tag 數據

標籤
貢獻758
575
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_17171882 頭像

Chikaoya - R語言21天學習計劃 - 第十三天：文本挖掘與自然語言處理

📚 今日目標 掌握文本預處理基本技術 學習詞頻分析和TF-IDF 掌握情感分析方法 學習主題建模（LDA） 實踐文本分類 📝 第一部分：文本預處理 1.1 安裝必要的包 # 安裝文本挖掘相關包 install.packages(c("tm", "tidytext", "text2vec", "

預處理 , 數據 , 詞頻 , AI寫作 , aigc

收藏 評論

u_16213592 頭像

mob64ca13fa6a3c - 快速搭建日誌系統——ELK STACK

引言：日誌聚合的必要性 在分佈式環境下使用HackMyResume生成簡歷時，用户可能會遇到各種問題，如生成失敗、格式錯誤等。為了更好地追蹤和分析這些問題，實現日誌聚合是非常必要的。ELK Stack（Elasticsearch、Logstash、Kibana）是一套強大的日誌收集、存儲、分析和可視化工具組合，能夠幫助我們實現HackMyResume分佈式生成記錄的有效分析

Stack , 數據 , elastic , Css , 前端開發 , HTML

收藏 評論

u_16099194 頭像

數據大俠客 - 人事管理系統哪個好用？人事管理系統推薦！

又到年底做預算的時候了，很多企業主和HR負責人開始頭疼一個問題：明年該用哪套人事管理系統？ 市面上產品這麼多，從用友、金蝶這些老牌廠商到釘釘、企業微信這類辦公平台，價格從幾千到幾十萬，功能看起來都差不多，到底該怎麼選？今天我就結合這幾年幫企業做數字化的經驗，給大家做個實實在在的測評。 先説結論：沒有完美的系統，只有最適合的方案。中小企業選型，記住三個關鍵點：夠用就好、

微信 , 數據 , 用友 , 前端開發 , Javascript

收藏 評論

u_19261 頭像

戀上一隻豬 - html2pdf 列表 java

一、列表標籤 一、無序列表 - 作用：添加無序列語義 - 格式： ul li姚遠/li li姚近/li li姚誠展/li li姚萬里/li /ul ul是一個組標籤，與li一起出現 二、有序列

數據 , 取值 , 後端開發 , html2pdf 列表 java , JAVA , Css , HTML

收藏 評論

u_16099323 頭像

架構魔法師 - higress 如何控制流量

視頻會議系統由於涉及到視頻的傳輸，而視頻的傳輸量相對其他的數據是大很多的，而這種視頻數據在公網上進行傳輸，如果控制不當，會造成網絡堵塞，音視頻不連續等其他問題，因此視頻會議的流量控制的好壞一定程度決定了視頻會議系統的質量。哪我們怎樣對視頻會議的流量進行控制呢？對視頻會議的流量控制通常有三種方案： 1. 對應用層進行流量控制 視頻會議的傳輸現在都

數據 , 雲計算 , higress 如何控制流量 , 應用層 , 流量控制 , 雲原生

收藏 評論

20214843 頭像

龐然大悟 - 反向代理緩存（proxy_cache）：緩存鍵設計、過期策略與一致性保障

NGINX 反向代理場景中，後端服務（如 Java 微服務、PHP 應用）常因計算密集或數據庫依賴導致響應延遲。proxy_cache 通過在 NGINX 層緩存後端響應結果，讓後續相同請求直接從緩存返回，核心價值在於 減少後端重複請求、降低服務負載、提升前端響應速度。其設計需解決 “緩存如何精準匹配”“何時失效”“如何避免髒數據” 三大核心問題。 二、緩存鍵設計：精準匹配

髒數據 , 服務器 , 數據 , 緩存 , Nginx

收藏 評論

u_13229 頭像

bingfeng - 2020年人工智能論文總結 - deephub的個人空間 -

論文鏈接：https://arxiv.org/pdf/2402.03302 Code： https://github.com/JiarunLiu/Swin-UMamba 摘要： 醫學圖像分割的挑戰在於應該同時整合多尺度信息，從局部細節到全局依賴關係。但現有方法難以有效建模長距離的全局信息： 卷積神經網絡（CNN）由於受限於局部

數據集 , 圖像分割 , 數據 , 前端開發 , Javascript

收藏 評論

u_16099274 頭像

墨香四溢 - 目前ccd圖像識別中訓練使用的是哪些技術

CCD成像，用相機拍攝景物時，景物反射的光線通過相機的鏡頭透射到CCD上。 1、CCD成像原理 （1）用相機拍攝景物時，景物反射的光線通過相機的鏡頭透射到CCD上。 （2）當CCD曝光後，光電二極管受到光線的激發釋放出電荷，感光元件的電信號便由此產生。 （3）CCD控制芯片利用感光元件中的控制信號線路對光電二極管產生的電流進行控制

