- 综合排序
- 最热优先
- 最新优先
- 来自专栏PowerBI入门100例
2.16 PowerBI数据建模-时间智能函数
)+指定筛选条件这种较为复杂的方式去修改上下文，直接将时间智能函数用于CALCULATE的第二参数，甚至有些函数直接省略了CALCULATE，大大提升了代码的书写效率和可读性。 时间智能函数清单类型函数说明平移取等量DATEADD将当前上下文中的日期按指定的间隔数向未来推移或者向过去推移。 举例函数较多，抛砖引玉，举几个例子了解时间智能函数的用法。 图片3 多数时间智能函数需要用切片器或视觉对象的字段指定时间点或时间段的上下文，否则会返回空白或错误值。 4 有些时间智能函数会推移时间段，导致尚未到来的日期也返回了数字，比如滚动3个月平均，如果不希望未来的月份显示数字，可以通过IF+日期表标记列判断返回空值。
54510编辑于 2025-02-24 - 来自专栏CSDN小华
数学建模--智能算法之鱼群算法
鱼群算法（Artificial Fish Swarm Algorithm, AFSA）是一种基于模拟自然鱼群行为的智能优化算法，由李晓磊等人于2002年提出。 总之，鱼群算法作为一种群体智能优化算法，通过模拟自然鱼群的行为，能够在复杂优化问题中找到全局最优解或满意解，具有广泛的应用前景和研究价值. 鱼群算法在解决哪些具体优化问题方面表现最佳？ 鱼群算法与其他群体智能优化算法（如遗传算法、粒子群优化）相比有哪些优势和劣势？ 相比之下，其他群体智能优化算法也有其独特的优缺点： 遗传算法： 优点：能够利用大量样本进行求解，适用于复杂的优化问题；具有较好的全局收敛性。 近年来，研究人员不断改进智能优化算法，以加快收敛速度和提高搜索精度。例如，在水下潜器路径规划中的应用研究表明，通过改进的人工鱼群算法可以有效提升路径规划的性能。
87110编辑于 2024-10-16 - 来自专栏心源易码
智能体对话场景数据设计与建模
二、Amazon Bedrock + Amazon DynamoDB数据设计与建模实践在智能体对话场景中，对话记忆存储是实现流畅、个性化交互的关键。 将整合信息发送至Amazon Bedrock上的Claude智能体模型，生成回答。应用将智能体的回答返回给用户。 来存储用户和智能体之间的聊天会话记录。 智能体（AI digital persona）：指生成式AI驱动的对话实体，每个智能体具有唯一的ai_id。 聊天会话（Chat Session）：记录用户与智能体之间的对话过程，通过chat_id唯一标识每一次会话实体之间的实体关系为多对多关系，即用户与智能体之间存在多对多的关系，即一个用户可以与多个智能体进行对话
1.9K10编辑于 2024-07-30 - 来自专栏CSDN小华
数学建模--智能算法之免疫算法
免疫算法是一种基于生物免疫系统机制的智能优化算法，广泛应用于解决复杂优化问题、模式识别和数据挖掘等领域。 随着人工智能技术的发展，免疫算法在解决复杂优化问题中的作用越来越重要。未来的研究方向可能包括进一步完善算法模型、提高算法效率和扩展其在更多领域的应用。 免疫算法与其他智能优化算法（如遗传算法、粒子群优化）相比有哪些独特优势和局限性？ 免疫算法与其他智能优化算法（如遗传算法、粒子群优化）相比，具有以下独特优势和局限性： 独特优势 免疫算法通过模拟自然免疫系统的过程，能够有效地进行多峰值搜索。 物流配送中心选址问题：免疫遗传算法在物流配送中心选址中的应用是一个成功的案例，它结合了生物学原理和计算智能，能够有效地搜索最优解，满足实际工程需求。
63510编辑于 2024-10-16 - 来自专栏CSDN小华
数学建模--智能算法之遗传算法
遗传算法的应用 遗传算法在数学建模中有着广泛的应用，例如： 函数求最值：利用遗传算法可以求解一些复杂的非线性函数的极值问题。 尽管要得到真正最优的解有一定困难，但其高效、并行和全局搜索的特点使其在数学建模和其他领域得到了广泛应用。 遗传算法在解决哪些具体数学建模问题中最有效？ 遗传算法在解决数学建模问题中表现出色，尤其是在需要全局优化和搜索复杂解空间的问题上。 遗传算法在数学建模中的应用非常广泛，特别是在那些需要全局搜索和优化复杂系统的场合。 如何优化遗传算法的参数设置以提高求解效率和质量？
2K10编辑于 2024-10-16 - 来自专栏CSDN小华
数学建模--智能算法之蚁群优化算法
