博客目录与概览

本博客主要聚焦于人工智能(Artificial Intelligence)领域,包括机器学习(Machine Learning)、深度学习(Deep Learning)和强化学习(Reinforcement Learning)以及其在具体项目中的实现,如:计算机视觉(Computer Vision, CV)、自然语言处理(Natural Language Processing, NLP)、大模型(LLM)、知识图谱(Knowledge Graph, KG)、推荐系统(Recommender System)、因果推断(Causal Inference)等。除此之外,本博客还兼顾算法学(Algorithmics)、大数据(Big Data)与数据科学(Data Science)等方向的知识,冀希读者能能通过阅读本博客的文章,构建完整的知识体系与框架。博主撰写博文中的绝大多数都并非是博主本人的直接研究成果,而是博主从书本、网站或视频等公开资料学习并根据自身的项目经历总结而成,本博客主要的参考文献列举在本文的文末,若您觉得本博客中的文章侵犯了您的成果或权益,您可以直接私信联系修改或删除内容。

人工智能(Artificial Intelligence)领域:

深入理解机器学习》系列、《深入理解深度学习》系列和《深入理解强化学习》系列主要介绍了机器学习、深度学习和强化学习算法的推导过程与实现方法,而《机器学习中的数学》系列详细介绍了在机器学习、深度学习以及强化学习理论中所必要的数学知识,如线性代数、概率论、信息论、数理统计、解析几何、最优化理论等。《自然语言处理从入门到应用》、《大模型从入门到应用》和《知识图谱从入门到应用》等系列则深入业务实践层面,深入介绍了自然语言处理、大模型和知识图谱领域的知识,其是机器学习、深度学习以及强化学习在业务层的应用。另外在代码实现层面,《TensorFlow2代码入门到项目实战》则以Google最新的TensorFlow2.X模块讲解了当今业界在深度学习各项目中的实践方法。另外,《深入浅出TensorFlow2函数》、《深入浅出Pytorch函数》、《深入浅出PaddlePaddle函数》则分别以TensorFlow2.Xtorchpaddle模块的函数为粒度介绍了各个函数的使用方法、参数、返回值、实现过程等信息。

算法学(Algorithmics)领域:

在《算法设计与分析》系列中,我们主要介绍算法学基础的相关知识,这部分的内容基本是算法工程师必备的技能。当今算法工程师有很多种,如:音/视频算法工程师、图像处理算法工程师、计算机视觉算法工程师、自然语言算法工程师、数据挖掘算法工程师、搜索算法工程师、通信基带算法工程师、信号算法工程师、射频/通信算法工程师、控制算法工程师、导航算法工程师等,本系列的内容都是算法工程师必备的知识。

大数据(Big Data)和数据科学(Data Science)领域

大数据与数据科学》系列聚焦于数据分析领域,介绍了除机器学习算法以外的数据科学相关技术。除此之外,还系统介绍了Hadoop及其生态如Spark、Kylin等的相关知识以及这些框架在商业智能中的应用,如:维度建模、数据仓库等知识,这些内容与其它系列文章互补,构建了从数据模型到具体业务的知识体系。在数据获取层面,《Python爬虫从入门到精通》系列详细介绍了基于Python3的爬虫技术与方法。

其它专栏

本博客还对人工智能领域常用编程语言Python(《系统学习Python》系列)、Scala(《快速入门Scala》系列)做了详细介绍,无论是初学、进阶还是作为常用手册的查询,这两个系列的内容都非常合适。同时,《人工智能与大数据面试指南》系列汇总了本博客所有涉及的行业与应用场景,为读者总结了相应应用场景下常见的面试问题与其解答。

各分类的目录与介绍如下,我会根据实际情况逐渐完善各个分类下的内容。


深入理解机器学习

深入理解机器学习》系列不仅仅把目光局限机器学习算法的推导与实现,还会从数学、统计学以及统计学习的角度来深入理解机器学习算法,除此之外,本系列还会讨论各个机器学习算法局限与瓶颈,纵横向比较各种机器学习算法的优劣等。另外,在详细介绍机器学习算法的同时,我还会通过Python以及相关机器学习模块如scikit-learnapyori等给出相关项目的实战代码。希望读者能通过阅读本系列的文章对机器学习算法相关的知识有一定深度的理解。


深入理解深度学习

深入理解深度学习》系列以机器学习中的神经网络算法为主线,由浅入深地介绍各类型的神经网络结构与应用场景以及深度学习理论中必备的知识点。除此之外,该分类在介绍完算法后,还会用基于TensorFlow2.0的Python3代码来实现相关算法。在该分类的最后,还会涉及科学家们正在研究的前沿课题与领域,供大家学习与参考。


