- 综合排序
- 最热优先
- 最新优先
- 来自专栏千帆企业应用连接器
聚水潭ERP是什么？怎么样？聚水潭ERP如何调用API？
聚水潭ERP怎么样？聚水潭，是一款电商SaaSERP，基于互联网SaaS架构，为电商企业搭建精准、智能、高效的管理平台，致力于实现销售平台，仓储物流，生产供应三方之间的高效协同。 图片聚水潭ERP有什么优势？ 图片聚水潭ERP如何调用API？腾讯轻联可以自动连接聚水潭ERP和其他应用，实现零代码调用聚水潭ERP的API。 通过腾讯轻联可以实现将CRM系统中的订单自动同步至聚水潭ERP中，或者将聚水潭ERP的订单信息自动同步至财务系统中。 图片聚水潭ERP其他自动化场景我们可以通过腾讯轻联将聚水潭ERP和其他应用进行连接，可以实现这些场景：自动创建订单：当有新的订单数据在电商平台中触发时，可以自动将订单数据同步到聚水潭ERP中，实现订单的自动创建
3.1K20编辑于 2023-06-26 电商SaaS：有赞、聚水潭从无序内卷走向价值博弈
电商SaaS ERP提供商聚水潭冲击IPO正是基于对自身未来发展的综合考量。电商SaaS ERP提供商聚水潭是资本的宠儿，可以说是在资本的拥护下成长。 据了解，聚水潭获得七轮融资，累计募资超6亿元，在5年间实现估值超70倍增长，投资方包括阿米巴、微光、红杉、高盛、蓝湖等知名机构。通过资本支持，聚水潭不断创新和改进SaaS产品，业务规模得到了提升。 不负资本厚爱，聚水潭在电商SaaS ERP这一垂直市场中占下了一亩三分地。 另一方面，国内SaaS ERP 市场增长空间有限，而且市场竞争激烈，聚水潭还未找到新的业务增长点。 近几年，聚水潭试图开拓多元业务，降低对单一市场的依赖，拓展收入来源提高盈利能力，然而新业务还不能独当一面。
51710编辑于 2024-04-07- 来自专栏用户8186044的专栏
中国最大电商SaaS ERP提供商聚水潭在香港联交所主板上市！
电商SaaS龙头聚水潭今日登陆港交所，市值达130亿港元 国内最大电商SaaS ERP提供商聚水潭正式登陆香港联交所，四度递表终迎上市曙光。 声明:文中数据均来自网络，具体实际以官方数据为准。 10月21日，聚水潭集团股份有限公司（股票代码：6687.HK）正式在香港联交所主板挂牌交易。 01 业务版图 根据招股书披露，聚水潭是中国最大的电商SaaS ERP提供商，在2024年占据24.4%的市场份额，超过第二至第五大参与者市场份额的总和。 聚水潭的成功上市标志着资本市场对中国电商SaaS行业增长潜力的认可。 随着电商行业的持续发展，作为产业链关键环节的SaaS服务商正迎来新一轮机遇。 此次IPO募资将助力聚水潭进一步强化研发能力和市场拓展，巩固其在电商SaaS领域的领先地位。 版权归原作者所有,如有侵权请联系删除。
35810编辑于 2026-03-22 - 来自专栏科技云报道
聚水潭，三角兽科技分别获5000万A轮融资，31会议获4000万A+轮融资
2017年企业服务投融资一周概览 2月23日-3月02日 融资快报 February 24 聚水潭 5000万人民币 A轮 为商家提供基于SaaS模式的专业信息化解决方案——聚水潭 SaaS
51820编辑于 2022-04-12 - 来自专栏blog(为什么会重名，真的醉了)
聚类-层次聚类（谱系聚类）算法
简介 ---- 层次聚类（Hierarchical Clustreing）又称谱系聚类，通过在不同层次上对数据集进行划分，形成树形的聚类结构。 根据上述步骤绘制谱系图，横坐标就是每个类，纵坐标表示合并两个类时的值： 根据谱系图，如果要聚类为2类，从上往下看首次出现了2个分支的地方，即将样品0分为一类，样品1、2分为另一类。
6.1K40编辑于 2022-11-30 - 来自专栏镁客网
镁客网每周硬科技领域投融资汇总（2.19—2.25）
人工智能：聚水潭 聚水潭宣布获5000万人民币A轮融资，投资方为阿米巴资本、微光创投和万漉基金。 聚水潭是一家专业从事SaaS-ERP应用服务研发的软件公司，致力于为商家提供基于SaaS模式的专业信息化解决方案，帮助商家进行精准化和智能化的内部管理。
64850发布于 2018-05-29 - 来自专栏明明如月的技术专栏
软考高级架构师：AI通俗讲解功能内聚、顺序内聚、通信内聚、过程内聚、时间内聚、逻辑内聚、偶然内聚
