中所涉及的R语言可视化中三个强大的可视化包的用法，以及之间的联系。 以此为基础，进阶高段，可以自然过渡到Python，Julia等语言的可视化实践活动中。 首先引入本次实践使用的数据集SENIC，该数据集描述了在不同的美国医院测量的结果。 %>%是tidyverse的工作流（pipeline）符号，用于衔接目的相近或功能相似的代码块。 展示的用的是DT，专门用于显示表格数据，如下图所示： 3 创建离群值函数 目的在于返回一些离群值，用在后续的可视化内容中。
9.5K20编辑于 2022-11-17 - 来自专栏大数据
数据可视化
今天我们来聊一波有趣的数据可视化。 首先，我们先讲一下我们今天要用到的数据。 我们打开前6行可以看到以下部分： X head(X) 其中country就是统计的国家啦，year则是统计获得的年份，这份数据采集了1952年到2007年的数据，每五年进行一次统计，pop则是人口的数目 那么，我们应该如何在图上找到我国呢，嗯，不如把人口数据也填进来。 下面是包含人口数据的气泡图，气泡的大小都和样本中人口的数目成正比。 此外，如果我们还可以将箱线图中的数据散点化并绘制出如下的结果。 p.p.s如果觉得数据说明中或者代码上有什么问题，欢迎交流。
2.9K80发布于 2018-01-29 - 来自专栏睡不着所以学编程
数据可视化
数据可视化 点进官网看了看实例,真的超级有意思,很难想象这些居然都是JS写出来的 ①刚刚去官网下载了JS文件,引入到项目中了 ②现在准备容器: ③实例化对象: ④⑤: 这样就搞定了! 现在我又做了一个饼图的,非常简单,就复制粘贴,但是修改数据什么的还要学习 containLabel: 当刻度溢出时,grid区域是否包含坐标轴的刻度标签,如果是true,则显示,否则当left和right
1.3K10编辑于 2022-09-20 - 来自专栏DeepHub IMBA
Daggr：介于 Gradio 和 ComfyUI 之间的 AI 工作流可视化方案
它不是要取代 Python，也不是强推拖拽式编辑器，而是填补一个长期存在的空白：用代码定义工作流，用可视化图审视系统状态。 每个计算步骤对应一个节点，节点之间的数据流向清晰可见，所有中间输出均可点击查看、单独重跑或回溯历史。 一个关键的设计决策是：可视化层仅作为观察工具，代码始终是唯一的事实来源。 状态可视化 Daggr 使用边的颜色传递数据状态信息：橙色表示数据是最新的，灰色表示数据已过期。 当上游输入发生变化时，所有依赖该输入的边都会变为灰色，清晰地指示哪些节点需要重新执行。 Scatter 和 Gather 模式 部分工作流需要处理列表数据：生成多个项目，分别处理，最后合并结果。 deploy my_app.py Daggr 会自动提取工作流图、创建 Hugging Face Space、生成元数据并完成部署。
13710编辑于 2026-02-27 - 来自专栏zxctscl个人专栏
【数据可视化】数据可视化入门前的了解
从数字可视化到文本可视化，从折线图、条形图、饼图到文字云、地图，从数据可视化分析到可视化平台建设，数据可视化越来越成为企业核心竞争力的一个重要组成部分。 2.3 数据可视化的作用 通过数据可视化，人们可以从数据中寻找到什么呢？ 目前，数据可视化的作用可分为3个方面：模式、关系和发现异常。不管图形表现的是什么，这三者都是应该留心观察的。 数据可视化流程 数据可视化流程类似一个特殊的流水线，主要步骤之间相互作用、相互影响。数据可视化流程的基本步骤为确定分析目标、数据收集、数据清洗和规范、数据分析、可视化展示与分析。 数据分析中最简单的方法是一些基本的统计方法，如求和、中值、方差、期望等，而数据分析中复杂的方法包括了数据挖掘中的各种算法。 可视化展示与分析 可视化展示与分析是数据可视化流程中的一个重点步骤。 丰富的可视化类型 ECharts提供了常规的折线图、柱状图、散点图、饼图、K线图、用于统计的盒形图，用于地理数据可视化的地图、热力图、线图，用于关系数据可视化的关系图、矩形树图、旭日图，多维数据可视化的平行坐标
1.4K10编辑于 2024-03-12 - 来自专栏全栈程序员必看
echarts数据可视化如何实现_数据可视化页面
ECharts实现数据可视化入门教程（超详细） ECharts介绍 ECharts入门教程 第一步：下载并引入scharts.js文件 第二步：编写代码 目录结构 编写index.html代码 主要配置（常用的） 案例讲解 补充 示例链接 立即执行函数 让图表跟随屏幕自适应 ECharts介绍 官网链接：Apache ECharts ECharts是一个使用 JavaScript 实现的开源可视化库 可以流畅的运行在 PC 和移动设备上，兼容当前绝大部分浏览器（IE8/9/10/11，Chrome，Firefox，Safari等），底层依赖矢量图形库 ZRender，提供直观，交互丰富，可高度个性化定制的数据可视化图表 每个系列通过 type 决定自己的图表类型 – 通俗的理解：图标数据，指定什么类型的图标，可以多个图表重叠。 window.addEventListener("resize", function() { // 让我们的图表调用 resize这个方法 myChart.resize(); }); 以上就是ECharts实现数据可视化入门教程
2.8K10编辑于 2022-11-04 - 来自专栏PPV课数据科学社区
【数据可视化专题】数据可视化：前端数据之美如何展示？
随着 web 技术的蓬勃发展，前端的展示、交互越来越复杂，在用户的访问、操作过程中产生了大量的数据。由此，前端的数据分析也变得尤为重要。 下面就逐步描述前端有哪些数据、如何采集前端的数据、以及如何展示数据统计的结果。 有哪些？ 数据很多、很杂，不进行很好的分类肯定会导致统计混乱，也不利于统计代码的组织，下面就对几种普遍的数据需求进行了分类： 1、访问 访问数据是基于用户每次在浏览器上打开目标页面来统计的，它是以 PV 为粒度的统计 ，一个 PV 只统计一次访问数据。 捕获到这些数据之后，需要将数据发送回服务器端，一般都是采用访问一个固定的 url，把数据作为该 url 的 query string，如：http://www.baidu.com/u.gif?
4.1K101发布于 2018-04-20 - 来自专栏数据科学与人工智能
【Python环境】数据挖掘有哪些工作流程？
数据挖掘工作流程： 一、收集数据 收集数据一般是补充外部数据，包括采用爬虫和接口，获取，补充目前数据不足部分。Python scrapy,requests是很好的工具。 二、准备数据 主要包括数据清洗，预处理，错值纠正，缺失值填补。连续值离散化，去掉异常值，以及数据归一化的过程。同时需要根据准备采用的挖掘工具准备恰当的数据格式。 三、分析数据 通过初步统计、分析以及可视化，或者是探索性数据分析工具，得到初步的数据概况。分析数据的分布，质量，可靠程度，实际作用域，以确定下一步的算法选择。 R的ggplot,python的matplotlib,js 的leaflet,d3都是很好的可视化工具。 四、训练算法 整个工作流最核心的一步，根据现有数据选择算法，生成训练模型。 Java的Weka和Python的Scipy是很好的数据挖掘分析工具，一般都会在小数据集做算法选择的预研。 2.参数调整。这是一门神奇的技能，只能在实际过程中体会。
78970发布于 2018-02-27
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