CCD成像 , 數據 , 耦合器 , 數字信號處理 , 人工智能 , 計算機視覺 , CCD成像原理

收藏 評論

u_16747707 頭像

自由的瘋 - 《分佈式 + 國產數據庫 + Docker：技術選型避坑指南》（十）

一、為什麼必須用 Docker Compose？手動啓動多容器的 “四宗罪” 1. 手動操作的痛點（開發 / 測試環境高頻踩坑） 命令繁瑣：啓動 5 個服務需執行docker run5 次，每次需配置端口映射、環境變量、數據卷，複製粘貼易出錯； 依賴混亂：若先啓用户服務再啓 Nacos，用户服務會因連接 Nacos 失敗反覆重啓； 數據丟失：

yyds乾貨盤點 , jar , 數據 , 後端開發 , JAVA , Docker

收藏 評論

u_15675268 頭像

1艾一刀 - 樂奇Rokid拉開智能眼鏡“微米級”戰爭的序幕

當智能眼鏡行業從“有沒有”的技術炫技階段，悄然進入“好不好”的體驗競爭深水區，一場看不見的戰爭正在製造端悄然打響。衡量勝負的標準不再是那些宏大的技術名詞，而是以毫米甚至微米為單位的工藝精度。 之所以這麼説，是因為前不久智能眼鏡品牌樂奇Rokid與其製造商藍思科技，共同舉辦了一場針對智能眼鏡產品的小範圍媒體開放活動，透過藍思的生產線，見證的不僅是AI眼鏡的製造過程，更

數據 , 可穿戴設備 , 人工智能 , 好用 , 深度學習

收藏 評論

u_16099298 頭像

墨守成規de網工 - 邏輯盤和物理盤鏡像的區別

邏輯卷 LVM（邏輯卷）的產生是因為傳統的分區一旦分區好後就無法在線擴充空間，也存在一些工具能實現在線擴充空間但是還是會面臨數據損壞的風險；傳統的分區當分區空間不足時，一般的解決辦法是再創建一個更大的分區將原分區卸載然後將數據拷貝到新分區，但是在企業的生產系統往往不允許停機或者允許停機的時間很短，LVM就能很好的解決在線擴充空間的問題，而且不會對數

系統啓動 , 數據 , 雲計算 , 操作系統 , 邏輯盤和物理盤鏡像的區別 , 邏輯卷 , 雲原生

收藏 評論

u_17216172 頭像

數據庫知識分享者小北 - 阿里雲 Tair 聯手 SGLang 共建 HiCache，構建面向“智能體式推理”的緩存新範式

導讀 在大型語言模型（LLM）推理中，KVCache 是提升效率的核心機制：通過緩存 Transformer 自注意力層的歷史 Key-Value 對，避免重複計算，顯著降低單次推理開銷。然而，在“智能體式推理”（Agentic Inference）這一新興範式下——模型需持續感知環境、進行多輪決策、自我反思，並協同其他智能體完成複雜任務——傳統 KVCache

數據 , nosql , 阿里雲 , 緩存 , 數據庫 , 複用

收藏 評論

u_14172 頭像

archangle - easypoi獲取索引

1準備好要導入的Excel，注意Excel的標題要和domain中的@Excel(name = "標題")一樣 1 導入驗證包支持 !-- JSR 303 規範驗證包 -- dependency groupIdorg.hibernate/groupId artifactIdhibernate-valid

大數據 , 數據 , 數據倉庫 , easypoi獲取索引 , hibernate , 用户名

收藏 評論

u_15675241 頭像

螳螂觀察 - 美團三季報交卷：虧損141億，“戰損比”優勢明顯

作者 | 李永華 外賣大戰打到今天，情況到底怎麼樣，幾個進攻方會不會成、防守方美團穩不穩得住？無論是業界還是吃瓜羣眾，都有這樣的疑問或者説好奇心。 這時候，各家陸續發佈的最新財報就成為檢視這場行業紛爭的關鍵窗口。 在進攻方不算漂亮甚至帶着壓力的財報發佈後，作為1V2的被進攻方，美團財報新近出爐，超百億的鉅額虧損本在意料之中，核心本地商業

商業 , 數據 , 區塊鏈 , 外賣 , Css , 前端開發 , HTML

收藏 評論

u_16353097 頭像

程序員曉東 - JAVA打造智能球杆櫃：租賃輕鬆無憂

JAVA憑藉其強大的跨平台能力、高併發處理特性及完善的安全機制，為智能球杆櫃構建了“硬件+軟件+數據”三位一體的智能化租賃解決方案，實現了從用户掃碼開櫃到球杆歸還的全流程自動化，讓租賃體驗更輕鬆、運營更無憂。以下從技術實現、核心功能、用户體驗及行業價值四個維度展開分析： 一、技術實現：JAVA構建的智能硬件中樞 跨平台硬件通信

