文章目录1. 数据仓库基本概念1.1 数据仓库的定义及特征1.2 数据仓库体系结构1.3 数据模型1.4 粒度2. 数据仓库设计2.1 概念模型设计4.2 逻辑模型设计2.3 物理模型设计3. 数据仓库实现4. 联机分析处理4.1 OLAP相关概念4.2 OLAP操作5. 元数据模型5.1 元数据库5.2 元数据类型5.3 元数据作用5.4 元数据的使用1. 数据仓库基本概念1.1 数据仓库的定义

文章目录1. 数据的属性1.1 数据对象1.2 属性1.3 属性类型1.4 离散属性vs连续属性2. 数据的基本统计描述2.1 中心趋势度量2.2 数据分散度量2.3 数据图形显示3. 数据的相似性和相异性3.1 数据矩阵与相异矩阵3.2 标称属性的临近性度量3.3 二进制属性的临近性度量3.4 数值属性的相异性3.5 序数属性的邻近性度量3.6 余弦相似性练习1练习21. 数据的属性1.1 数据

文章目录1. 数据分析与数据挖掘1.1 数据分析1.2 数据挖掘1.3 知识发现（KDD）的过程1.4 数据分析与数据挖掘的区别1.5 数据分析与数据挖掘的联系2. 分析与挖掘的数据类型2.1 数据库数据2.2 数据仓库数据2.3 事务数据2.4 数据矩阵2.5 图和网状结构2.6 其他类型数据3. 数据分析与数据挖掘的方法3.1 频繁模式3.2 分类与回归3.3 聚类分析3.4 离群点分析4.

文章目录1. GAN的缺点2. WGAN的改进3. 实验效果4. 完整代码1. GAN的缺点上一篇讲了GAN，其实代码中展示的那种生成器G的表达式，有一个很大的缺点，就是梯度消失严重。其实除了上一篇文章写的那种表达式，还有另一种方法，但是第二种方法也面临梯度不稳定和模式崩塌的问题。具体原因建议移步哔哩哔哩找李宏毅老师。基础GAN的生成器和判别器损失迭代10000次数据如下面几张图所示。判别器一开始

文章目录一. 生成数据集二. 批量读取数据集三. 定义模型1.初始化模型参数2.定义模型3.定义损失函数4.定义优化算法四. 训练一. 生成数据集我们使用线性模型参数 w=[2,−3.4]⊤ 、 b=4.2 和噪声项 ϵ 生成数据集及其标签：y=Xw+b+ϵ\mathbf{y}=\mathbf{X} \mathbf{w}+b+\epsilony=Xw+b+ϵ在这里我们认为标准假设成立，即 ϵ 服从

如果不能用一句话说清评委应该记住什么，就先不要画架构图。让有风险的 AI 裁决，先经过调查、正反审查、独立裁决和可回放的规则演进。如果让我重新参加一次，我不会先问“用 Java 还是 Python”“要几个 Agent”“要不要上 RAG”。这个任务为什么需要多个角色，而不是一个大模型？哪些信息和权力必须被隔离，协作才有真实价值？在 5—8 分钟内，我能拿出什么可验证证据？

文章目录一.标量和向量二. 矩阵三. 张量及其算法性质四. 降维一.标量和向量标量由只有一个元素的张量表示。import torchx = torch.tensor([3.0])y = torch.tensor([2.0])x + y, x * y, x / y, x**y(tensor([5.]), tensor([6.]), tensor([1.5000]), tensor([9.]))向量视

文章目录一. 导数和微分二. 偏导数三. 梯度三. 链式法则一. 导数和微分在深度学习中，对于每个参数， 如果我们把这个参数增加或减少一个无穷小的量，我们可以知道损失会以多快的速度增加或减少。定义 u=f(x)=3x^2−4ximport numpy as npimport matplotlib.pyplot as pltdef f(x):return 3 * x ** 2 - 4 * x计算观察

计算机视觉的发展提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章 Python 机器学习入门之pandas的使用文章目录计算机视觉的发展前言一、视觉发展历史1.物种大爆炸1.物种大爆炸二、计算机视觉发展历史三、数据集四、卷积神经网络的发展五、挑战二、使用步骤1.引入库2.读入数据总结前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技

文章目录1. 点赞1.1 业务层（直接调redis不用数据访问层）1.1.1 生成redis key的工具1.1.2 Service 下实现 LikeService1.2 表现层1.3 前端页面1.3.1 对帖子点赞1.3.2 对回帖列表点赞1.3.3 对回复列表点赞1.3.4 js 实现 like 方法1.3 首页赞的数量的显示1.4 帖子详情页面赞的数量的显示2. 我收到的赞2.1 重构点赞功