BINGO's BLOG

存储在关系数据库中的数据量不断增加，导致在各个领域中需要高效地查询和利用这些数据。然而，编写SQL查询需要专业知识，这对非专业用户来说是一个挑战，他们试图访问和查询数据库。文本到SQL解析通过将自然语言查询转换为SQL查询，解决了这一问题，从而使数据库访问对非专业用户更加友好。为了利用大型语言模型（LLMs）的最新进展，一系列新方法应运而生，主要集中在提示工程和微调上。本调查提供了LLMs在文本到SQL任务中的全面概述，讨论了基准数据集、提示工程、微调方法以及未来的研究方向。

电力调度是智能电网运行的一大核心问题，其目的是在满足时空变化的电力负荷条件下提供电网的最优运行点。这一功能需要在一天内每隔几分钟运行一次，因此快速、准确的调度决策方法至关重要。但是，由于问题的复杂性，可靠且高效的决策方法仍在不断探索的过程中。随着可再生能源的大规模并网以及灾害性气候的不断恶化，智能电网对调度决策方法提出了更为严苛的要求。近年来，以深度学习为代表的人工智能方法在不少领域取得巨大成功，因此深度学习也被电气工程领域寄予厚望，国内外研究者开始重新思考智能电网的调度决策问题。

申请一个AKS集群在本地实现对AKS的控制安装kubectl连接到aks(可以直接点击aks概述中的连接获取命令)使用azure cli获取aks的配置信息（比如获取commercial-yanhuibin-test的k8s配置）az account set --subscription 32285749-d4c9-4337-b6bb-1709935abc16az aks get-credentials --resource-group commercial-share --name comme

文本分类原项目地址：https://github.com/FudanNLP/nlp-beginner感谢教师：邱锡鹏 微博：@邱锡鹏1 文本分类任务简介​ 在有监督学习中,需要提供一组有类别标记的样本用来学习模型以及检验模型的好 坏。这组样本集合就称为数据集。数据集用 XXX 表示,X=(x1,y1),⋅⋅⋅,(xN,yN)X = {(x^1 , y^1 ), · · · , (x^N , y^N )}X=(x1,y1),⋅⋅⋅,(xN,yN),N 为 样本个数。yiy^iyi 为样本实例 xix

终于到了贝叶斯估计这章了，贝叶斯估计在我心中一直是很重要的地位，不过发现书中只用了不到10页介绍这一章，深度内容后，发现贝叶斯估计的基础公式确实不多，但是由于正态分布在生活中的普遍性，贝叶斯估计才应用的非常多吧！默认输入变量用XXX表示，输出变量用YYY表示概率公式描述：P(X=x)P(X=x)P(X=x)：表示当X=xX=xX=x时的概率P(X=x∣Y=ck)P(X=x|Y=c_k)P...

个人感觉k近邻应该是所有统计学习方法里最好理解的了，通俗来说就是在数据集中找距离测试数据x最近的k个数据样本，如果A类的数量大于B类的数量，则将测试数据x归为A类，书中也仅用了不到10页来论述这个理论，除基本k近邻理论，还有kd树的阐述。k近邻法输入：训练集T={(x1,y1),(x2,y2),...,(xN,yN)}T=\{(x_1,y_1),(x_2,y_2),...,(x_N,y_N...

这里引用一张康奈尔大学老师的课件图片，如图所示，感知机的目的就是找寻一条直线(蓝色)，可以把正样本集(绿色)、负样本集(红色)分开1、什么是符号函数sign(x)sign(x)sign(x)sign(x)={+1,x⩾0−1,x<0sign(x)=\left\{\begin{matrix} +1, x\geqslant 0 \\ -1, x<0 \end{matrix}\ri...

最近在面试过程中，发现对于AI算法岗位，基本的机器学习、统计学习理论的考察是非常重要的，因此决定先过一遍《统计学习方法》，为了回顾学过的知识，以问答的形式建此博客，整理学习中的思考，也希望同道中人一起讨论学习统计学习概论1、在研究统计学习方法的过程中需要哪些步骤？得到一个有限的训练数据集；确定所有可能的模型假设空间（换句话说就是找几个你觉得比较合适的模型）；确定学习策略（如损失函...