數據 , MySQL , 開發語言 , 數據庫 , JAVA , 併發處理

收藏 評論

u_16099170 頭像

編程小匠人之魂 - es kibina 案例

――應用篇 信息化系統建設完成了，各方面的經營數據收集上來了，那麼如何使用這些數據，讓數據為企業的經營服務，成為不少企業急待解決的事情。為了讓企業利用好數據，讓數據説話，用實際的業務數據來幫助企業進行經營管理，西安賽思通公司開發了經營分析與決策系統。 賽思通經營分析與決策系統（以下簡稱SST-A/D系統）以先進的GIS技術為支持平台，構建多維的企業經營分析模型

待解決 , 數據 , 數據模型 , 架構 , 後端開發 , es kibina 案例

收藏 評論

u_15469972 頭像

mb61c46a7ab1eee - Java 大視界 -- Java 大素材在智能電網電力市場交易數據分析與策略制定中的關鍵作用

Java 大視界 -- Java 大數據在智能電網電力市場交易數據分析與策略制定中的關鍵作用 引言： 正文： 一、智能電網電力市場交易概述 1.1 電力市場交易模式 1.2 電力市場交易數據特點 二、Java 大數據技術在電力市場交易數據分析中的應用

數據 , MySQL , 數據庫 , JAVA , apache

收藏 評論

u_16213629 頭像

mob64ca1403528a - dify 知識庫 embdding

1工作流開發概述 SharePoint基於WF（Window Workflow Foundation）構建了它的工作流功能。WF是SharePoint工作流框架的基礎，要深入瞭解SharePoint工作流的開發，首先應該瞭解WF的一些基礎知識，本章對WF的技術細節並不會過多講解。本節將講述SharePoint工作流的基礎知識，並介紹系統自帶的工作流模板的使用和默認的工作流

機器學習 , dify 知識庫 embdding , 字段 , 數據 , 人工智能 , Visual

收藏 評論

u_16213703 頭像

mob64ca14150f43 - GEEdem 下載

目錄 一、什麼是wget？ 二、整理list文件 2.1在線網站查找並確定gse號 2.2處理GSE號 2.3整理下載列表 三、下載與解壓 一、什麼是wget？ 一個婦孺皆知的，強大的下載工具不過多介紹了，小白可參考之前發佈的批量下載原始數據那篇文

GEEdem 下載 , 機器學習 , 數據挖掘 , 數據 , bash , Linux , 人工智能

收藏 評論

mirxiong 頭像

掃地小沙彌J - Rust 所有權系統的核心規則

每個值都有一個所有者（owner） 同一時間只能有一個所有者 當所有者離開作用域時，值會被丟棄（drop） 移動（Move） 當所有權從一個變量轉移到另一個變量時發生移動。 發生移動的情況： // 1. 賦值時移動 let s1 = String::from("hello

作用域 , 生命週期 , 數據 , 代碼人生

收藏 評論

tech 頭像

青雲交技術圈 - Java 大視界 -- Java 大數據在智能家居能源消耗模式分析與節能策略制定中的應用

(centerJava 大視界 -- Java 大數據在智能家居能源消耗模式分析與節能策略制定中的應用/center) 引言 嘿，親愛的 Java 和 大數據愛好者們，大家好！我是CSDN（全區域）四榜榜首青雲交！在科技的洶涌浪潮中，Java 大數據技術宛如一顆璀璨奪目的明珠，於眾多領域綻放出耀眼光芒。 如今，隨着智能家居的迅猛普及，人們的生活變得愈發便捷，但同時也引發了不容

spark , 大數據 , yyds乾貨盤點 , 數據 , 智能家居 , Java大數據 , 能源消耗 , JAVA

收藏 評論

u_16175497 頭像

mob649e8163af7d - Ollama局域網內訪問

在網絡環境中，Ollama是一種流行的工具，它可以幫助開發者更高效地管理和運行機器學習模型。然而，當涉及到“Ollama局域網內訪問”時，問題可能會逐漸顯現。本文將詳細記錄解決此類問題的過程，其中各個部分會涵蓋備份策略、恢復流程、災難場景、工具鏈集成、驗證方法和最佳實踐，以確保在出現故障時我們能及時應對並恢復服務。 備份策略 在進行Ollama局域網內訪問的備份策略時，首先需要確

System , 數據 , 數據恢復 , aigc

收藏 評論

u_14682436 頭像

TwcatL - 低資源環境下的深度學習：小樣本、輕量訓練與高效部署實踐

在實際應用中，深度學習常面臨“資源雙缺”的困境：一方面是數據資源短缺（如小眾領域數據標註成本高、特殊場景數據難以採集），另一方面是計算資源有限（如中小企業缺乏高性能GPU集羣、邊緣設備算力不足）。這種低資源環境極大地限制了深度學習技術的落地應用。本文結合我在小眾行業缺陷檢測、方言語音識別等低資源項目中的實踐經驗，深入探討低資源環境下深度學習的核心挑戰、關鍵技術（小樣本學習、遷移學

數據 , 私藏項目實操分享 , 深度學習 , 遷移學習 , jquery , 前端開發

收藏 評論