- 博客(9178)
- 资源 (971)
- 问答 (2)
- 收藏
- 关注
RSS订阅原创 TowardsDataScience 博客中文翻译 2016~2018（一百一十九）
术语人工神经网络用于指代数学模型或模拟大脑神经网络中基本计算特征的实际程序。与 TensorFlow 合作服务我想，如果也能为 Keras 模特服务，那就太棒了。Keras的优势是显而易见的——它大大简化了模型开发，并允许比纯 TensorFlow 框架更快地尝试模型。另一个动机是，我想让客户端独立于庞大的 TensorFlow 框架，并使用非常有限的一部分服务功能。当然，我想直观地显示结果，而不需要通过枯燥的 JSON 输出:-)在过去的一年半时间里，TensorFlow无论是在采用率还是在。
2024-09-21 08:00:22
3157
原创 TowardsDataScience 博客中文翻译 2016~2018（一百一十三）
在探索了一段时间 CNN 之后，我决定尝试计算机视觉的另一个重要领域，物体检测。这方面有几种流行的方法，包括更快的 R-CNN、RetinaNet、YOLOv3、SSD 等。我在这篇文章中尝试了更快的 R-CNN。在这里，我想总结一下我所学到的东西，如果你对这个话题感兴趣，也许会给你一点启发。我用的较快 R-CNN 的 Keras 版本的原代码是由yhenon(资源链接:GitHub编写的。)他使用了 PASCAL VOC 2007、2012 和 MS COCO 数据集。对我来说，我只是从谷歌的。
2024-09-21 07:59:50
2682
原创 TowardsDataScience 博客中文翻译 2016~2018（一百一十七）
总的来说，这是一个非常好的一天，内容非常棒(少一些技术，多一些社会/经济/政治/社会)。信噪比很好，没有任何形式的供应商推销演示(我看到的)，并且受到了来自技术和商业社区各个部分的优秀、积极的观众的光顾。如果 CogX 2018 明年举行，它绝对值得参加。问候，M@ARIMA 模型有 3 个参数:P —模型的自回归特征d——差分顺序Q —模型的移动平均特征从 statsmodels.tsa.arima_model 导入 ARIMAARIMA.html。
2024-09-21 07:59:13
2993
原创 TowardsDataScience 博客中文翻译 2016~2018（一百一十一）
对发生器末端的单个双曲正切单元的输入进行批量归一化将确保输入到双曲正切单元的输入具有 0 的平均值和有限的方差。这一点也不理想，因为我们希望激活在-1 和+1 之间展开。所以，不要批量归一化生成器中的最后一层。
2024-09-21 07:58:42
2664
原创 TowardsDataScience 博客中文翻译 2016~2018（一百一十）
Horizon 是一个端到端平台，其中*“包括模拟环境的工作流，以及用于预处理、培训和导出生产模型的分布式平台。”*——(消息来源)从阅读文件高效处理大型数据集的能力能够自动高效地预处理数据竞争算法性能发布前的算法性能评估服务于生产的柔性模型平台可靠性这听起来对我来说太棒了，所以让我们从如何利用这个平台开始，然后我们可以更深入地了解它的工作原理。对于强化学习中用到的一些术语，可以随时查看我之前的博文了解一下。
2024-09-21 07:58:10
3416
原创 TowardsDataScience 博客中文翻译 2016~2018（一百）
婚礼行业正在蓬勃发展。2016 年美国婚礼的平均费用估计在 35329 美元左右，高于 2006 年的 27852 美元(1，2)。同样，在科技领域，与婚礼相关的产品和解决方案也有越来越多的机会。这个项目旨在创建一个这样的解决方案。在传统的婚礼策划中，新娘会为所有的伴娘选择一件礼服。一种被称为“不匹配的伴娘”的新趋势背离了上述传统，并且越来越受欢迎。为了达到“不相配的伴娘”的效果，每个伴娘都有不同风格和/或颜色的礼服，它们都符合一个共同的主题。这种外观很难实现，在线工具也很少。
2024-09-21 07:57:39
4040
原创 TowardsDataScience 博客中文翻译 2016~2018（一）
根据维基百科，一个架构模式是一个通用的、可重用的解决方案，用于解决给定环境下软件架构中常见的问题。架构模式类似于软件设计模式，但是范围更广。在本文中，我将简要解释以下 10 种常见的架构模式及其用法和优缺点。分层图案客户机-服务器模式主从模式管道过滤器模式经纪人模式点对点模式事件总线模式模型-视图-控制器模式黑板图案口译员模式这个挑战的目的很简单，猜猜有人在画什么。不是你，你的电脑会猜。听起来很有趣，对吧？换句话说，你的电脑是否足够智能来决定下面画的是什么？有点简单化的定义？
