csdn不错 比较有影响力

最新推荐文章于 2024-02-01 12:13:30 发布
最新推荐文章于 2024-02-01 12:13:30 发布
阅读量308 收藏
点赞数 3
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/xiexiner/article/details/38491639
版权

csdn不错 虽然写的不多 但是用的非常多 资料真实有用的多，看样子以后要多多来参与，呵呵！

xiexiner
关注
社交网络影响力最大化研究
01-14
影响力最大化问题是通过发现社会网络中最有影响力的节点集合，广泛应用于市场营销，其目的是为了用最小的营销成本得到最大的利润。本文首先介绍社交网络影响力最大化问题的相关理论知识，并重点研究了俩种影响力传播...
基于区域交互模型的SNS网络用户影响力评估
01-14
针对现有方法与模型未能准确体现不同距离用户之间真实交互行为的问题，提出了一种基于用户区域交互模型的用户影响力评估方法。区域交互模型利用影响力传递的不同方式，刻画不同距离之间用户的交互行为模式，能更为...
CSDN 技术影响力之星正式揭晓 | 2022 开发者生态汇
CSDN资讯
03-31 1万+
CSDN 和《新程序员》特别举办“开发者生态汇
奉劝各位学弟学妹们，该打造你的技术影响力了！
沉默王二
04-27 52万+
CSDN 的学弟学妹们，大家好呀，我是沉默王二。放在一年前，打死我也不相信，这四个平淡无奇的字组合在一起竟然充满了魔力！ 2019 年的时候，我看过一本书，名叫《影响力》，应该有不少学弟学妹也看过。但说实在的，这本书我就看了几页，就看不下去了，不是这书不好，而是我觉得它不适合我，因为我那时候没什么影响力（谦虚点）。 没有影响力的时候想着怎么扩大影响力，我就觉得有点扯淡。就像没有财的时候想着理财一样，有点白日做梦。 与其白日做梦，不如脚踏实地，换一句浅显易懂的话，就是，与其想着理财，不如想想怎么攒钱。如果连原
CSDN技术影响力不错
算法小站
11-03 1837
晚上发了篇博文，一小时后百度了一下，结果发现已经被检索了。 看来百度对csdn很青睐啊！排名靠前的博客对百度等搜索引擎的权重因子应该更大一些。
CSDN规则详解（一）
想你依然心痛的博客
11-03 4万+
CSDN是一个专业的技术社区，不仅可以分享自己的技术经验，还可以向其他行业专业人士学习。在CSDN上写出优秀的博客可以增加自己的曝光率和声誉，但是除了写出好博客，我们还可以认识规则、了解规则、利用规则，来更好地展示自己的专业能力和吸引更多的读者。因此，掌握CSDN的规则是非常重要的，可以帮助我们更好地利用这个平台，实现自己的目标。在本文中，将会介绍一些CSDN的规则和注意事项，帮助读者更好地运用这个平台。
CSDN 2023中国开发者影响力年度评选榜单公布
CSDN资讯
02-01 2万+
本次评选采取自主申报、定向邀请相结合方式，历时两个月，经评委会评议，最终形成大模型生态领军企业、创新企业、AIGC Top智能应用、创新产品与解决方案四个榜单，现公布如下。CSDN 2023中国开发者影响力年度评选由CSDN、《新程序员》主办，携手广大企业及其创新产品与解决方案，共同推动技术和产业生态的高质量发展。随着AI的快速发展，技术所带来的力量正在更广泛、更深入地影响和改变着整个世界，开发者、开发者生态作为技术引擎和动力，发挥着越来越重要的价值。
学生为什么要在CSDN写博客？
Faith_xzc
03-06 35万+
学生为什么要在CSDN写博客？引言写博客的好处构建知识体系提升写作能力扩展人脉为简历加分帮助他人为什么是CSDN如何写博客记录学习总结错误总结与展望 引言 就目前来说，学生应该是使用各种博客最多的人，但却不是写博客的主体。在我看来，这是因为学生处于一个学习阶段，在不断的学习和实践的过程中总会遇到这样那样的问题，然后在线下询问无果，或者直接喜欢上网搜索。所以，学生成为了一个使用博客的主体。后者的原因就是因为绝大多数学生认为自己能力不够，没有相关的知识储备，不能够支持自己写博客。这还是在很多人说写博客有非常非常
直达CSDN——创作者创收
官方推荐
04-07 1万+
帮助创作者创收
CSDN规则详解（三）
想你依然心痛的博客
01-04 2万+
在CSDN的平台中，企业博客、分类专栏、付费专栏是非常重要的内容形式，对于博主和企业来说，开通这些形式可以帮助他们更好地展示自己的技能、产品或服务，吸引更多的访问量和粉丝，提高其影响力和知名度。但是在开通这些形式之前，需要遵守CSDN的相关规则，才能确保平台的正常运营和用户的良好体验。本篇文章将详细介绍CSDN企业博客、分类专栏、付费专栏的开通规则，帮助用户更好地了解平台的规范要求。
影响力最大化 IMRank 我心中的最优算法
Braylon的博客
04-08 6761
文章目录简介IMRank （边缘爆破）算法思路效率分析代码实现 简介 对于影响力最大化问题，我以前写过两个blog 影响力最大化 IC模型+贪心算法 影响力最大化 模拟爆发(粗糙笔记) 但是，对于这两个方法都不是最优的： 对于IC模型 模型使用了贪心算法，然后遍历激活结点，每一次遍历将可能被激活的结点按照概率激活。然后选择影响力最大的组合。 对于我测试使用的邻接矩阵的大小是200*200的，也...
