相关推荐
-
2017年度盘点丨基础架构演化:从“以资源为中心”到“以应用为中心”的迁移...
作者:刘建,搜狗资深架构师,商业平台基础平台负责人,十多年Java相关研发经验,在互联网软件体系结构、分布式...谈到基础架构,不同的人有不同的理解。一般说来,我们将支撑应用研发部署的底层软硬件的集合叫做基...
-
年终盘点篇:2017年度微服务调查报告出炉
【IT168 调查报告】如果在... 本报告于2017年11月份展开,从驱动因素、落地现状、和容器关系、架构体系、未来趋势和落地方法论等方面对微服务进行了分析。希望能够为传统企业微服务决策、规划和实施提供依据和解...
-
2017年数据库技术盘点
欢迎大家前往云+社区,获取更多腾讯海量技术实践干货哦~。 作者 | 那海蓝蓝,腾讯金融云数据库技术专家作者 | 小编0.7,腾讯...在数据库领域,回顾2017这一年,精彩纷呈,热点不断,而且不乏标志性的事件发生。 如O...
-
go技术文章梳理(2017)
gocn_news_2017-12-31 分布式系统下的Go channels https://medium.com/@matryer/introducing-vice-go-channels-across-many-machines-bcac1147d7e2 Go Socket编程之teleport框架是怎样炼成的 ...
-
重磅干货不容错过!2017云栖大会汇总资料,速来领取!
刚刚过去的2017年, 云栖大会先后在全国八个城市举办, 全年300余场的技术主题论坛, 涵盖人工智能、大数据、金融科技、量子计算、生命科学、IoT、政务、多媒体、VR等多个前沿科技领域。多位全球顶级学术专家,各个领域...
-
大数据全攻略:10年老兵带你看尽MaxCompute大数据运算挑战与实践
大数据计算服务(MaxCompute,原名ODPS)是一种快速、完全托管的TB/PB级数据仓库解决方案。MaxCompute向用户提供了完善的数据导入方案以及多种经典的分布式计算模型,能够更快速的解决...以下为本套攻略的内容目录,查看
-
Hadoop文章收集汇总 - 如禁止转载,请及时联系本人 收集学习互联网各位前辈分享的文章
30PB数据1年内迁移到Spark,eBay的经验有何可借鉴之处? AI前线小组 2018/9/19 1:59 Hadoop实操 在Kerberos环境下Hue与HBase集成 Fayson 2018/9/19 1:59 Hadoop实操 Spark...
-
阿里巴巴大数据计算平台MaxCompute全套攻略
【大数据新手上路】“零基础”系列课程--MySQL 数据整库迁移到 MaxCompute ODPS Studio 2.6.2 版本发布了 机器学习专题: 机器学习——让人工智能触手可及 大规模深度学习优化技术在PAI...
-
焦仕可|2020分布式存储产业链研究报告
存储产业相关国家政策 2017年8月,工业和信息化部办公厅印发《关于组织申报2017年度国家新型工业化产业示范基地的通知》,首次将数据中心、云计算、大数据、工业互联网等新兴产业纳入国家新型工业化产业示范基地...
-
全网最全深度学习案例整理汇总
深度学习图像超分辨率综述 从SRCNN到EDSR,总结深度学习端到端超分辨率方法发展历程 行人重识别 【CVPR2019正式公布】行人重识别论文 【CVPR2019正式公布】行人重识别论文,2019 行人再识别年度进展回顾 图像着色 ...
-
【聚合阅读】机器学习资料最强汇总!
本文聚合关于机器学习的微信公众号文章,精选最具价值、干活最多的文章,让您快速浏览最精华的机器...新型RNN:将层内神经元相互独立以提高长程记忆 | CVPR 2018论文解读 再谈变分自编码器VAE:从贝叶斯观点出发 ...
-
MaxCompute全套攻略
【大数据新手上路】“零基础”系列课程--MySQL 数据整库迁移到 MaxCompute 阿里巴巴下一代数据集成技术 MaxCompute Studio 深入阿里云大数据IDE–MaxCompute Studio 使用 MaxCompute Studio 开发...
-
阿里巴巴大数据计算平台MaxCompute(原名ODPS)全套攻略(持续更新20171127)
【大数据新手上路】“零基础”系列课程--MySQL 数据整库迁移到 MaxCompute 阿里巴巴下一代数据集成技术 MaxCompute Studio 深入阿里云大数据IDE–MaxCompute Studio 使用 MaxCompute Studio 开发大数据应用...
-
机器学习(Machine Learning)&深度学习(Deep Learning)资料
机器学习(Machine Learning)&深度学习(Deep Learning)...介绍:这是一篇介绍机器学习历史的文章,介绍很全面,从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning. 《Deep Learning in Ne...
-
06_QLibrary.zip
06_QLibrary.zip
-
毕业设计: 基于Densenet + CTC技术的文字检测识别的技术研究
本毕设课题是属于计算机视觉下的目标检测与识别,对象为自然场景下的各种文本信息,通俗的说就是检测识别图片中的文本信息。由于文本的特殊性,本毕设将整个提取信息的过程可以分为检测、识别两个部分。 论文对用到的相关技术概念有一定的介绍分析,如机器学习,深度学习,以及各种的网络模型及其工作原理过程。 检测部分采用水平检测文本线方式进行文本检测,主要参考了乔宇老师团队的 CTPN 方法,并在正文部分从模型的制作到神经网络的设计实现对系统进行了较为详细的分析介绍。 识别部分则采用的是 Densenet + CTC,对于印刷体的文字有较好的识别。
-
毕业设计 基于javaweb的在线答题平台
毕业设计 基于javaweb的在线答题平台
-
numpy安装 python get-pip.py
numpy安装 numpy安装 python get-pip.py
-
基于用户、物品的协同过滤算法.zip
协同过滤算法(Collaborative Filtering)是一种经典的推荐算法,其基本原理是“协同大家的反馈、评价和意见,一起对海量的信息进行过滤,从中筛选出用户可能感兴趣的信息”。它主要依赖于用户和物品之间的行为关系进行推荐。 协同过滤算法主要分为两类: 基于物品的协同过滤算法:给用户推荐与他之前喜欢的物品相似的物品。 基于用户的协同过滤算法:给用户推荐与他兴趣相似的用户喜欢的物品。 协同过滤算法的优点包括: 无需事先对商品或用户进行分类或标注,适用于各种类型的数据。 算法简单易懂,容易实现和部署。 推荐结果准确性较高,能够为用户提供个性化的推荐服务。 然而,协同过滤算法也存在一些缺点: 对数据量和数据质量要求较高,需要大量的历史数据和较高的数据质量。 容易受到“冷启动”问题的影响,即对新用户或新商品的推荐效果较差。 存在“同质化”问题,即推荐结果容易出现重复或相似的情况。 协同过滤算法在多个场景中有广泛的应用,如电商推荐系统、社交网络推荐和视频推荐系统等。在这些场景中,协同过滤算法可以根据用户的历史行为数据,推荐与用户兴趣相似的商品、用户或内容,从而提高用户的购买转化率、活跃度和社交体验。 未来,协同过滤算法的发展方向可能是结合其他推荐算法形成混合推荐系统,以充分发挥各算法的优势。
1 楼 fjjiaboming 2018-01-19 22:20