2024-09-21 07:57:08
3790
原创 TowardsDataScience 2023 博客中文翻译（四十四）
LangChain 是一个基于语言模型开发应用程序的框架。这就是 LangChain 的官方定义。这个框架是最近创建的，已经被用作建立由 LLM 支持的工具的行业标准。它是开源的，并且在非常快的时间框架内发布新功能。官方文档可以在这里找到，GitHub 存储库可以在这里找到。我们在这个库中遇到的一个缺点是，由于这些功能是新的，我们不能有效地使用 Chat GPT 来帮助构建新的代码。这意味着我们必须以“古老”的方式阅读文档、论坛和教程来工作。
2024-09-21 07:56:37
2533
原创 TowardsDataScience 2023 博客中文翻译（四十六）
在 2014 年，亚马逊发布了Lambda，将云计算的抽象推向了一个新水平，提供了无服务器计算服务。与 EC2 相比，我们对运行代码的机器没有任何信息。我们的唯一可调参数是代码允许使用的内存量。Lambda 响应事件执行代码，并自动管理底层计算资源。如果我们的代码没有在机器上主动运行，我们不会支付任何费用。这非常适合像将用户操作写入数据库或从 ML 模型生成预测这样的单次操作，但我们甚至可以构建一个基于微服务的 Web 应用或实时流数据处理器。我们在 Lambda 中的工作流程将涉及设置函数。
2024-09-21 07:56:05
2246
原创 TowardsDataScience 2023 博客中文翻译（四十八）
本文为你快速概述了最重要的LightGBM超参数调优。下面你可以找到它们及其推荐调优范围的概览。最重要的LightGBM超参数及其调优范围概览（图源：作者）。当然，LightGBM还有许多其他可以使用的超参数。例如，参数指定一个叶子中的最小 Hessian 和，并且还可以帮助缓解过拟合[2]。当你的数据集不平衡时，还有一个可以调优的参数。或者你可以使用max_bin指定特征将被分桶的最大数量。在我们深入探讨训练大型语言模型（LLMs）相关的成本之前，让我们先简要定义一下什么是语言模型。
2024-09-21 07:55:23
587
原创 TowardsDataScience 2023 博客中文翻译（四十五）
根据 GitHub 提供的描述：GitHub Actions 使得自动化所有的软件工作流程变得简单，现在拥有世界级的 CI/CD。从 GitHub 直接构建、测试和部署你的代码。这意味着 GitHub Actions 是由 GitHub 提供的自动化平台，专注于自动化软件开发工作流程。Action 本身是可以作为 GitHub Actions 工作流程的一部分执行的代码单元。其目的是自动化由 GitHub 仓库中的事件触发的特定任务或工作流程。
2024-09-21 07:54:46
482
原创 TowardsDataScience 2023 博客中文翻译（四十二）
Apache Spark 目前是业内最受欢迎的大数据技术之一，由 Databricks 和 Palantir 等公司支持。数据工程师在使用 Spark 时的一个关键职责是编写高度优化的代码，以充分利用 Spark 的分布式计算能力（图 1）。图 1：Apache Spark 架构（图片由作者提供）。在本文中，你将了解在使用 Spark 时一些常见的性能问题（例如 5 Ss）以及如何解决这些问题。如果你对 Apache Spark 完全陌生，可以在我的上一篇文章中找到更多信息。API 是。
2024-09-21 07:54:16
693
原创 TowardsDataScience 2023 博客中文翻译（四十九）
强化学习（RL）是一种人工智能方法论，在这种方法中，智能体学习与其环境互动，以最大化从环境中获得的奖励信号的期望值。与监督学习不同，后者中智能体会获得标记的例子并根据输入预测输出，RL 涉及智能体主动在其环境中采取行动，并以奖励或惩罚的形式接收反馈。这些反馈用于调整智能体的行为，并随着时间的推移提高其表现。强化学习已被应用于广泛的领域，包括机器人技术、自然语言处理和金融。在游戏行业中，强化学习被用于开发高级游戏代理，例如**AlphaGo [1]**算法，该算法在围棋比赛中击败了人类冠军。
2024-09-21 07:53:44
610
原创 TowardsDataScience 2023 博客中文翻译（四十三）
原文：TowardsDataScience协议：CC BY-NC-SA 4.0人工智能驱动的安全运营架构，具有低误报率原文：towardsdatascience.com/architecture-of-ai-driven-security-operations-with-a-low-false-positive-rate-a33dbbad55b4?source=collection_archive---------1-----------------------#2023-04-21本文讨论