CSDN 原力 -- beta 测试中
热门推荐
SoftwareTeacher的专栏
03-07 89万+
CSDN 希望成为开发者个人职业成长和职业成就的平台， 我们正在探讨用 “CSDN 声望” 来衡量用户在我们社区的声望和技术影响力。 希望得到大家的反馈。
基于Web2.0 UGC的用户影响力评估
03-18
选择最有影响力的用户可以极大地提高营销效果。 针对用户影响力的研究是基于社交网络的复杂性和巨大规模而出现的。随着Facebook、Twitter等社交媒体的出现，越来越多的学者开始研究此类网络中的用户影响力。本文...
AI实战-仿真交易欺诈行为分类数据集分析预测实例（含10个源代码+419.69 KB完整的数据集）.zip
01-16
AI实战-仿真交易欺诈行为分类数据集分析预测实例（含10个源代码+419.69 KB完整的数据集） 代码手工整理，无语法错误，可运行。 包括：10个代码，共49.42 KB；数据大小：1个文件共419.69 KB。 使用到的模块： pandas os sklearn.model_selection.train_test_split sklearn.ensemble.RandomForestClassifier sklearn.metrics.classification_report imblearn.over_sampling.SMOTE sklearn.linear_model.LogisticRegression sklearn.metrics.accuracy_score datetime.datetime sklearn.svm.SVC seaborn sklearn.preprocessing.StandardScaler sklearn.preprocessing.OrdinalEncoder sklearn.compose.ColumnTransformer imblearn.pipeline.Pipeline numpy matplotlib.pyplot statsmodels.formula.api sklearn.model_selection.StratifiedKFold sklearn.metrics.roc_auc_score contextlib pickle sklearn.pipeline.Pipeline sklearn.preprocessing.OneHotEncoder sklearn.preprocessing.PowerTransformer torch torch.nn torch.nn.BCELoss torch.optim.Adam warnings scipy.stats.normaltest scipy.stats.chi2_contingency wolta.data_tools.col_types wolta.data_tools.seek_null wolta.data_tools.unique_amounts wolta.feature_tools.list_deletings wolta.data_tools.make_numerics wolta.data_tools.stat_sum wolta.data_tools.corr_analyse collections.Counter wolta.model_tools.compare_models wolta.model_tools.get_best_model sklearn.metrics.confusion_matrix sklearn.metrics.ConfusionMatrixDisplay sklearn.ensemble.GradientBoostingClassifier xgboost sklearn.model_selection.GridSearchCV sklearn.preprocessing.LabelEncoder sklearn.ensemble.StackingClassifier sklearn.metrics.roc_curve plotly.express wordcloud.WordCloud wordcloud.STOPWORDS
AI实战-阿尔茨海默氏病患者的健康信息数据集分析预测实例（含17个源代码+591.06 KB完整的数据集）.zip
最新发布
01-16
AI实战-阿尔茨海默氏病患者的健康信息数据集分析预测实例（含17个源代码+591.06 KB完整的数据集） 代码手工整理，无语法错误，可运行。 包括：17个代码，共143.32 KB；数据大小：1个文件共591.06 KB。 使用到的模块： numpy pandas os seaborn matplotlib.pyplot sklearn.model_selection.train_test_split sklearn.ensemble.RandomForestClassifier sklearn.metrics.accuracy_score sklearn.metrics.confusion_matrix sklearn.metrics.classification_report sklearn.preprocessing.LabelEncoder sklearn.preprocessing.StandardScaler warnings sklearn.svm.SVC mealpy.GA mealpy.Problem sklearn.neural_network.MLPClassifier mealpy.BinaryVar sklearn.exceptions.ConvergenceWarning IPython.display.clear_output sklearn.utils.resample