tag 機器學習

標籤
貢獻423
324
05:25 PM · Oct 25 ,2025

@機器學習 / 博客 RSS 訂閱

mob64ca140e0490 - 分區remount

故障: 還原系統後分區故障。 1.原來多個分區變成當前一個分區; 2.原有分區與當前分區的數量或大小不一致,原有數據分區丟失。 恢復流程: 1.檢測流程: 通過磁盤管理查看故障盤分區大小及數量; 查看當前分區結構完整度。 2.實施流程: 北亞數據恢復工程師通過用户瞭解原分區大小、分區數量; 北亞數據恢復工程師根據用户所反

機器學習 , 分區remount , 文件系統 , 數據 , 數據恢復 , 人工智能

收藏 評論

IT獨行俠客 - baremetal hypervisor場景下host vm與client vm的角色

在Win7為HOST的環境下,安裝VirtualBox,在其中安裝CentOS7,以Bridge的方式搭建網絡環境。 在Win7為HOST的環境下,安裝VirtualBox,在其中安裝CentOS7,以Bridge的方式搭建網絡環境。 主要配置包括VirtualBox中的網絡設置,以及CentOS中的網絡配置。另外還有個重要的注意點就是如果HOST使用的是無線網,那麼

機器學習 , ipv6 , server , bc , 人工智能

收藏 評論

bigrobin - 機器學習模型 輸入層 隱藏層 輸出層 權重 偏置 公式

深度學習三步驟 普遍性定理 對於任何一個連續的函數,都可以用足夠多的隱藏層來表示 神經網絡 完全連接前饋神經網絡 輸入層(Input Layer):1層 隱藏層(Hidden Layer):N層 輸出層(Output Layer):1層 全鏈接

機器學習 , 數據 , 神經網絡 , 人工智能 , 特徵提取

收藏 評論

技術領航者之聲 - 基於模型的強化學習 目標檢測

作者:Mostafa Ibrahim 編譯:ronghuaiyang 導讀 使用EfficientNet和YoloV5的融合可以提升20%的performance。 在本文中,我將解釋上一篇文章中稱之為“2 class filter”的概念。這是一種用於目標檢測和分類模

機器學習 , 大數據 , 基於模型的強化學習 目標檢測 , 人工智能 , 計算機視覺 , 網絡

收藏 評論

I_am_Alex - IPIDEA代理IP深度測評:構建智能體知識庫的得力助手

1. 智能體知識庫的重要性 我最近在做“歷史大事記”智能體時,踩了個實打實的坑:初期全靠大模型原生知識庫支撐,回答總是“缺斤短兩”:要麼漏了關鍵歷史事件,要麼對人物生卒、傳統習俗的描述模糊不清,甚至連一些廣為人知的紀念日都沒法精準對應。 為了補齊這個短板,我找遍了各種數據源,最終發現維基百科這一“寶藏庫”:它把全年365/366天的內容拆解得明明白白,大到影響

機器學習 , 智能體 , 人工智能 , 爬蟲 , ipidea , 知識庫

收藏 評論

mob64ca13f8b166 - linux 設備樹mem節點

目錄 1.什麼是設備樹? 2.設備樹的結構 3.節點結構 4.節點標準屬性 4.1 compatible 4.2 status 4.3#address-cells #size-cells 4.4 reg 4.5 name 4.6 device_type 4.7 phandle 4.8

設備樹 , 機器學習 , 屬性值 , Linux , 人工智能 , linux 設備樹mem節點 , Ubuntu

收藏 評論

葉開 - 隱語可信數據空間MOOC第40講筆記:金融風控聯合建模隱私計算案例

學習筆記:金融風控聯合建模隱私計算案例 筆記內容來自隱語Mooc,歡迎一起來學習。Mooc課程地址:https://www.secretflow.org.cn/community/bootcamp/2narwgw4ub8r... 詳細案例及代碼,可以查看文末的鏈接。 一、案例背景 場景:農村經濟快速發展,小額信貸成為推動經濟增長的關鍵,但農村用户信用記錄薄弱,傳統風控手段存在明顯短板。 合作

機器學習 , 教程 , 知識 , 人工智能

收藏 評論

互聯網小思悟 - 機器學習 損失率 範圍 機器翻譯的損失函數

1、損失函數(代價函數) 損失函數(loss function)是用來估量模型的預測值f(x)與真實值Y的不一致程度,它是一個非負實值函數,通常使用L(Y, f(x))來表示,損失函數越小,模型的魯棒性就越好。損失函數和代價函數是同一個東西,目標函數是一個與它們相關但更廣的概念。 上面三個圖的函數依次為 , ,