2024-09-21 07:53:05
2303
原创 TowardsDataScience 2023 博客中文翻译（四十七）
如上所述，在批处理赌徒问题中，我们无法获得即时奖励。因此，我们需要策略性地选择行动并更新代理的策略。这引入了网格的概念，即每个批次采样多少用户，以便代理能够最佳地学习。Perchet 等人[2]在他们的论文中介绍了批处理赌徒问题并介绍了网格。为了形式化网格，我使用了 Gao 等人[3]的符号。提供的第一个网格是算术网格，这相当简单。这个网格将时间范围 T 均匀地划分为 M 个相等的批次。当 M=T 时，这等同于传统的即时奖励赌徒问题。我们使用的第二个网格是最小最大网格，其目的是最小化最大遗憾。
2024-09-21 07:52:32
1549
原创 TowardsDataScience 2023 博客中文翻译（四十一）
原文：TowardsDataScience协议：CC BY-NC-SA 4.0使用 Sigma 规则进行异常检测：构建您自己的 Spark 流处理检测原文：towardsdatascience.com/anomaly-detection-using-sigma-rules-build-your-own-spark-streaming-detections-657bcef3988a?source=collection_archive---------9-----------------------
2024-09-21 07:52:00
1637
原创 TowardsDataScience 2023 博客中文翻译（四十）
在下方链接的第一篇文章中，我们介绍了地理空间数据分析，下载了AirBnb在北卡罗来纳州阿什维尔市的房源数据，并进行了一些步骤以从地理空间数据中提取洞察。## 使用 Python 分析地理空间数据窗口函数的教科书定义是，窗口函数在与当前行相关的一组表行上执行计算。图片来源:Masterfile你认为这个小家伙从窗户里看到什么？是从这个房间或建筑物的窗户外景的部分视图，对吧？这正是窗口函数的作用。它允许你对数据子集进行计算，而不对当前行进行聚合。
2024-09-21 07:51:28
1340
原创 TowardsDataScience 2023 博客中文翻译（四）
你可以为列聚合使用你选择的名称，以便轻松识别返回的列聚合，并去掉列标题中的第二行。你需要做的就是创建列名和聚合函数的元组，并将这个元组分配给列名。继续上述示例，你希望在列上应用函数‘min’，因此元组将是，你将把这个元组分配给名为的列，如下所示。同样，你可以为所有列聚合创建元组，并将它们分配给自定义名称。最后，将它们用逗号分隔传递给agg()函数，如下所示。在 Pandas 聚合函数中命名返回的列 | 图片来源：作者快速解决！现在，这看起来简化了很多，易于阅读。
2024-09-21 07:50:58
512
原创 TowardsDataScience 2023 博客中文翻译（十四）
原文：TowardsDataScience协议：CC BY-NC-SA 4.0初学者友好的 MLOps 介绍原文：towardsdatascience.com/a-beginner-friendly-introduction-to-mlops-95282f25325cMLOps 的第一步 Chayma Zatout· 发布于 Towards Data Science · 9 分钟阅读 · 2023 年 1 月 4 日–由 Sarah Dorweiler 拍摄于 Unsplash我
2024-09-21 07:50:27
1681
原创 TowardsDataScience 2023 博客中文翻译（十六）
常数-α MC 方法是一种常数步长参数 α 的常规 MC 方法，这个常数参数有助于使价值估计对最近的经验更加敏感。在实践中，α 值的选择取决于稳定性和适应性之间的权衡。以下是 MC 方法在时间 t 更新状态值函数的方程：TD(0) 是 TD(λ) 的一个特例，它只看一步前的状态，是最简单的 TD 学习形式。该方法使用 TD 误差更新状态值函数，TD 误差是指状态的估计值与奖励加上下一个状态的估计值之间的差异。一个常数步长参数 α 与上述 MC 方法中的作用相同。
2024-09-21 07:49:57
544
原创 TowardsDataScience 2023 博客中文翻译（十八）