机器学习中的数学

机器学习中的数学》系列详细介绍了在机器学习理论中所必要的数学知识,如线性代数、概率论、信息论、数理统计、解析几何、最优化理论等。本章仅介绍机器学习及深度学习理论中必要的数学知识,对其整体的框架逻辑没有做详尽的解读,读者若想系统的学习完整的高等数学方面的知识,可以另找相关教材。在讲授相关知识的同时,该系列还会以Python3为基础,通过引入pandasnumpytensorflow等模块来展示相关的数学知识。

线性代数

概率论与数理统计

数值分析

最优化理论


自然语言处理从入门到应用

自然语言处理从入门到应用》系列从自然语言的基本任务开始由浅入深地讲解到自然语言处理的应用任务,让读者有在学习完《深入理解机器学习》系列和《深入理解深度学习》系列后,有能力将理论知识直接应用于自然语言处理的场景中。值得一提的是,自然语言处理中的一个重要组成部分——预训练模型将在《深入理解深度学习》系列中讲解,这部分的知识不会再在《自然语言处理从入门到应用》系列中重复讲授。


大模型从入门到应用

大模型从入门到应用》系列由浅入深的介绍了大模型在各个行业中应用的知识,包括了LangChain、Hugging Face等大模型常用框架的介绍,而涉及到大模型算法基础的部门需要读者参考《深入理解深度学习》系列文章。


知识图谱从入门到应用

知识图谱从入门到应用》系列深入算法实践层面,深入介绍了知识图谱领域的知识,如知识图谱的表示、构建、推理和融合等内容。


深入浅出TensorFlow2函数

深入浅出TensorFlow2函数》系列以TensorFlow2.X模块的函数为粒度介绍了各个函数的使用方法、参数、返回值、实现过程等信息。每篇文章为一个函数,首先会介绍函数的表现形式以及其意义、使用时的注意事项等信息。其次,会给出函数的参数和返回值。最后,会列出函数的实现过程,这一部分的内容有利于读者深入浅出的理解TensorFlow2.X模块的函数。


深入浅出Pytorch函数

深入浅出Pytorch函数》系列以torch模块的函数为粒度介绍了各个函数的使用方法、参数、返回值、实现过程等信息。每篇文章为一个函数,首先会介绍函数的表现形式以及其意义、使用时的注意事项等信息。其次,会给出函数的参数和返回值。最后,会列出函数的实现过程,这一部分的内容有利于读者深入浅出的理解torch模块的函数。


深入浅出PaddlePaddle函数

深入浅出PaddlePaddle函数》系列以paddle模块的函数为粒度介绍了各个函数的使用方法、参数、返回值、实现过程等信息。每篇文章为一个函数,首先会介绍函数的表现形式以及其意义、使用时的注意事项等信息。其次,会给出函数的参数和返回值。最后,会列出函数的实现过程,这一部分的内容有利于读者深入浅出的理解paddle模块的函数。


算法设计与分析

算法设计与分析》以算法设计为核心,详细系统地介绍了数据结构和算法学的相关理论。在需要代码实践的部分,本系列使用了伪代码或Python代码实现,有兴趣的读者还可以自行选用自己喜爱的语言实现该过程。


大数据与数据科学

大数据与数据科学》系列囊括了大数据和数据科学的相关内容。除此之外,还包含了与大数据与数据科学领域相关的商业智能的内容,如维度建模与数据仓库Hive编程的内容。

大数据

数据科学

维度建模

数据仓库Hive编程


Python爬虫从入门到精通

Python爬虫从入门到精通》系列以一个仅会Python基础的程序员的角度深入讲解了Python爬虫理论及实战。数据作为数据科学领域的基石具有十分重要的意义,而爬虫作为数据获取中一个重要的手段值得各位希望从事数据科学领域的朋友们学习理解。


系统学习Python

系统学习Python》系列将深入浅出地介绍Python语言的各个特性。无论读者对Python毫无基础还是有几年Python编程经验,本分类的文章都会非常适合各类读者。在本分类下,我还会适当的标出Python高级特性的部分,如果您是初学者,可以跳过该部分的学习。除此之外,我还会介绍Python的一些编程技巧以及Python编程中的一些易错点。


快速入门Scala

快速入门Scala》系列面向零基础的读者。博主希望零基础的读者能通过阅读该分类下的文章能够快速入门Scala,对Scala语法有一个基本的认识,能读懂代码并上手Scala的小项目。Scala作为Spark的底层语言越发越受到重视,在使用Spark处理大数据时,相比于Java与Python,Scala得天独厚的优势即将显现。


人工智能与大数据面试指南

人工智能与大数据面试指南》系列汇总了本博客所有涉及的行业与应用场景,如:机器学习、深度学习、大数据、算法与数据结构、自然语言处理、计算机视觉、知识图谱、推荐系统等各领域的内容,为读者总结了相应应用场景下常见的面试问题与其解答。本系列下的内容会持续更新,有需要的读者可以收藏文章,以及时获取文章的最新内容。