機器學習 損失率 範圍 , 機器學習 , 擬合 , 損失函數 , 人工智能 , 歷史數據

收藏 評論

編程夢想翱翔者 - devmem工具mdio使用説明

mdadm命令中的參數: -C參數代表創建RAID; -v參數代表顯示過程,同時在後面追加一個設備名稱/dev/md0,這樣/dev/md0就是創建後的RAID的名稱; -n 2參數代表使用2塊硬盤來部署這個RAID; 而-l 0參數則代表RAID 0; 最後再加上2塊硬盤設備的名稱即可完成

機器學習 , 災難恢復 , 創建文件 , devmem工具mdio使用説明 , 人工智能 , 熱備份

收藏 評論

合合信息解決方案 - 保險理賠如何防止假髮票

醫療票據造假正在成為保險理賠領域的"灰色地帶"。2020年至2021年間,某醫藥代表陸某使用WPS軟件將三名患者的EGFR T790M基因突變檢測報告從"陰性"篡改為"陽性",導致醫保基金損失。2024年,內蒙古烏蘭浩特市更是破獲兩起醫療領域虛開發票案,涉案金額合計高達110億元,涉及1.6萬張虛假髮票。面對日益專業化的造假手段,保險公司如何防止假髮票成為行業亟需解決的難題。合合

機器學習 , 數據 , 神經網絡模型 , 複製粘貼 , 人工智能

收藏 評論

晨曦微露s - WriteProcessMemory

首先説説虛擬內存和物理內存: 虛擬內存就是採用硬盤來對物理內存進行擴展,將暫時不用的內存頁寫到硬盤上而騰出更多的物理內存讓有需要的進程來用。當這些內存頁需要用的時候在從硬盤讀回內存。這一切對於用户來説是透明的。通常在Linux系統説,虛擬內存就是swap分區。在X86系統上虛擬內存被分為大小為4K的頁。 每一個進程啓動時都會向系統申請虛擬內存(VSZ),內核同意或者拒

機器學習 , 物理內存 , WriteProcessMemory , 人工智能 , memory , 虛擬內存

收藏 評論

雨大王 - 工業數字化服務商哪家強?廣域銘島的實戰經驗告訴你答案

隨着數字化浪潮席捲全球製造業,工業數字化服務商正成為企業轉型升級的關鍵角色。尤其在2025年這個AI技術快速落地的節點,越來越多的製造企業開始意識到,數字化不再是信息化的延續,而是催生全新生產力的必要路徑。那麼,在這場變革中,工業數字化服務商究竟扮演什麼角色?它們又如何幫助傳統制造企業跨過轉型的“死亡之谷”? 從企業需求來看,製造業數字化轉型的核心痛點往往集中在三方面:一是數據壁壘,不同系統

機器學習 , 算法 , 人工智能

收藏 評論

colddawn - linux將vncserver製作成systemd

第三課:Linux的基本操作 一般都會建立一個linux服務器,然後windows通過小軟件vnc遠程登陸linux服務器,登陸方式就是:”服務器ID:端口號“,此處的冒號為英文冒號; 一個賬户可以打開多個vnc端口,開啓:vncserver ,太多了則會佔用較多資源,可以手動關閉; 若vnc遠程屏幕分辨率與本地

機器學習 , 當前目錄 , 文件名 , Linux , 人工智能 , 根目錄 , 後端

收藏 評論

mob64ca1407216b - Chrome Memory工具鏈Performance Monitor

如果你知道我在使用多少個Google工具,你就不會對Google成為世界第一的互聯網企業而感到奇怪了。 Google Analytics http://www.google.com/analytics/Google Analytics(分析)向您顯示人們如何找到和瀏覽您的網站以及您能如何改善訪問者的體驗。提高您的網站投資回報率、增

機器學習 , 資訊 , 工具 , RSS , google , Tools , 人工智能

收藏 評論

davisl - emqx 登錄密碼重置

Shiro自定義realm實現密碼驗證及登錄、密碼加密註冊、修改密碼的驗證 一:先從登錄開始,直接看代碼 @RequestMapping(value="dologin",method = {RequestMethod.GET, RequestMethod.POST},produces="text/html;charset=UTF-8") @Respo

