tag 數據

標籤
貢獻758
565
05:56 PM · Oct 25 ,2025
u_13357275 頭像 u_17579295 頭像 u_16565975 頭像 tech 頭像 u_15745565 頭像 u_15469972 頭像 u_14767244 頭像 u_17567677 頭像 u_17420180 頭像 u_13715298 頭像 u_16653481 頭像 u_15988698 頭像

@數據 / 博客 RSS 訂閱

u_16213594 頭像

mob64ca13fae001 - matlab通信仿真mimo,mimo 基於Matlab的MIMO通信系統仿真 含報告；司中威；瞭解移動通信關鍵技術 - 下載 - 搜珍網...

1.算法運行效果圖預覽 (完整程序運行後無水印) 2.算法運行軟件版本 Matlab2024b/Matlab2022a 3.部分核心程序 （完整版代碼包含詳細中文註釋和操作步驟視頻） .............................

數據 , 無線通信 , 後端開發 , ML , Python

收藏 評論

u_16213684 頭像

mob64ca14106f2f - pid的偏差

其實要用PID調節的話，最好是使用帶有編碼器的比較高端一點的直流減速電機，但是因為它價格有點貴，所以我們一般做智能小車就會選用普通的直流電機，但是普通的直流電機也是可以使用PID調節的，雖然它的效果沒有帶編碼器得到直流減速電機的好，但是我們也可以在調節的過程中慢慢地深刻的理解PID調節的含義。今天先來分享一下我剛剛涉及的PID中的P調節。 P就是比

串口 , 數據 , 人工智能 , 深度學習 , pid的偏差 , 系統對

收藏 評論

ospo 頭像

字節跳動開源 - 是時候正視開源合規的重要性了！我們給你準備了一套體系課程

在大模型時代到來之前，開源合規一直是開源領域備受關注的重要話題。如今，隨着大模型的蓬勃發展，開源合規的重要性愈發凸顯，成為不容忽視的關鍵問題。例如，不同大模型採用了多種不同的開源協議。有的模型採用傳統的開源協議，如 MIT 協議，這種協議通常允許用户自由使用、修改和分發；有的協議則明確規定，模型輸出不得用於訓練其他模型；還有的協議禁止將模型用於商業用途。這些協議各自具有獨特的特點和用途，值得我們深

開源協議 , 社區 , 數據 , 字節跳動 , 開源

收藏 評論

u_14344 頭像

冷月星 - 前端結合SpeechRecognition實現語音識別文字功能

一、與潛在客户實時聊天的神奇-zopim 　　Zopim是一款高效的可嵌入網頁中去的即使通訊與網站訪客信息追蹤的的Web軟件。知道誰在訪問您的網站嗎？想和他們實時交流嗎？想更有效的把握商機嗎？使用Zopim這款嵌入即時通訊軟件，能讓你達到如下目的：網站訪客只需點擊網頁中的對話圖標，無需安裝或者下載任何軟件，就能直接和網站客服人員進行即時交流。Zop

數據 , ip , NLP , ViewUI , 人工智能 , 前端 , Web

收藏 評論

u_17607488 頭像

科技淇淇 - 智存未來，AI賦能：火藍全系龍芯網絡存儲器，驅動國產信創智能升級​

在人工智能浪潮席捲全球、數字經濟邁向智能化的關鍵時代，數據不僅是資產，更是驅動AI創新的核心燃料。保障這片“數據油田”的安全與主權，構建自主可控的智能算力底座，已成為實現科技自立自強、發展新質生產力的國家戰略要務。為此，火藍正式發佈全系搭載國產龍芯處理器的智能網絡存儲器產品矩陣，以全棧自主、型號齊備、場景覆蓋的硬核實力，為中國政企客户提供從數據存力到AI算力的堅實數據底座。