功能内聚（Functional Cohesion） 功能内聚是最理想的内聚类型，它指模块内的所有元素都共同完成一个单一的功能。 顺序内聚（Sequential Cohesion） 顺序内聚发生在一个模块中的元素输出是另一个元素的输入。 时间内聚（Temporal Cohesion） 时间内聚是指模块中的功能是基于它们在同一时间执行的事实组合的。 偶然内聚（Coincidental Cohesion） 偶然内聚是最低级的内聚形式，指模块中的元素毫无逻辑地放在一起。 总结来说，理想的内聚类型是功能内聚，因为它确保模块高度集中于执行单一任务，易于理解和维护。而偶然内聚则应该尽量避免，因为它使模块变得杂乱无章，难以维护和扩展。
1.5K01编辑于 2024-05-25 - 来自专栏微生态与微进化
层次聚类与聚类树
聚类可以分为特征聚类（Vector Clustering）和图聚类（Graph Clustering）。特征聚类是指根据对象的特征向量矩阵来计算距离或者相关性来实现聚类，例如各种层次聚类和非层次聚类。 ⑶平均聚合聚类 平均聚合聚类（averageagglomerative clustering）是一类基于对象之间平均相异性或者聚类簇形心（centroid）的进行聚类的方法。 在hclust()函数中有等权重算术平均聚类"average"（UPGMA）、不等权重算术平均聚类"mcquitty"（WPGMA）、等权重形心聚类"centroid"（UPGMC）、不等权重形心聚类" ⑷最小方差聚类 Ward最小方差聚类是一种基于最小二乘法线性模型准则的聚类方法。分组的依据是使组内距离平方和（方差）最小化，由于使用了距离的平方，常常使聚类树基部过于膨胀，可取平方根再进行可视化。 聚类树 聚类树是聚类分析最常用的可视化方法。
2.2K30编辑于 2022-05-05 - 来自专栏Gvoidy备份小站
聚类算法之层次聚类
层次聚类(Hierarchical Clustering)是聚类算法的一种，通过计算不同类别的相似度类创建一个有层次的嵌套的树。 层次聚类怎么算 层次聚类分为自底向上和自顶向下两种，这里仅采用scikit-learn中自底向上层次聚类法。 聚类过程的散点图变化一下，就是我们要的层次图 层次聚类 Python 实现 import numpy as np from sklearn.cluster import AgglomerativeClustering data = np.random.rand(100, 3) #生成一个随机数据，样本大小为100, 特征数为3 #假如我要构造一个聚类数为3的聚类器 estimator = AgglomerativeClustering (n_clusters=3)#构造聚类器 estimator.fit(data) print(estimator.labels_)#获取聚类标签 主函数 AgglomerativeClustering
3.5K40发布于 2020-07-14 - 来自专栏Gvoidy备份小站
聚类算法之DBSCAN聚类
DBSCAN （Density-Based Spatial Clustering of Applications with Noise） 是一种基于密度的聚类算法，基于密度的聚类寻找被低密度区域分离的高密度区域 若某一点，从任一核心地点出发都是密度不可达的，则称该点为噪声点 DBSCAN 聚类算法实现如下图： ? 当出现奇葩数据时，K-Means 无法正常聚类，而 DBSCAN 完全无问题 ? 、聚类间距差相差很大时参数密度阈值minPts和邻域r参数选取困难 对于高维数据，容易产生“维数灾难”（聚类算法基于欧式距离的通病） DBSCAN 聚类 Python 实现 # coding=utf # 调用密度聚类 DBSCAN db = DBSCAN(eps=0.3, min_samples=10).fit(X) # print(db.labels_) # db.labels_为所有样本的聚类索引 （聚类结果中-1表示没有聚类为离散点） # 模型评估 print('估计的聚类个数为: %d' % n_clusters_) print("同质性: %0.3f" % metrics.homogeneity_score
4.4K30发布于 2020-07-14 - 来自专栏小明的博客
聚类