在我上一篇文章的续集中，模拟垄断，我将探讨玩家的购买策略以及这些策略如何影响游戏结果。我将通过在 MATLAB 中建模游戏，然后模拟数千场游戏来寻找玩家选择中的模式。作者提供的图像RFM 代表最近一次购买、频率和货币价值。变异函数用于展示空间数据的距离相关变异性。理解和建模变异函数的空间连续性很重要，因为它们被用来将点测量估算到实际的块中，广泛应用于矿石品位、石油浓度或环境污染物等领域。尽管有开源选项可以生成变异函数，由于其复杂性，大多数用户依赖于昂贵的软件包，这些软件包抽象了许多细节。
2024-09-21 07:49:26
1551
原创 TowardsDataScience 2023 博客中文翻译（十五）
原文：TowardsDataScience协议：CC BY-NC-SA 4.0线性代数鸟瞰图：映射的度量——行列式原文：towardsdatascience.com/a-birds-eye-view-of-linear-algebra-the-measure-of-a-map-determinant-1e5fd752a3be Rohit Pandey·发布于 Towards Data Science ·阅读时间 16 分钟·2023 年 11 月 5 日–图像由 midjourney
2024-09-21 07:48:55
424
原创 TowardsDataScience 2023 博客中文翻译（十二）
准备好被惊艳到吧！我将列出七个不可否认的迹象，表明你已经成为一个高级的 Sklearn 用户而丝毫未曾察觉。由于 Sklearn 是地球上使用最广泛的机器学习库，你不妨将这些迹象看作是你已经是一个非常有能力的机器学习从业者的标志。让我们开始吧！尽管一开始 matplotlib 看起来很吓人，但它实际上是一个非常强大的库，可以创建有效的可视化。通过几行额外的代码和 matplotlib 库，我们已经看到如何将一个丑陋且无聊的柱状图变成一个更具美感的图表，帮助向读者讲述一个故事。
2024-09-21 07:48:23
267
原创 TowardsDataScience 2023 博客中文翻译（十九）
原文：TowardsDataScience协议：CC BY-NC-SA 4.0高级数据科学家的日常原文：towardsdatascience.com/a-day-in-the-life-of-a-senior-data-scientist-e8b7a4866667观点包括一个常见的逐步项目大纲 Matt Przybyla·发表于 Towards Data Science ·阅读时间 8 分钟·2023 年 2 月 14 日–图片来源：Slidebean 在 Unsplash [1
2024-09-21 07:47:52
312
原创 TowardsDataScience 2023 博客中文翻译（十三）
额外提示——一旦选择了颜色调色板，请保持一致。在所有图表中使用相同的颜色调色板。尤其是在演示过程中。不要让观众困惑。如果在第一个图表中苹果是红色的，就不要在下一个图表中将它们标记为黄色。回想一下我们之前展示的条形图示例。让我们用一些颜色来装饰它。plt.show()作者提供的图片设计美观且有效的数据可视化需要仔细考虑。我们必须记住多种因素，这些因素不仅影响我们展示什么，也影响我们如何展示。我们还必须记住，生成优秀的图表可能需要大量的测试和迭代，以找出最佳的呈现方式。
2024-09-21 07:47:15
1685
原创 TowardsDataScience 2023 博客中文翻译（十七）
CTE（公共表表达式）是一个临时存储结果集的查询，以便在另一条查询中引用和使用。只要在同一执行范围内，CTE 就会保持可用。简而言之，CTE像是一个临时表，它保存查询的中间结果，允许你在另一条SQL查询中使用这些结果。它也被称为子查询重构。在这里，有两个关键点需要注意，‘临时结果集’，意味着CTE的输出会被暂时存储，而不会在数据库中创建一个永久表。‘同一执行范围’，指的是它只能在定义它的相同SQL语句中使用。一旦该SQL语句完成，CTE将不再可用，使其局限于定义的范围内。
2024-09-21 07:46:43
1769
原创 TowardsDataScience 2023 博客中文翻译（十一）
类别数据类型相比其他基于字符串的数据类型相对较少见。原因可能是我们通常在将字符串数据用于机器学习模型之前会对其进行编码。然而，即使在数据清理和准备过程中，类别数据类型也提供了重要的优势。因此，如果一个基于字符串的变量相对于总值包含的不同值较少，我强烈建议使用类别数据类型。如有任何反馈，请告诉我。特征工程描述了制定相关特征的过程，这些特征尽可能准确地描述了基础的数据科学问题，并使算法能够理解和学习模式。换句话说：你提供的特征作为一种方式，将你对世界的理解和知识传达给你的模型。
2024-09-21 07:46:11
547