蚁群优化算法（Ant Colony Optimization, ACO）是一种模拟蚂蚁觅食行为的群体智能优化算法，由Marco Dorigo于1992年在他的博士论文中首次提出。 总之，蚁群优化算法作为一种有效的群体智能优化工具，在解决复杂的组合优化问题方面展现了巨大的潜力和优势。 蚁群优化算法在解决哪些具体组合优化问题方面表现最为突出？ 这些应用展示了蚁群算法在处理复杂系统建模与优化、模式识别、资源调度、物流、多目标优化和鲁棒优化等方面的能力。 如何有效地改进蚁群优化算法以提高其收敛速度和避免陷入局部最优的问题？ 蚁群优化算法与其他群体智能优化算法（如遗传算法、粒子群优化）相比有哪些优势和劣势？ 在参数优化和智能融合方面，研究者们对蚁群算法进行了多项改进。例如，通过引入不同的改进策略，开发了不同版本的蚁群算法以提高其性能。
1.8K10编辑于 2024-10-16 - 来自专栏CSDN小华
数学建模--智能算法之粒子群优化算法
粒子群优化（Particle Swarm Optimization, PSO）算法是一种基于群体智能的优化方法，最早由Kennedy和Eberhart于1995年提出，灵感来源于对鸟群觅食行为的研究。 总之，粒子群优化算法以其简单易行、参数可调的优点，在数学建模和实际应用中得到了广泛应用。通过对算法的深入理解和不断改进，可以更好地解决复杂的优化问题. 粒子群优化算法（PSO）是一种基于群体智能的优化算法，其优势和劣势在不同的研究中有所体现。
1.2K10编辑于 2024-10-16 - 来自专栏CSDN小华
数学建模--智能算法之模拟退火算法
模拟退火算法（Simulated Annealing，SA）是一种基于物理退火原理的元启发式优化算法，广泛应用于数学建模中的各种优化问题。 模拟退火算法在数学建模中的具体应用案例有哪些？ 模拟退火算法在数学建模中的具体应用案例主要集中在优化问题的求解上，特别是在那些需要找到全局最优解的问题中表现尤为突出。 以下是几个具体的案例： 在数学建模比赛中，利用模拟退火算法解决寝室分配问题是一个典型的例子。 这些案例展示了模拟退火算法在数学建模中的广泛应用，其核心优势在于能够处理高维度、非线性、多峰值的复杂优化问题，并且能够在有限的时间内找到近似最优解。
1.6K10编辑于 2024-10-16 - 来自专栏用户12197977的专栏（2）
智能问数落地实录：语义建模项目90天交付，宽表建模为何要180天？
七、结语：项目周期不是执行问题，是方法论问题回到我们最初的问题：为什么同样是智能问数项目，语义建模90天就能交付，宽表建模需要180天甚至更长？ 但是，在企业级智能问数这个场景下，当需求范围广、业务变化快、IT人力有限时，语义建模路线确实能带来更短的项目周期、更低的维护成本、更好的长期ROI。 最后给大家一个简单的决策树：你要做固定分析看板→选宽表建模你要做企业级自助智能问数→优先语义建模你的IT团队有很多冗余人力→可以考虑宽表你的IT团队人手不足→选语义建模，减少维护负担你希望三个月看到效果 延伸阅读如果你对语义层本体建模技术路线感兴趣，可以关注公众号"本体智能"，我们会持续分享数据智能领域的深度技术分析和项目实践案例，包括：四种主流智能问数技术路线深度对比预置成本增长曲线：为什么宽表方案越用越贵 本文由数据智能领域资深实施专家撰稿关注"本体智能"，获取更多深度技术分析
12010编辑于 2026-03-26 - 来自专栏全栈程序员必看
数仓建模与分析建模_范式建模和维度建模
建模方法论 今天我们主要介绍常见的建模方法，这也就是我们今天文章的名称——建模方法论 20年前兴起的数据仓库简单的可分为两大流派，Inmon方法和Kimball方法，分别由 Ralph Kimbal和Bill 区别的关键在于如何在数据仓库中建模、加载和存储数据的方式。而由此出发的不同架构影响到了数据仓库的建设成本和到适应用户不断变化的ETL逻辑的能力。 建模的目的 数仓的建模或者分层，其实都是为了更好的去组织、管理、维护数据,所以当你站在更高的维度去看的话，所有的划分都是为了更好的管理。
73210编辑于 2022-11-09 - 来自专栏PPV课数据科学社区
你真的了解机器学习、人工智能、统计建模吗？