聚类分析 scikit-learn的sklearn.cluster模块提供了多种聚类方法 K-means聚类 仿射传播聚类 均值漂移聚类 谱聚类 凝聚聚类 密度聚类 高斯混合聚类 层次聚类 K-means #%% #例10-4 对两个分类样本进行聚类，使用肘部法则确定最佳K值， #使用特征集进行聚类，使用类标签对聚类结果进行对比 import numpy as np import matplotlib.pyplot ') #子图4，聚类结果与原类别的对比 ax = p.add_subplot(2,2,4) #获取错误聚类样本的索引 index_wrong=np.where(labels! ']) plt.title('聚类错误样本与原类别的对比') plt.show() 多分类样本的可视化 #%% #例10-5 对4个分类样本进行聚类，使用肘部法则确定最佳K值， #使用特征集进行聚类 ') plt.title('聚类结果与原始分类结果对比') plt.legend(['原始分类','聚类结果']) plt.show()
1.4K20编辑于 2022-09-05 - 来自专栏大数据风控
R聚类算法-层次聚类算法
层次聚类（Hierarchical Clustering算法） 层次聚类算法又称为树聚类算法，它根据数据之间的距离，透过一种层次架构方式，反复将数据进行聚合，创建一个层次以分解给定的数据集。 常用于一维数据的自动分组 层次聚类方法 hclust(dist) dist 样本的距离矩阵 距离矩阵的计算方式 dist(data) data 样本数据 层次聚类的代码实现： pColumns result 1 2 3 setosa 50 0 0 versicolor 0 23 27 virginica 0 49 1 我们可以看到，层次聚类对这份数据的聚类得到的结果并不是太好
2.1K81发布于 2018-01-09 - 来自专栏foochane
聚类(Clustering) hierarchical clustering 层次聚类
假设有N个待聚类的样本，对于层次聚类来说，步骤： 1、（初始化）把每个样本归为一类，计算每两个类之间的距离，也就是样本与样本之间的相似度； 2、寻找各个类之间最近的两个类，把他们归为一类（这样类的总数就少了一个 整个聚类过程其实是建立了一棵树，在建立的过程中，可以通过在第二步上设置一个阈值，当最近的两个类的距离大于这个阈值，则认为迭代可以终止。另外关键的一步就是第三步，如何判断两个类之间的相似度有不少种方法。
1.8K30发布于 2019-05-23 - 来自专栏Lixj's Blog
聚簇索引和非聚簇索引
关于聚簇索引和非聚簇索引的内容。 聚簇索引不是一种单独的索引类型，而是一种数据存储方式。将数据存储与索引放到了一块，找到索引也就找到了数据。 InnoDB 中，在聚簇索引之上创建的索引称之为辅助索引，辅助索引访问数据总是需要二次查找，非聚簇索引都是辅助索引，像组合索引、前缀索引、唯一索引，辅助索引叶子节点存储的不再是行的物理位置，而是主键值。 当表有聚簇索引时，它的数据行实际存放在索引的叶子节点中。 聚簇索引默认是主键，如果没有定义主键，InnoDB 会选择一个唯一的非空索引代替。 如果没有这样的索引，InnoDB 会隐式的定义一个主键来作为聚簇索引。InnoDB 只聚集在同一个页面的记录。 聚簇索引的优缺点, 优点： 可以把数据保存到一起。 Copyright: 采用 知识共享署名4.0 国际许可协议进行许可 Links: https://lixj.fun/archives/聚簇索引和非聚簇索引
95010编辑于 2022-06-10 - 来自专栏WD学习记录
聚簇索引和非聚簇索引
聚簇索引：主索引文件和数据文件为同一份文件。表数据按照索引的顺序存储的，索引项的顺序与表中记录的物理顺序一直。 非聚簇索引：B+树的叶子节点上的data，并不是数据本身，而是数据存放的地址。表数据存储顺序与索引顺序无关。叶子节点包含索引字段值以及指向数据行的逻辑指针。
1K30发布于 2019-05-07 - 来自专栏一个会写诗的程序员的博客
聚簇索引与非聚簇索引
