- 博客(25)
- 收藏
- 关注
原创 【干货】产品经理大会
C端产品是远看的葱绿风景,B端产品是深耕地下的健壮根系,枝叶与根茎相互支撑每个人都在不断地前进和成长,不要用现在的境遇去推算未来。当你思考问题时,其实就已经在为解决问题而聚焦方向了产品经理需要懂技术,然而懂技术不代表会写代码,产品经理最终要懂得创新和约束并存,技术作为一种约束,产品经理必须对其进行了解我们经常说B端产品不注重用户体验,其实这句话有失偏颇,用户体验不仅是指界面长得好看,还是对企业从战略到业务执行的关注和分析。
2024-01-22 15:43:02
379
原创 数据驱动的数字化转型(中)
1.统一规划数据中台介于业务场景蓝图和数据资产蓝图之间,对上承载着业务场景的实现,对下支撑着数据资产的管理和数据治理2.切片式建设建设数据中台,要在顶层规划的基础上,以业务场景牵引,进行切片式建设,如下,右边有两个业务场景需要数据中台来支撑,其中场景一要优先实现,这种情况下,数据中台就要分两个阶段优先建设场景一,先完成其中第一阶段所需要的功能。3.打造数据中台的6个阶段4.业务场景蓝图示例。
2023-08-21 18:01:54
461
原创 数据驱动的数字化转型(上)
精益数据战略的核心是产生业务价值,该价值不能通过PPT产生,也不能通过打印出来挂在墙上实现,只能通过实际的数据产品和服务做出来,如此才能让用户满意、让企业获益。为了实际落地,精益数据战略要求企业在规划蓝图及路径以后,一定要制定出速赢阶段的行动策略。速赢阶段就是数字化转型的第一个工作周期,时长一般是半年,最长不超过一年。该阶段的行动策略主要包括如下内容:● 高优先级价值场景清单;● 数字化转型项目清单及执行计划;● 项目计划;● 配套举措。
2023-08-21 11:05:39
392
原创 AIGC和智能数字化新时代
而阿里巴巴的每平每屋业务,将AIGC的功能植入手机淘宝和每平每屋的App之中,用户可以通过拍摄扫描家居环境,以及家里与商品进行搭配布局的家居,让AI生成线上的3D模型,并与想要购买的商品3D模型进行组合,让用户在线预览整体的组合效果。在剧本写作阶段,AI已经能够帮助影视人更好地释放创意,但从剧本上的文字到最终呈现给观众的视听盛宴,仍有一段漫长的旅程,而AI却能在这个想法落地的过程中继续保驾护航,帮助实现从“好创意”到“好表达”的跨越,帮助影视工作者化“不可能”为“可能”。中还扮演着智能安全辅助助手的角色。
2023-07-26 16:17:42
929
原创 【干货】AI算法平台
平台产品提供共用性强的工具,连接多端多角色之间的活动或交易AI开发平台产品也一样,是围绕AI模型/算法的生命周期提供工具,连接不同层次开发者对AI模型设计、训练、使用等活动。
2023-07-25 14:35:53
597
原创 大模型及传统模型评估指标
3、Huber Loss结合了MSE和MAE的特点,在误差接近0时使用MSE,在误差较大时使用MAE,但是需要额外设置一个delta超参数。2、如果阈值较高,那么精准率Precision会高,但是会漏掉很多数据;4、如果存在不同样本的真实值有量级差或者更加关注预测和真实值的百分比差异的情况,最好选用MAPE。1、准确率Accuracy有一个缺点,就是数据的样本不均衡,这个指标是不能评价模型的性能优劣的。1、RMSE 的最优化是试图找到平均值,而 MAE 的最优化是让预测偏高的次数与偏低的次数相等。
2023-07-21 15:07:33
3265
1
原创 Modelops知多少
事实上,国内大部分企业的大部分时间在使用的都是更基础的决策模型,而由于种类各异、部署环境也各不相同,这些基础决策模型的载体与流程反而是缺乏重视的,这也就是在 MLOps 的基础上提出 ModelOps 这一概念的原因之一。从全局看,打通上述 Operations 的全流程是解决模型资产管理、模型稳定性、模型风险、模型持续运营等问题的大前提,由此,才能够真正提升机器学习、AI 等其他决策模型的开发与运行服务效率。1、模型的输出在大部分场景没有最优的概念,且随着数据的变化、业务的变化,天生需要不断迭代;