機器學習 , 虛擬化 , 數據 , 龍芯 , 人工智能

收藏 評論

u_16213586 頭像

mob64ca13f8eecb - 【夯實Redis】如何保證數據庫與緩存雙寫一致性? 跟着大宇學Redis

首先我們先來説一下什麼是緩存雙寫，就是我們使用redis的情況下一定會使用一個持久化的數據庫，最典型的就是redis+mysql的組合，使用他們倆就一定會存在數據不一致的情況，我們為了業務要求必須保證最終一致性，所以需要我們解決的就是使用什麼方法讓他們之間的數據儘可能的在最短的時間、最大的吞吐量、最安全的方式下保證數據的一致性。 關於策略就有同步和

redis , 數據 , 緩存 , 數據庫 , 後端開發 , Python

收藏 評論

u_16077014 頭像

wx643df9f1afa1d - iMetaMed | 温附一夏二傑組-預測乳腺癌5年生存率-可解釋機器學習模型

基於整合蛋白質組學和臨牀數據的可解釋機器學習模型預測乳腺癌5年生存率 iMetaMed主頁：https://onlinelibrary.wiley.com/journal/3066988x 研究論文 ●原文：iMetaMed ●英文題目：An Interpretable Machine Learning Model for

機器學習 , 預測模型 , 數據 , 模型預測 , 後端開發 , 人工智能 , Python

收藏 評論

u_15957839 頭像

MinionPy - 關於AI的學習筆記01.大模型的核心原理

簡要發展歷史： 1950-1980：符號主義AI，基於規則 1980-2010：神經網絡，側重統計學習 2017：Tranformer架構，Attention is all you need 2018-2020：大規模預訓練與涌現（GPT-3等） 2022-至今：大模型繁榮期，指令微調、人類對齊、百花齊放 未來：智能體Agents與多模態融合

不同版本 , 數據 , 模態 , 前端開發 , Javascript

收藏 評論

u_13357275 頭像

上海拔俗網絡 - AI數字化管理平台：用技術重構企業管理內核

在企業數字化轉型的浪潮中，AI數字化管理平台早已不是“錦上添花”的工具，而是穿透部門壁壘、激活數據價值的核心引擎。它並非簡單的“AI+管理軟件”疊加，而是以分層技術架構為支撐，讓數據會“説話”、流程能“自驅”，徹底顛覆了傳統管理的被動模式。 平台的核心競爭力，始於底層的技術底座搭建。這就像蓋房子先打地基，主要分為三層核心架構。最底層是基礎設施層，依託雲計算和容器化技術，實現算力、存儲

數據 , NLP , 人工智能 , 基礎設施 , 結構化

收藏 評論

u_16640750 頭像

雲和恩墨 - 技術精講丨從 Oracle 出發，洞察跨庫遷移中的查詢優化與改寫

導讀 在數據庫從 Oracle 遷移到 openGauss 等國產數據庫的過程中，SQL 看似能跑，但邏輯與性能問題往往在細節處暴露。不同數據庫在優化器、執行順序、索引選擇、表達式處理上的差異，會導致結果不一致、延遲升高，甚至出現隱形的業務風險。那麼如何規避這些遷移“暗坑”？本次分享結合項目中的典型案例，拆解最容易踩坑的 SQL 模式，幫助大家在遷移時少走彎路、提升整體性能

oracle , 子查詢 , 數據 , 執行計劃 , 數據庫

收藏 評論

u_17514447 頭像

mb68b85ccf7a016 - Prometheus 與 國產 TDengine 的對比

通過對比，能加深對這兩個系統的理解，方便後續架構選型時作出正確決定。他們的設計思路有很多值得借鑑的地方，雖然工作中需要用到這些知識的地方不多，但是瞭解他們的設計細節能極大滿足我的好奇心。 1.場景和需求 Prometheus 需求 用於雲原生場景下集羣監控數據的收集、即席分析(Ad Hoc)和報警 處於 Kubernetes 生態，需要能

嵌入式 , 數據 , 物聯網

收藏 評論

u_17587833 頭像

mb6923acc0735dc - ArkData總覽：HarmonyOS統一數據管理框架的設計與組成

🌟 引言：數據管理的新範式 在萬物互聯的全場景時代，應用數據呈現出前所未有的複雜性：多設備、多形態、實時同步的需求對傳統數據管理方案提出了巨大挑戰。HarmonyOS通過ArkData統一數據管理框架，為開發者提供了一套完整的分佈式數據解決方案，讓數據在設備間自由流動，真正實現"一次開發，多端協同"的數據體驗。 一、ArkData架構設計：分層解耦與統一管理