分布式计算、云计算、人工智能 机器学习、深度学习、统计建模 这些最新的词汇大家应该都有所了解 但你真的了解这些词的意义吗？ 一、机器学习 机器学习是以数据为基础，它专注于为回归和分类算法。 深度学习被频繁应用于各种弱人工智能应用，在这些领域，机器会去做人类的工作。 【推荐阅读】 分布式机器学习的故事 分布计算 | 大数据机器学习系统研究进展 分布式深度学习算法产品及在蚂蚁金服中的应用（附33页PDF下载） 四、统计建模 统计建模其实就是解决“哪一种概率模型可以产生我所观察到的数据 验证推理是统计建模中一个重要的方面。举例来说，如果要在三个可能的医疗设备中，决定哪个对病人最有益，你就会对这样的模型感兴趣：它能捕捉病人使用什么样的途径治疗是明显有效果的。 在统计建模中，数据指引人们到一个随机模型的可挑选范围里，它就相当于是抽象的利益问题的概率表达，实现预测的功能和对某些事物的前瞻判断。
1.2K60发布于 2018-04-19 - 来自专栏全栈程序员必看
数仓建模与分析建模_数据仓库建模与数据挖掘建模
重要用于组织积累的历史数据，并且使用分析方法（OLAP、数据分析）进行分析整理，进而辅助决策，为管理者、企业系统提供数据支持，构建商业智能。 [外链图片转存中…(img-uQis5F2c-1645262440294)] 范式 第一范式：属性不可分割 第二范式：消除不分函数依赖 第三范式：消除传递依赖 关系建模与维度建模 关系建模：将复杂的数据抽象为两个概念 维度建模：模型相对清晰、简洁。维度模型以数据分析作为出发点，不遵循三范式，故数据存在一定的冗余。维度模型面向业务，将业务用事实表和维度表呈现出来。 4. 维度建模一般按照以下四个步骤：选择业务过程→声明粒度→确认维度→确认事实。 DWS层、ADS层都是以需求为驱动，和维度建模已经没有关系了。 DWS层建宽表，按照主题去建表。主题相当于观察问题的角度，对应着维度表。
1.9K20编辑于 2022-11-09 - 来自专栏喵叔's 专栏
RavenDB建模--常见建模方案
在 RavenDB 中对如何在应用程序中进行数据建模没有任何要求，我们可以使用任何形式进行建模，RavenDB 只关心如何构建数据，这就是我们后续几篇文章要讲解的内容。 public Parent Mother { get; set; } public Registration Registration { get; set; } } 我们在建模时应遵循 RavenDB 建模的核心原则，要确定哪些信息可以放在一起，哪些信息是独立的，这就是我们上篇文章介绍的优秀的文档模型应具备独立、隔离和连贯性。 另一种情况是，如果需要对文档进行并发活动，由于文档是 RavenDB 中的并发单位，因此需要对文档进行建模，以便它们具有更改的单一原因。
79010编辑于 2022-03-22 - 来自专栏phodal
元素建模：探索建模的要素
随着我们不断深入软件架构的设计里，我们也会不断也尝试着一系列不同的方法，诸如于我的同事 @少个分号 在那篇《建模方法元模型：如何设计一个建模方法》一文里，对于不同建模方式进行了简单的介绍，并进行了相关的拆解和分析 再回到面向对象这一点来看的话，建模就变成了一件非常有意思的事。 建模“建模”：从概念到模型 回到我们所开发的软件系统里，其系统的核心组成部分是由一个个的概念所组成。 建模的方式：基于“事实”的软件建模 PS：对于事实，从语言的角度，可能使用纪实、叙实会比较合适。 基于凭证的建模：履约建模 履约建模是一个比较新的建模方法，它基于凭证的方式来设计系统。其核心要素是：作为业务凭证，只存在创建，不存在修改和删除。 建模建模 从某种意义上来说，寻找这些“事实”的过程，便是系统状态的表征过程。
57930编辑于 2021-12-04 - 来自专栏技术汇总专栏
多智能体系统中的环境建模与自适应控制策略【基于深度学习的动态环境建模】
多智能体系统中的环境建模与自适应控制策略【基于深度学习的动态环境建模】引言随着人工智能技术的进步，尤其是在强化学习和多智能体系统中的应用，智能体环境的建模和优化显得尤为重要。 一个精确而高效的虚拟环境不仅为智能体的决策和行为提供了准确的反馈，还能提高智能体的学习效率。在这些应用中，物理引擎和虚拟场景的实时渲染起着关键作用。 本文将探讨如何利用物理引擎和实时渲染优化技术来提高智能体环境建模工具的性能，并通过一个简单的代码实战来展示这一过程。物理引擎的作用物理引擎在智能体环境中充当着“现实世界”的模拟器。 物理引擎为智能体提供了一个逼真的互动环境，使得智能体能够根据物理规律做出反应，从而提高其决策的可靠性和适应性。 总结在构建智能体环境时，物理引擎与虚拟场景的实时渲染优化是确保系统高效运行和提升智能体学习效率的关键因素。