2023-07-21 09:18:28
352
1
原创 数智化时代AI困境及商业化图谱
国家间由于经济发展、数字基础设施、数字产品购买力以及素质教育的不同,而出现的数字化程度的巨大差异被称为“数字鸿沟”。即使在同一个国家内部,数字鸿沟因为所处地区、收入水平、受教育水平、年龄等而同样存在。在我国由于大规模的信息基础设施建设,网络覆盖率的差异已经不成为数字鸿沟的主要原因,个人智能终端性价比的不断提高也促进能够联网的智能设备日益普及,数字鸿沟实际上主要存在于代际之间。
2023-07-13 15:25:41
188
1
原创 高赞的产品经理必读书籍《启示录:打造用户喜爱的产品》
作者并没有讲什么大道理,语言简单且朴实,但是书中的每一个字,都是实践的精华所在。书中干货太多,目前启示录已有了新版,待后期更新~~,让我们一起学习新知识、提升创造力!1、引发思考,引发思考,引发思考~~重要的事情说三遍。2、通俗易懂,适用于工作实践。
2023-05-17 14:40:33
341
原创 超有趣的stable diffusion干货解读
当电视机信号不好的时候,屏幕上就会出现这些噪声点,信号越差就会出现越多的噪声点,直到最后屏幕完全被随机的噪声覆盖,那么换一个角度去思考,既然任何一张图像都可以在不断添加噪声后,变成一张完全随机的噪声图像,那我们能不能将这个过程翻转,让神经网络学习这个噪声扩散的过程之后逆向扩散,把随机生成的噪声图像,逐渐转化为清晰的生成图像,diffusion模型就是基于这个思想实现的。首先将文本输入到编码器中得到特征列表,之后将文本特征作为图像生成器的输入,图像生成器又分为图像信息创建和图像解码。
2023-04-16 22:10:40
1010
原创 github打开特别慢的解决办法(亲测有效)
github打开特别慢的解决办法(亲测有效)1、github网址ip查询2、修改本地host文件(C:\Windows\System32\drivers\etc\hosts)3、测试1、github网址ip查询1.1 github网址查询:The world’s leading software development platform · GitHub1.2 github域名查询:▷ github.global.ssl.fastly.net Website statistics and traff
2021-03-29 10:41:13
372
原创 干货-成功darknet_yolov4 训练流程及细节
darknet_yolov4 训练流程及细节1、环境编译2、VOC数据集下载3、修改训练.cfg及.data文件4、cfg配置参数详解5、训练脚本,开始训练6、How to save weight on Linux training?7、控制台输出信息解释1、环境编译2、VOC数据集下载3、修改训练.cfg及.data文件4、cfg配置参数详解5、训练脚本,开始训练6、How to save weight on Linux training?7、控制台输出信息解释1.1、下载darknet
2021-03-29 10:26:27
3087
原创 干货-深度学习37问(读书笔记《深度学习与计算机视觉》)
《深度学习与计算机视觉》读书笔记书籍概况各个章节小启发引用书籍概况本书内容有点旧了,但里面的知识仍然给了我一些启发各个章节小启发1、在同维度下,仿射变换有些特性可能会发生变化,如长度、面积、角度和距离等,有些量则保持不变,如直线的平行性质、还有线性可分的性质。2、离散的期望值简单说就是,以概率为加权系数的求和。3、对伯努利分布的概率而言,当概率为0.5时,熵越大,不确定成都越高4、最大似然一般采用对数似然函数,不仅将乘法化成了加法,并且求导也因为log函数的性质变得简单。5、一个白色像素
2021-03-04 15:21:39
310
原创 《神经网络与深度学习》_邱希鹏_学习总结拓展及课后习题答案_持续更新...