數據管理 , 移動開發 , 數據 , 初始化 , Android

收藏 評論

lenglingx 頭像

lenglingx - 一個關於Sass系統對客户同步數據的方案

最近我們作為一個sass系統的客户，我們需要sass系統服務商給我實時同步數據，對方要求我們提供方案，英文實時同步，我這裏採用了基於mysql的binlog來做，總共分為2部分：一個是基於某個商户的配置把現在有數據的表發送給作為商户的我們，返回時間戳和時間節點或者binlogId之類的；二是他實現對binlog的解析然後過濾出來，是某個商户的數據，是需要推送的表，推送的表要推送那

數據 , 時間戳 , 推送 , 後端開發 , JAVA

收藏 評論

u_13715298 頭像

技術員阿偉 - 《從拷貝到共享：Python/Rust FFI零拷貝的落地路徑與調優秘籍》

傳統的“序列化-傳輸-反序列化”流程，在處理大規模傳感器數據流、高精度數值計算這類任務時，會產生巨量的冗餘內存操作，不僅吞噬算力，還會引發頻繁的GC回收，讓系統穩定性大打折扣。最初探索兩者協同方案時，我曾陷入“減少拷貝次數”的慣性思維，嘗試通過批量傳輸、緩衝區複用等手段優化，卻發現性能提升始終有限，直到偶然間觸及零拷貝的核心邏輯：不是讓數據少移動幾次，而是從根源上讓數據不移動，通

yyds乾貨盤點 , 數據 , rust , 後端開發 , Python

收藏 評論

u_15675190 頭像

冰淇淋紅茶Q - AI輔助開發大屏案例詳解：基於smardaten開發港口作業分析大屏

一、需求背景 隨着港口運營規模的不斷擴大與信息化水平的提升，傳統的數據報表與分散監控方式已難以滿足實時感知、智能分析與高效決策的管理需求。港口管理部門亟需一種能夠集中展示作業動態、實時監測異常情況、直觀反映運營效率的數據可視化大屏解決方案。港口作業數據量大、指標多樣、關聯複雜，因此需要通過可視化手段，構建一個集數據整合、智能預警與交互分析於一體的運營指揮大屏。 二、大

字段 , 無代碼 , 數據 , 低代碼 , 柱狀圖 , 人工智能 , 深度學習

收藏 評論

cwikius 頭像

HoneyMoose - AI Bot 爬蟲新勢力

CloudFlare 提供 AI Crawl Control 的配置選項。 AI Crawl Control 針對越來越多的 AI Crawl，CloudFlare 提供了 AI Crawl Control 控制選項。 對使用 CloudFlare 的用户，可以通過控制枱上的配置來查看自己的網址被 AI 掃描了多少次。 針對

搜索引擎 , 數據 , Css , 前端開發 , HTML

收藏 評論

u_16213719 頭像

mob64ca1418e88d - Docker學習筆記之docker數據卷_suifeng528

從單機到集羣：Docker 數據卷在高可用日誌平台中的實戰指南 目錄 一、引子：為什麼我的日誌平台必須用好數據卷？ 二、第一步：理解 Docker 數據卷的本質 三、第二步：命名卷 vs 綁定掛載 —— 如何選擇？ 四、第三步：在 docker-compose.yml 中正確聲明數據卷 五、第四步：三

容器 , 數據 , 雲計算 , 運維 , Docker , kafka

收藏 評論

u_17393348 頭像

mb681965b2846e2 - Harmony開發之輕量級數據存儲——Preferences實戰

Harmony開發之輕量級數據存儲——Preferences實戰 引入：用户設置的持久化保存 在日常應用開發中，我們經常需要保存用户的個性化設置，比如主題顏色、字體大小、通知開關等。這些數據雖然量不大，但需要在應用重啓後依然保持有效。HarmonyOS提供的Preferences（用户首選項）正是解決這類問題的輕量級數據存儲方案。 一、Preferences核心