本博客主要参考的书籍及资料:
[1] Lecun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015.
[2] Aston Zhang, Zack C. Lipton, Mu Li, Alex J. Smola. Dive Into Deep Learning[J]. arXiv preprint arXiv:2106.11342, 2021.
[3] James G , D Witten, Hastie T , et al. An Introduction to Statistical Learning: With Applications in R[M]. 2013.
[4] Albert King. AKShare. GitHub, 2019.
[5] ThomasH.Cormen, Cormen, Leiserson,等. 算法导论[M]. 机械工业出版社, 2006.
[6] Mark Lutz. Python学习手册[M]. 机械工业出版社, 2018.
[7] 周志华. 机器学习[M]. 清华大学出版社, 2016.
[8] 崔庆才. Python 3网络爬虫开发实战(第二版)[M]. 人民邮电出版社, 2021.
[9] 吴茂贵, 王红星. 深入浅出Embedding:原理解析与应用实战[M]. 机械工业出版社, 2021.
[10] 王喆. 深度学习推荐系统[M]. 电子工业出版社, 2020.
[11] 于化龙.类别不平衡学习:理论与算法[M].清华大学出版社, 2017.
[12] Storm, 李鲲程, 边宇明.Python实现Web UI自动化测试实战[M]. 人民邮电出版社, 2021.
[13] 陈华钧.知识图谱导论[M].电子工业出版社, 2021.
[14] 邵浩, 张凯, 李方圆, 张云柯, 戴锡强. 从零构建知识图谱[M].机械工业出版社, 2021.
[15] Thomas H. Cormen 等, 殷建平. 算法导论[M]. 机械工业出版社, 2013.
[16] Pang-NingTan, MichaelSteinbach, VipinKumar. 数据挖掘导论[M]. 人民邮电出版社, 2010.
[17] 车万翔, 崔一鸣, 郭江. 自然语言处理:基于预训练模型的方法[M]. 电子工业出版社, 2021.
[18] 邵浩, 刘一烽. 预训练语言模型[M]. 电子工业出版社, 2021.
[19] 何晗. 自然语言处理入门[M]. 人民邮电出版社, 2019
[20] Sudharsan Ravichandiran. BERT基础教程:Transformer大模型实战[M]. 人民邮电出版社, 2023
[21] 张伟楠, 沈键, 俞勇. 动手学强化学习[M]. 人民邮电出版社, 2022.
[22] Richard S. Sutton, Andrew G. Barto. 强化学习(第2版)[M]. 电子工业出版社, 2019
[23] Maxim Lapan. 深度强化学习实践(原书第2版)[M]. 北京华章图文信息有限公司, 2021
[24] 王琦, 杨毅远, 江季. Easy RL:强化学习教程 [M]. 人民邮电出版社, 2022
[25] LangChain官方网站:https://www.langchain.com/
[26] LangChain 🦜️🔗 中文网,跟着LangChain一起学LLM/GPT开发:https://www.langchain.com.cn/
[27] LangChain中文网 - LangChain 是一个用于开发由语言模型驱动的应用程序的框架:http://www.cnlangchain.com/
[28] 杨强, 刘洋, 程勇, 康焱, 陈天健, 于涵. 联邦学习[M]. 电子工业出版社, 2020
[29] 微众银行, FedAI. 联邦学习白皮书V2.0[EB/OL]. 腾讯研究院等, 2021

  • 268
    点赞
  • 1641
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 27
    评论
KubeSphere 是一个基于 Kubernetes 的多云管理平台,它提供了一个集成的面板用于管理和监控集群、应用管理和发布、用户管理等功能。在 KubeSphere 的概览界面中,用户可以查看集群的整体状态和健康状况。 如果在 KubeSphere 的概览界面中没有显示数据,可能存在以下几个可能的原因: 1. 集群连接问题:首先,需要确保 KubeSphere 与 Kubernetes 集群正常连接。用户可以检查集群的连接状态,确保集群已经成功接入到 KubeSphere 平台。 2. 数据同步问题:KubeSphere 的概览界面中的数据来自于集群中的各个组件,如 kube-state-metrics、metrics-server 等。如果这些组件的数据同步出现问题,会导致概览界面无数据。此时,用户可以检查这些组件的部署状态和日志,确保它们正常运行。 3. 权限问题:概览界面只会显示当前用户有权限查看的数据。如果当前用户的权限受限,可能无法看到完整的数据。用户可以检查自己的权限设置,确保具备查看相关数据的权限。 4. 平台问题:最后,如果以上几个方面都没有问题,可能是 KubeSphere 平台本身存在一些问题。此时,用户可以尝试重启 KubeSphere 的相关组件,或者重新安装 KubeSphere,以解决可能的平台问题。 综上所述,如果 KubeSphere 的概览界面无数据,可以通过检查集群连接、数据同步、权限和平台四个方面来查找问题并解决。在确认这些方面都没有问题之后,可以尝试重启组件或者重新安装来解决问题。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 27
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

von Neumann

您的赞赏是我创作最大的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值