35620编辑于 2025-11-19 - 来自专栏全栈程序员必看
dh参数建模_data vault 建模
仅供个人学习记录 前言 DH法一般用一次就丢，然后后面再需要用的时候就会忘，所以本文整理了DH建模法，方便需要使用的时候进行参考。这里不讲原理，只讲结论和方法 1. 建模方法（简述） DH法可分成以下几步： 辨认出关节和连杆（关节序号从1到n，连杆序号从0到n） 确定Z轴（n号关节上的坐标系序号为n-1） 确定每个坐标系的原点 确定XY轴 确定Tool frame（ 建模方法（详细） 需要建模的话，按照如下步骤一步步建模即可。注意tool frame那边建完了需要检查 版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。
80110编辑于 2022-09-29 - 来自专栏大数据学习与分享
数据建模-维度建模-维度设计
导读： 在Kimball维度建模中，通常将度量称为“事实”，将环境描述为“维度”，维度是用于分析事实所需要的多样环境。维度和维度属性是维度的两个核心概念，如何构建维度的属性是维度设计中需要关注的。 作为维度建模的核心，我们在企业级的数据仓库中必须保证维度的唯一性。以淘宝商品维度为例，我们有且只允许有一个维度定义。 第二步：确定主维度表。 二、第二部分 在Kimball维度建模中，通常将度量称为“事实”，将环境描述为“维度”，维度是用于分析事实所需要的多样环境。 02 快照维表 维度的基本概念中介绍了自然键和代理键的定义，在Kimball的维度建模中，必须使用代理键作为每个维度表的主键，用于处理缓慢变化维度。 但在阿里巴巴数据仓库建设的实践过程中，虽然我们使用的是Kimball的维度建模的理论，但实际并未使用代理键。我们是如何处理缓慢变化维度，如何记录变化历史的呢？为什么不使用代理键呢？
1.5K31编辑于 2023-09-06 - 来自专栏Java架构师必看
建模 python_整数规划建模例题
今天说一说建模 python_整数规划建模例题,希望能够帮助大家进步!!! Python之建模规划篇--整数规划 基本介绍 整数规划的分类 整数规划的特点 求解方法分类 0 - 1 型整数规划 蒙特卡洛法 (随机取样法) 整数线性规划的计算机求解 分枝定界法 Python
1.7K10编辑于 2022-07-19 - 来自专栏腾讯高校合作
高等院校人工智能人才培养暨智能应用建模课程研讨会
为贯彻落实教育部《高等学校人工智能创新行动计划》关于“完善人工智能领域人才培养体系”“支持高校在计算机科学与技术学科设置人工智能学科方向，推进人工智能领域一级学科建设”的重点任务，促进高等院校人工智能专业课程建设和人才培养 ，南京大学人工智能学院和腾讯公司以及机械工业出版社华章分社将于2019年10月29日在南京联合举办高等院校人工智能人才培养暨智能应用建模课程研讨会。 申富饶，南京大学计算机科学与技术系、人工智能学院、计算机软件新技术国家重点实验室教授、博士生导师，现负责南京大学人工智能学院教学和人才培养工作，入选“创业南京”科技顶尖专家集聚计划A类专家，担任南京智能制造软件新技术研究院首席科学家 研究方向为强化学习、智能规划和多智能体系统。 李啸，硕士，毕业于复旦大学，在腾讯担任智能钛模型产品架构师，负责人工智能平台的产品设计工作。
80920发布于 2019-10-14 - 来自专栏全栈程序员必看
数据建模与数仓建模_数仓建模的几种方式
所谓水无定势，兵无常法。不同的行业，有不同行业的特点，因此，从业务角度看，其相应的数据模型是千差万别的。在开始介绍数据模型之前，我们先看一个东西，那就是算法与数据结构，我们知道算法是解决特定问题的策略，数据结构处理问题的数学模型，数据结构 有三大要素，逻辑结构、存储结构、数据操作、这里的数据操作其实就是算法，例如我们定义的图的数据结构，然后在这个基础上对图进行操作形成特定的算法，例如深度遍历和广度遍历；我们的数据结构其实是针对特定的数据问题而抽象和设计的，也就是说一种数据结构针对的是一类特定的问题。
80940编辑于 2022-11-15
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