原创 TowardsDataScience 2023 博客中文翻译（十一）
原文：TowardsDataScience协议：CC BY-NC-SA 4.0为数据科学团队建立最佳实践的 6 种方法原文：towardsdatascience.com/6-ways-to-build-best-practices-for-data-science-teams-ca9b83fb269d为高绩效数据科学团队设定标准 Rebecca Vickery·发表于 Towards Data Science ·阅读时间 7 分钟·2023 年 3 月 20 日–图片由 Marvi
2024-09-21 07:45:37
1608
原创 TowardsDataScience 2023 博客中文翻译（十）
在这篇文章中，我们回顾了 6 个 Python 最佳实践，这些实践可以让你看起来像是一个资深开发者，而不是一个初级开发者。当然，还有许多其他因素区分资深开发者和初级开发者，不过，通过应用这 6 个最佳实践，你肯定会在你的工作、编程面试或贡献开源项目时，明显区别于那些不应用这些最佳实践的初级开发者！要了解高级和初级代码之间的差异，请查看：## 5 个 Python 技巧，区分高级开发者和初级开发者我们在本文中涵盖了很多内容——有些人可能会称之为数据可靠性马拉松。
2024-09-21 07:45:05
1240
原创 TowardsDataScience 2023 博客中文翻译（六十四）
在这篇文章中，你学习了如何使用pyvis包创建交互式网络图。pyvis包最有趣的地方在于它能够让你的网络图生动起来。交互式网络图非常适合用于社交网络、公司结构或其他你希望可视化实体之间关系的网络。享受使用pyvis的乐趣，并告诉我你使用它处理的数据类型！作者创建的图像OPL 代表 OpenAI、Pinecone 和 Langchain，chatGPT 有时会提供过度自信的错误回答。一个潜在的原因是这些语言模型被训练得非常有效地预测下一个词，或者更准确地说是下一个标记。
2024-09-21 07:44:33
2174
原创 TowardsDataScience 2023 博客中文翻译（六十六）
原文：TowardsDataScience协议：CC BY-NC-SA 4.0Chat GPT 能下国际象棋吗？原文：towardsdatascience.com/can-chat-gpt-play-chess-4c44210d43e4使用多策略 AI 和深度强化学习击败 GPT3.5 的国际象棋比赛 Octavio Santiago·发表于 Towards Data Science ·阅读时间 5 分钟·2023 年 12 月 18 日–作者提供的图片：使用 DALLE-3 生成
2024-09-21 07:44:03
1551
原创 TowardsDataScience 2023 博客中文翻译（六十八）
异常处理是编写代码以捕获和处理可能在程序执行期间发生的错误或异常的过程。这使得开发者能够编写即使在面对意外事件或错误时也能继续运行的健壮代码，而不是完全崩溃。当发生异常时，Python 会搜索匹配的异常处理程序。处理程序代码将执行并采取适当的行动，如记录错误、显示错误信息或尝试从错误中恢复。总体而言，异常处理有助于使 Python 应用程序更加可靠、可维护，并且更易于调试。if在 Python 中，你可以通过从内置异常如Exception或任何直接继承自Exception的类创建子类来定义自定义异常。
2024-09-21 07:43:32
1586
原创 TowardsDataScience 2023 博客中文翻译（六十五）
链接是这个框架中的高级工具，它们将 LLM 与其他工具结合起来，以执行更复杂的任务。具体来说，链是使用 LLM 序列和其他工具（如 SQL 数据库、API 调用、bash 操作符或数学计算器）来完成复杂工作的接口。例如，我们的应用程序接收来自用户的输入并将其传递给我们的 LLM 模型；然后，LLM 调用一个 API。API 对 LLM 进行响应，LLM 使用响应执行另一个任务，如此循环往复。正如你所看到的，这是一系列输入和输出的链条，其中在许多部分，我们有 LLM 模型处理情况。
2024-09-21 07:43:01
600
原创 TowardsDataScience 2023 博客中文翻译（六十五）
链接是这个框架中的高级工具，它们将 LLM 与其他工具结合起来，以执行更复杂的任务。具体来说，链是使用 LLM 序列和其他工具（如 SQL 数据库、API 调用、bash 操作符或数学计算器）来完成复杂工作的接口。例如，我们的应用程序接收来自用户的输入并将其传递给我们的 LLM 模型；然后，LLM 调用一个 API。API 对 LLM 进行响应，LLM 使用响应执行另一个任务，如此循环往复。正如你所看到的，这是一系列输入和输出的链条，其中在许多部分，我们有 LLM 模型处理情况。