生成密钥文件$ ssh-keygen -t rsa -f filename -C email@email.com注意：上述代码中filename是密钥文件名(默认是id_rsa)，email@email.com是你在网站(github/gitlab)上注册的邮箱执行该命令后，会在~/.ssh中生成对应的密钥文件导入ssh-key复制*.pub文件内容$ vi ~/.ssh/*.pu...

2017年年初，南京大学周志华老师上传了一篇名为：Deep Forest：Towards An Alternative to Deep Neural Networks的论文，一石激起千层浪，各大媒体纷纷讨论着，这似乎意味着机器学习的天色要变，实则不然，周志华老师通过微博解释道，此篇论文不过是为机器学习打开了另一扇窗，是另一种思维，而不是真的去替代深度神经网络（DNN）。下面我就简单概括一下我...

“基于汉明子空间学习的部分哈希码的更新”论文梗概，以便自己对该论文做相关回顾摘要这篇论文主要是应对哈希码的更新，由于当前大量社交数据的哈希在线更新变得非常耗时，而提出的一种加快哈希更新方法，叫汉明子空间学习（Hamming Subspace Learning）HSL。HSL的主要动机是通过选择具有代表性的哈希方法，从高维汉明空间中生成低维的汉明子空间，通过使用HSL，希望能提高所有样本更新

1、安装GitCentos：yum install gitWindows直接在官网下载安装包安装即可，然后打开Git Bash操作（后续命令均可在git bash执行，不在分别叙述）2、在本地生成SSH密钥mkdir ~/.sshcd ~/.ssh# 设置用户名git config --global user.name "xxx"git config --global u...

TranE论文解读Trans系列的主题是基于翻译模型的知识表示学习，主要用来解决知识表示和推理的问题。本文主要介绍TransE和数据集Wordnet、Freebase等。表示学习：主要面向知识图谱中实体和关系进行表示学习，一般使用建模方法将实体和向量表示在低维稠密向量空间中，然后计算并推理，主要的应用任务有三元组提取(triplet classification)和链接预测(link pred...

HyTE:基于超平面时间感知的知识图谱Embedding一个人可以非常清贫、困顿、低微，但是不可以没有梦想。只要梦想一天，只要梦想存在一天，就可以改变自己的处境。 — 奥普拉·温弗瑞Trans系列的主题是基于翻译模型的知识表示学习，主要用来解决知识表示和推理的问题。本文主要介绍TransE和数据集Wordnet、Freebase等。表示学习：主要面向知识图谱中实体和关系进行表示学习，一般...

搭建Neo4j图形数据库环境保持快乐，你就会干得好，就更成功、更健康，对别人也就更仁慈。——马克斯威尔·马尔兹Neo4j是一个高性能的,NOSQL图形数据库，它将结构化数据存储在网络上而不是表中。它是一个嵌入式的、基于磁盘的、具备完全的事务特性的Java持久化引擎，但是它将结构化数据存储在网络(从数学角度叫做图)上而不是表中。Neo4j也可以被看作是一个高性能的图引擎，该引擎具有成熟数据库...

Fabric-Java-SDK官方文档从GitHub上获取Java-SDK搭建1.3.0-SNAPSHOT部署最新的FabricSDK依赖使用SDK构建单元测试端到端的测试例子:SDK帮助促进Java应用程序管理Hyperledger通道和用户链码的生命周期，还提供了在channel上执行chaincode，query blocks和transactions，以及监视通道上事件的方法注意：SD...

Peer常用命令： #peer chaincode --help #peer channel list --help --logging-level &lt;string&gt; #&lt;string&gt;:debug,info,notice,warning,error,critical --versionpeer命...

Build your first network环境要求：系统：Linux（对系统内核有要求，建议&gt;=Centos7或者Ubuntu14以上）或者Windows或者Mac cURL Docker（&gt;=17.06.2） Docker-Compose Go：（Go version 1.10x is required）设置环境变量（~/.bashrc[ps.不同系统命令不同]...