封裝 , 移動開發 , 數據 , 初始化 , Android

收藏 評論

u_16565975 頭像

計算機專業指導老師 - 基於VUE的健身俱樂部管理系統[VUE]-計算機畢業設計源碼+LW文檔

摘要 隨着健身行業的數字化轉型，傳統人工管理方式已難以滿足俱樂部高效運營需求。本文設計並實現了一套基於Vue.js的健身俱樂部管理系統，採用前後端分離架構，前端集成Element UI組件庫實現響應式交互，後端通過RESTful API提供數據支持。系統涵蓋健身知識管理、會員信息維護、課程預約、教練排班、留言反饋等核心功能模塊，支持分類檢索、數據緩存與權限控制。測試結果表明

軟件研發 , 數據 , Vue , 知識管理

收藏 評論

u_16099185 頭像

夢想啓航吧 - memset清零結構體

首先要知道memset函數是對字節為單位進行賦值的； void *memset(void *s, int ch, size_t n); 函數解釋：將s中前n個字節 （typedef unsigned int size_t ）用 ch 替換並返回 s 。 其實這裏面的ch就是ascii為ch的字符；

機器學習 , 數據 , 初始化 , 賦值 , memset清零結構體 , 人工智能

收藏 評論

u_13357275 頭像

上海拔俗網絡 - AI智能問數系統：用大白話“聊”出數據答案

做業務的朋友都有過這樣的無奈：想要一份區域銷售數據，得找IT寫SQL查詢，等半天還可能因為表述不清拿錯結果；面對Excel裏的海量數據，想知道“為什麼新品銷量不如預期”，卻對着複雜函數無從下手。而AI智能問數系統，就像給數據裝了“聊天功能”，不用懂技術，用大白話提問就能秒獲答案，讓數據查詢不再卡殼。 這個系統能“聽懂人話”，核心靠的是自然語言處理（NLP）技術。背後的邏輯一點不玄乎：

it , 海量數據 , 數據 , NLP , 人工智能

收藏 評論

u_17420180 頭像

合合信息解決方案 - AI如何自動識別報銷單據信息

當財務人員每天面對堆積如山的報銷單據時，傳統手工錄入不僅效率低下，錯誤率更是居高不下。根據行業數據顯示，採用智能OCR票據識別系統的企業，財務處理效率平均提升了300%，錯誤率降低至0.1%以下。AI如何實現報銷單據的自動識別？合合信息基於文本智能技術打造的智能審核解決方案，正在為這一難題提供答案。 OCR技術：從圖像到數據的智能轉換 AI自動識別報銷單據的核心在於O

機器學習 , 字符識別 , 數據 , 人工智能 , 解決方案

收藏 評論

u_15988698 頭像

代碼天地 - python科研繪圖-繪製多模型對比校準曲線

代碼實現多模型校準性能對比分析，原理為通過 LSTM/BiLSTM 捕捉時序特徵，傳統機器學習模型擬合數據分佈，利用 calibration_curve 評估模型預測概率與實際正例比例的一致性。實現方法為加載 / 生成標準化數據，訓練 / 加載 LSTM、BiLSTM、隨機森林等多類模型，生成預測概率後繪製校準曲線，量化對比不同模型的校準效果，為模型選擇與優化提供實驗依據。

服務器 , 數據 , 加載 , 分佈式 , Json

收藏 評論

u_16175442 頭像

mob649e81567471 - ollama向量模型

在機器學習和人工智能的領域中，向量模型是一種重要的表示方式，Ollama 向量模型就是其中的一個代表。Ollama 向量模型致力於高效處理和表示文本數據，以便在自然語言處理（NLP）任務中發揮重要作用。本文將探討解決Ollama向量模型相關問題的全過程，涵蓋技術原理、架構解析、源碼分析等方面。 背景描述 在當今信息爆炸的時代，文本信息的處理變得尤為重要。Ollama 向量模型通過

預處理 , 向量化 , 數據 , aigc

收藏 評論