（重点在于通过其他键需要建立辅助索引） 聚簇索引的优势 看上去聚簇索引的效率明显要低于非聚簇索引，因为每次使用辅助索引检索都要经过两次B+树查找，这不是多此一举吗？聚簇索引的优势在哪？ 聚簇索引适合用在排序的场合，非聚簇索引不适合 取出一定范围数据的时候，使用用聚簇索引 二级索引需要两次索引查找，而不是一次才能取到数据，因为存储引擎第一次需要通过二级索引找到索引的叶子节点，从而找到数据的主键 如果没有使用聚簇索引，则每封邮件都可能导致一次磁盘 I/O。 聚簇索引的劣势 维护索引很昂贵，特别是插入新行或者主键被更新导至要分页(page split)的时候。 mysql中聚簇索引的设定 聚簇索引默认是主键，如果表中没有定义主键，InnoDB 会选择一个唯一的非空索引代替。如果没有这样的索引，InnoDB 会隐式定义一个主键来作为聚簇索引。 MyISM 非聚簇索引 MyISM使用的是非聚簇索引，非聚簇索引的两棵B+树看上去没什么不同，节点的结构完全一致只是存储的内容不同而已，主键索引B+树的节点存储了主键，辅助键索引B+树存储了辅助键。
1.8K70发布于 2019-10-25 - 来自专栏机器学习，脑机接口，算法优化
凝聚层次聚类，DBSCAN聚类(1)
凝聚层次聚类：初始每个对象看成一个簇，即n个簇，合并最相似的两个簇，成（n-1）个簇，重复直到一个簇 \ 相似度衡量方法 最小距离：两个簇中最近的两个对象的距离 最大距离：两个簇中最远的两个对象的距离 平均距离：两个簇中所有对象两两距离的平均值 质心距离：两个簇质心的距离 \ DBSCAN聚类算法 数据集中一个对象的半径内有大于minPts个对象时，称这个点核心点，将这些核心点半径内的对象加入这个簇，
2.2K00发布于 2020-11-17 - 来自专栏流川疯编写程序的艺术
聚类算法 ---- 大数据聚类算法综述
文章大纲 简介 聚类算法的分类 相似性度量方法 大数据聚类算法 spark 中的聚类算法 聚类算法对比 性能对比 效果对比 参考文献 简介 随着数据量的迅速增加如何对大规模数据进行有效的聚类成为挑战性的研究课题 ，面向大数据的聚类算法对传统金融行业的股票投资分析、 互联网金融行业中的客户细分等金融应用领域具有重要价值， 本文对已有的大数据聚类算法，以及普通聚类算法做一个简单介绍 聚类分析是伴随着统计学、计算机学与人工智能等领域科学的发展而逐步发展起来的 比如机器学习领域的人工神经网络与支持向量机的发展就出现促生了基于神经网络的聚类方法与核聚类方法。目前，基于人工神经网络的深度学习（如：AlphaGo围棋系统）也必将推动聚类分析方法的进一步发展。 然而，聚类算法又有了长足的发展与进步。 聚类算法的分类 相似性度量方法 3）曼哈顿距离（Manhattan Distance）。 大数据聚类算法 spark 中的聚类算法 http://spark.apache.org/docs/latest/ml-clustering.html spark 支持的聚类算法有以下几个： K-means
2K30编辑于 2021-12-06 - 来自专栏机器学习原理
机器学习（7）——聚类算法聚类算法
聚类算法 前面介绍的集中算法都是属于有监督机器学习方法，这章和前面不同，介绍无监督学习算法，也就是聚类算法。 我们对数据进行聚类的思想不同可以设计不同的聚类算法，本章主要谈论三种聚类思想以及该聚类思想下的三种聚类算法。 其次，在利用K-Means算法进行聚类之前，需要初始化k个聚类中心，在上述的K-Means算法的过程中，使用的是在数据集中随机选择最大值和最小值之间的数作为其初始的聚类中心，但是聚类中心选择不好，对于K-Means （3）如果距离D小于T1,表示该节点属于该聚簇,添加到该聚簇列表中 （4）如果距离D小于T2,表示该节点不仅仅属于该聚簇,还表示和当前聚簇中心点非常近,所以将该聚簇的中心点设置为该簇中所有样本的中心点 非凸数据集进行聚类 本章小结 本章主要介绍了聚类中的一种最常见的算法—K-Means算法以及其优化算法，聚类是一种无监督学习的方法。
4.3K70发布于 2018-04-27 - 来自专栏blog(为什么会重名，真的醉了)
机器学习-层次聚类（谱系聚类）算法
简介 层次聚类（Hierarchical Clustreing）又称谱系聚类，通过在不同层次上对数据集进行划分，形成树形的聚类结构。很好体现类的层次关系，且不用预先制定聚类数，对大样本也有较好效果。 根据上述步骤绘制谱系图，横坐标就是每个类，纵坐标表示合并两个类时的值： 根据谱系图，如果要聚类为2类，从上往下看首次出现了2个分支的地方，即将样品0分为一类，样品1、2分为另一类。
2.6K50编辑于 2023-05-23
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