工信部征集2019年大数据优秀产品和应用解决方案

1月31日,记者从重庆市经信委获悉,工业和信息化部开始征集2019年大数据优秀产品和应用解决方案,网上申报及纸质材料邮寄截止时间是2019年2月28日。

记者获悉,这次征集方向包括两类:一是大数据产品,含数据采集存储、清洗加工、分析挖掘、交易流通、安全保障、可视化展示等方面形成的大数据技术、平台或系统等,要充分体现技术的先进性、实用性、通用性;二是大数据行业应用解决方案,含政府服务及重点行业或公共服务领域的整体解决方案,要充分突出行业特点,具备可复制性,可以大规模推广,技术架构先进,具有良好的应用效果。

据了解,大数据产品包括数据采集存储、清洗加工、分析挖掘、交易流通、安全保障、可视化展示等方面形成的大数据技术、平台或系统等,要充分体现技术的先进性、实用性、通用性。

大数据行业应用解决方案包括政府服务及重点行业或公共服务领域(如工业、农业、能源、营销、金融、安防、电信、交通、物流、医疗、教育、旅游、环保、食品安全等)的整体解决方案,要充分突出行业特点,具备可复制性,可以大规模推广,技术架构先进,具有良好的应用效果。优先支持大数据和实体经济深度融合领域的解决方案。

同时,优秀产品和应用解决方案相关内容要求拥有自主知识产权、技术先进、实现产业化或已部署应用,并具有一定的代表性和标志性,对其他企业或行业具有较强借鉴意义和推广价值。

报送流程中被推荐企业需登录大数据优秀产品和应用解决方案案例申报系统(网址:http://www.bdcases.org.cn)完成注册,填写企业基本信息,下载企业申报书并填写上传。

上游新闻·重庆商报记者 郑三波

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
下面是一个利用遗传算法和SVC模型进行特征工程筛选最优特征集的Python代码实例: ```python import numpy as np from sklearn.datasets import load_breast_cancer from sklearn.model_selection import train_test_split from sklearn.svm import SVC # 加载数据集 cancer = load_breast_cancer() X, y = cancer.data, cancer.target # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) # 定义适应度函数 def fitness(features): X_train_selected = X_train[:, features] X_test_selected = X_test[:, features] clf = SVC() clf.fit(X_train_selected, y_train) score = clf.score(X_test_selected, y_test) return score # 遗传算法 def genetic_algorithm(size, gensize, retain, random_select, mutate): population = [] for i in range(size): chromosome = np.ones(gensize) chromosome[:int(0.5*gensize)] = 0 np.random.shuffle(chromosome) population.append(chromosome) for i in range(100): scores = [] for chromosome in population: score = fitness(np.where(chromosome == 1)[0]) scores.append((score, chromosome)) scores.sort(reverse=True) ranked_chromosomes = [x[1] for x in scores] population = ranked_chromosomes[:retain] while len(population) < size: if np.random.rand() < random_select: population.append(ranked_chromosomes[np.random.randint(0, retain)]) else: chromosome1 = ranked_chromosomes[np.random.randint(0, retain)] chromosome2 = ranked_chromosomes[np.random.randint(0, retain)] new_chromosome = chromosome1.copy() mask = np.random.rand(len(new_chromosome)) < 0.5 new_chromosome[mask] = chromosome2[mask] if np.random.rand() < mutate: mask = np.random.rand(len(new_chromosome)) < 0.5 new_chromosome[mask] = np.logical_not(new_chromosome[mask]) population.append(new_chromosome) return np.where(scores[0][1] == 1)[0] # 运行遗传算法 selected_features = genetic_algorithm(size=100, gensize=X.shape[1], retain=20, random_select=0.05, mutate=0.01) print(selected_features) ``` 在上面的代码,我们使用SVC作为分类器,定义一个适应度函数来评估每个个体(即特征子集)的好坏程度。遗传算法的主要过程包括初始化种群、评估适应度、选择、交叉和变异。最终输出的是被选择的特征的索引。

“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
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
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