機器學習 , ViewUI , 數據庫 , 人工智能 , JAVA , emqx 登錄密碼重置 , Javascript

收藏 評論

deephub - 一份寫給數據工程師的 Polars 遷移指南:將 Pandas 速度提升 20 倍代碼重構實踐

在大數據處理領域,性能和效率始終是核心問題。 polars 作為新一代數據處理框架,通過利用Rust語言的底層實現和現代化的並行計算架構,在處理大規模數據集時展現出顯著的性能優勢。根據性能測試文章的數據顯示,在CSV文件讀取操作中, polars 的處理速度可達 pandas 的20倍。這種性能提升主要得益於其優化的內存管理機制和並行計算能力。 本文將系統地介紹如何從 pandas 遷移到 po

機器學習 , 人工智能 , pandas , Python

收藏 評論

南瓜 - 面向課堂與自習場景的智能坐姿識別系統——從行為感知到可視化部署的完整工程【YOLOv8】

面向課堂與自習場景的智能坐姿識別系統——從行為感知到可視化部署的完整工程【YOLOv8】 一、研究背景:為什麼要做“坐姿識別”? 在信息化學習與辦公環境中,久坐與不良坐姿已成為青少年與上班族普遍面臨的健康問題。長期駝背、前傾、低頭等坐姿行為,容易引發: 脊柱側彎、頸椎病 注意力下降、學習效率降低 視覺疲勞與肌肉勞損 傳統的坐姿管理主要依賴人工監督或簡單硬件傳感器,不僅成本高、實時性差,而

機器學習 , 人工智能 , 深度學習

收藏 評論

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

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

mob64ca1409d8ea - rabbitTemplate創建交換機不用註解

一,Direct Exchange 處理路由鍵。需要將一個隊列綁定到交換機上,要求該消息與一個特定的路由鍵完全匹配。這是一個完整的匹配。如果一個隊列綁定到該交換機上要求路由鍵 “dog”,則只有被標記為“dog”的消息才被轉發,不會轉發dog.puppy,也不會轉發dog.guard,只會轉發dog。 二,Fanout Exc

機器學習 , 鍵值對 , 字符串 , rabbitmq , 消息分發 , 人工智能

收藏 評論

網絡安全守衞 - elementPlus 按鈕觸摸其中svg顏色變為白色

currentColor顧名思意就是“當前顏色”,準確講應該是“當前的文字顏色”,例如: .xxx { border: 1px solid currentColor; } currentColor表示“當前的標籤所繼承的文字顏色”,換種方式表示就是:currentColor = color的值。 凡事需要使用顏色值的地方,都可以使用curren

機器學習 , ico , 文字顏色 , 人工智能 , Css

收藏 評論

AI智行者 - ZYNQ部署機器學習

一、引言 ZYNQ 是來自 Xilinx 公司ZYNQ-7000 所有可編程片上系統的開發板,具有開發片上系統能力。 在 ZYNQ上,ARM Cortex-A9 是一個應用級的處理器,能運行完整的像 Linux 這樣的操作系統,而可編程邏輯是基於 Xilinx 7 系列的 FPGA ,兩部分之間採用標準 AXI接口實現了高帶寬、低延遲

機器學習 , 設計思想 , ip , ZYNQ部署機器學習 , ZYNQ , 人工智能 , 嵌入式SOC

收藏 評論

u_17586993 - 智譜MiniMax競速上市,字節新模型數學推理突破,清華開源視頻生成技術,AI監管政策出台

今天AI領域有多項重要進展,涵蓋大模型商業化、技術突破、政策監管、芯片競爭等多個方面。本文將重點關注大模型創業公司競速上市、字節在AI推理能力上的突破、AI視頻生成技術的普及、AI監管政策的出台等核心要點。 1. 智譜MiniMax競速上市,大模型商業化路徑分化 智譜與 MiniMax:大模型創業背後的隱秘真相! 智譜和MiniMax正爭奪"首個大模型上市公司"頭銜,商業模式差異

機器學習 , 商業 , 人工智能 , 技術細節 , 開發者

收藏 評論

網絡小墨 - 域名 key和pem

現象: 在上雲過程中,向網絡組申請了一個域名來進行測試,接口測試都沒有問題,開始進行移動端測試,測試終端為微信小程序。發現訪問的內容不是域名應該的指向的這套環境A,而是指向了另外一套環境B 分析: 1、因為在域名指向的兩台機器上,都用nginx做了對後端服務的轉發,懷疑是某台nginx配置有誤,各種檢查,各種修改,對環境B的nginx也是各種檢查,各種修

機器學習 , 內網 , 域名 key和pem , 人工智能 , Nginx , 後端服務

收藏 評論