sklearn.compose.ColumnTransformer sklearn.pipeline.Pipeline sklearn.preprocessing.PowerTransformer sklearn.decomposition.PCA sklearn.linear_model.LogisticRegression sklearn.metrics.precision_score sklearn.metrics.recall_score sklearn.metrics.f1_score sklearn.preprocessing.MinMaxScaler sklearn.metrics.ConfusionMatrixDisplay sklearn.model_selection.RepeatedKFold sklearn.model_selection.cross_val_score sklearn.model_selection.RandomizedSearchCV xgboost.XGBClassifier tensorflow pickle plotly.express plotly.subplots.make_subplots plotly.graph_objects sklearn.model_selection.GridSearchCV sklearn.model_selection.cross_validate sklearn.tree.DecisionTreeClassifier yellowbrick.classifier.ClassPredictionError yellowbrick.classifier.ROCAUC yellowbrick.classifier.ConfusionMatrix sklearn.ensemble.GradientBoostingClassifier lightgbm.LGBMClassifier catboost.CatBoostClassifier imblearn.under_sampling.RandomUnderSampler imblearn.over_sampling.RandomOverSampler sklearn.metrics.matthews_corrcoef optuna torch torch.nn torch.optim imblearn.pipeline.Pipeline imblearn.over_sampling.SMOTE sklearn.ensemble.AdaBoostClassifier sklearn.neighbors.KNeighborsClassifier sklearn.discriminant_analysis.LinearDiscriminantAnalysis sklearn.pipeline.make_pipeline collections.Counter sklearn.preprocessing.OneHotEncoder sklearn.model_selection.cross_val_predict sklearn.metrics.precision_recall_curve sklearn
AI实战-Eminem Spotify数据集分析预测实例（含2个源代码+213.95 KB完整的数据集）.zip
01-16
AI实战-Eminem Spotify数据集分析预测实例（含2个源代码+213.95 KB完整的数据集） 代码手工整理，无语法错误，可运行。 包括：2个代码，共10.47 KB；数据大小：2个文件共213.95 KB。 使用到的模块： pandas matplotlib.pyplot seaborn os warnings numpy sklearn.model_selection.train_test_split sklearn.ensemble.RandomForestRegressor sklearn.metrics.mean_squared_error sklearn.metrics.r2_score sklearn.inspection.permutation_importance
Qml Map 地图框选矩形 + 选择点测量区域面积（动态管理对象）
01-16
Qml Map 地图框选矩形 + 选择点测量区域面积（动态管理对象）
影响交通数据csdn
08-10
交通数据对CSDN（中国软件开发者社区）的影响是多方面的。 首先，交通数据有助于CSDN提供更精确的地理信息服务。通过分析交通数据，CSDN可以准确地了解交通拥堵情况、交通流量以及交通运输状况等，从而提供更准确的路况信息和出行建议，帮助用户规划出行路线，避免拥堵和交通事故，提高交通效率和出行体验。 其次，交通数据能为CSDN的开发者社区提供更广阔的应用领域。随着5G技术的发展和智能交通的推广，交通数据的获取和分析变得更加便捷。CSDN的开发者可以利用交通数据开发出更多实用的交通应用程序和智能交通解决方案，如交通导航软件、城市交通管理系统等，提高交通安全性和城市交通运输效率。 另外，交通数据还对CSDN的商业模式和市场开拓产生影响。凭借精确的交通数据分析能力，CSDN可以为交通相关企业提供市场调研、用户画像等服务，帮助企业了解用户需求，推出更适合市场的产品和服务。同时，CSDN还可以与交通相关企业进行合作，共同开发创新解决方案，提高企业竞争力。 总之，交通数据对CSDN的影响是多方面的，从提供精确的地理信息服务、扩展开发者应用领域，到影响商业模式和市场开拓，都能为CSDN带来更多的发展机遇和商业价值。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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