2024-09-21 07:42:28
1962
原创 TowardsDataScience 2023 博客中文翻译（六十二）
关注发表在数据科学前沿· 23 分钟阅读 · 2023 年 9 月 3 日注：本文是名为“剖析 AI 应用”的系列文章中的第一篇，介绍了 AI 系统的心理模型。该模型作为跨学科 AI 和产品团队讨论、规划和定义 AI 产品的工具，以及与业务部门对齐的工具，旨在汇集产品经理、用户体验设计师、数据科学家、工程师和其他团队成员的观点。在本文中，我介绍了心理模型。后续文章将展示如何将其应用于特定的 AI 产品和功能：通过对话访问数据创建信息优势通过大型语言模型重新定义对话 AI。
2024-09-21 07:41:56
430
原创 TowardsDataScience 2023 博客中文翻译（六十九）
现在写文章或帖子用的 AI 辅助技术无处不在！ChatGPT 开启了基于语言的 AI 的众多应用，AI 在任何类型内容生成中的使用已经达到了空前的高度。然而，在诸如创意写作之类的学校作业中，学生需要创建自己的内容。然而，由于 AI 在这些任务中的流行和有效性，学生可能会被诱惑去使用它。在这种情况下，教师拥有能够检测 AI 生成内容的可靠工具就显得尤为重要。本文旨在提供对构建此类工具的直观理解以及技术规格。它面向那些希望直观理解 AI 检测工作原理的读者以及希望构建此类工具的技术观众。
2024-09-21 07:41:24
1748
原创 TowardsDataScience 2023 博客中文翻译（六十三）
维度建模及其原则在行业中已经存在超过 40 年。它已被证明是一种典型的 OLAP 用例设计模式。尽管大数据时代带来了比以往更强大的分布式计算引擎，但 OLAP 的基本设计原则不应被忽视。正确设计数据项目始终至关重要，而不是盲目投入资源。我希望这篇文章能够引起更多数据工程师的关注，促使他们在追逐新工具之前重新考虑数据仓库设计。·发布于·阅读时间 9 分钟·2023 年 2 月 4 日因果推断是一个迷人的话题。因果模型旨在创建对变量关系的机械理解。最近我读了理查德·麦克艾勒斯的《统计思维》
2024-09-21 07:40:54
2243
原创 TowardsDataScience 2023 博客中文翻译（六十七）
原文：TowardsDataScience协议：CC BY-NC-SA 4.0强化学习能否超越训练泛化？原文：towardsdatascience.com/can-reinforcement-learning-generalize-beyond-its-training-3b9012d8e4cf?source=collection_archive---------20-----------------------#2023-01-24模型泛化案例研究 John Morrow·关注 发表
2024-09-21 07:40:21
1938
原创 TowardsDataScience 2023 博客中文翻译（六十一）
原文：TowardsDataScience协议：CC BY-NC-SA 4.0使用 Streamlit 构建 Medium 统计跟踪器原文：towardsdatascience.com/building-a-medium-stats-tracker-with-streamlit-dfe75f69b8fc使用 Python Streamlit 库跟踪和监控 Medium 统计数据 Andy McDonald·发表于 Towards Data Science ·9 分钟阅读·2023 年 2
2024-09-21 07:39:48
536
原创 TowardsDataScience 2023 博客中文翻译（六十）
原文：towardsdatascience.com/building-a-cross-platform-tfidf-text-summarizer-in-rust-7b05938f4507?开始吧 ➡️文本总结一直是自然语言处理（NLP）中长期研究的问题。从文本中提取重要信息并生成文本摘要是文本总结器需要解决的核心问题。解决方案分为两类，即提取式总结和抽象式总结。## 理解自动文本摘要-1: 抽取方法在抽取式文本总结中，短语或句子直接从句子中提取。
2024-09-21 07:39:18
2653
公司的自建邮件服务器投不进 163，显示“451 DT:SPM”
2020-02-19
imagemagick 从 png 转换的 pdf 太大了
2020-02-19
TA创建的收藏夹 TA关注的收藏夹
TA关注的人