《神经网络与深度学习》学习总结及课后习题答案_持续更新第五章 卷积神经网络第五章 卷积神经网络小结:本节主要讲了卷积的一些基本特性,比如局部连接、权重共享、汇聚层,并从一维、二维层面用非常直观的图片展示了卷积的特性;卷积核是否进行翻转和其特征抽取的能力无关;不同的卷积核相当于不同的特征提取器;从仿射变换的视角解释了转置卷积,虽然转置卷积也称反卷积,但是反卷积的称呼并不恰当,因为它不是卷积的逆运算。部分习题:习题5-3、分析卷积神经网络中用1×1滤波器的作用–待修正其一,可用于降低维度。例如当图像大
2021-01-21 15:27:54
5171
原创 非常棒的直观方法_理解Pytorch中的dim
非常棒的直观方法_理解Pytorch中的dim首先,我们创建一个张量x = torch.tensor([ [1,2,3], [4,5,6] ])x.shape>>torch.Size([2, 3])此时,创建了一个2行3列的张量,2即为dim=0,3即为dim=1,那么按照dim=0求和时,就是对dim=0这个维度进行挤压成一行,如下所示:那么扩展到3维的情况如下:x = torch.tensor([ [
2021-01-18 15:09:43
342
原创 hands on machine learning 2th_课后答案_持续更新
Hands on machine learning 2th17章ExercisesWhat are the main tasks that autoencoders are used for?主要任务为特征提取、无监督预训练、降维、异常检测(异常检测效果差)。Suppose you want to train a classifier, and you have plenty of unlabeled training data but only a few thousand labeled in
2021-01-07 19:31:52
212
原创 数值计算中的overflow and underflow
数值计算中的overflow and underflow以softmax为例实数在计算机内用二进制标识,所以不是一个精确值,当数值过小的时候,被四舍五入为0,这就是下溢出,而指数函数容易出现无穷大数而导致溢出错误,如e100=2.6881171418161356e+43,e1000=inf,这些无穷大无法进行除法运算,就出现OverflowError错误,这是因为计算机能够处理的“数”必须在4字节或者8字节的有限数值范围内。下溢:当接近零的数被四舍五入为零时发生下溢。上溢:大量级的数被近似为无穷时发
2020-12-18 14:29:58
686
原创 kafka多线程解决 consumer接收不到消息
kafka多线程解决 consumer接收不到消息通常的使用方法producer = KafkaProducer(bootstrap_servers=servers, value_serializer=lambda m: json.dumps(m).encode())# value_serializer用来指定序列化的方式,使用json来序列化数据,实现向kafka传入一个字典,自动转成json字符串for i in range(5): da
2020-12-10 16:16:04
775
原创 数学理论(一种有趣的LR_loss)
一种有趣的LR_loss在上篇博客中,我们描述了3中不同的loss函数,本节重点说明一下第三种log损失函数1、在逻辑回归的loss函数中,交叉熵最大似然损失,大家已经很熟悉了,此时y∈[0,1]y\in[0,1]y∈[0,1]:2、那么,当我们记正例为1,反例为-1时会发生什么样的变化呢?,此时:3、所以在2的基础上,逻辑回归问题就转化成了优化问题,只需要让上面这个loss最小:在联邦学习中,纵向LR时使用的就是这个loss函数,可能因为经过泰勒展开(f(x)=f(x0)+f(x0)′(x
2020-11-10 17:27:55
462
原创 数学理论-loss
LR loss 的深入理解-3种1、首先了解一下三种不同的loss函数平方损失:交叉熵(最大似然损失函数)在教科书中,似然常常被用作“概率”的同义词。但在统计学中,二者截然不同。概率描述了已知参数时的随机变量的输出结果;似然则用来描述已知随机变量时,未知参数的可能取值。例如,对于“一枚正反对称的硬币上抛十次”这种事件,我们可以问硬币落地时十次都是正面向上的“概率”是多少;而对于“一枚硬币上抛十次,落地都是正面向上”这种事件,我们则可以问,这枚硬币正反面对称的“似然”程度是多少2、交叉熵与
2020-11-09 15:22:55
484
原创 kubefate部署过程中容易遇到的几个问题
下载docker镜像1、wget https://webank-ai-1251170195.cos.ap-guangzhou.myqcloud.com/fate_1.4.0-images.tar.gz2、查看镜像是否成功docker load -i fate_1.4.0-images.tar.gz3、1. 下载并解压kubefate-docker-compose下载并解压Kubefate1.4的kubefate-docker-compose.tar.gz资源包curl –OL https://gi
2020-11-05 20:00:04
981
2
原创 fate-纵向LR
fate纵向LR训练流程及feature_binfeature_bin训练流程feature_bin(1)guest把 {idi, Encry(yi), Encry(1-yi)},发送给host;(2)host根据分箱情况,对于每个bin,计算{Encode(id_set_i),sum(Encry(yi)),sum(Encry(1-yi))}发送给guest;(3)guest根据同态加密和标签的特性(0-1分类),guest可以计算出npos_i=Decry(sum(Encry(yi)));nneg
2020-11-05 19:38:13
1529
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人