公开笔记对他人可见,有机会被管理员评为“优质笔记”
{{ noteEditor.content.length }}/2000
【AI新年好】用AI开启新年!直播解锁AI新年玩法~
本话题围绕AI技术在新年场景下的应用进行探讨,包括基于GPT模型的对话生成,智能体交互式应用,AI模拟器游戏,以及专注于人情事故领域的大模型系统开发和使用。通过开源项目和社区合作,提供从数据制造到模型微调的全栈开发路径,旨在加速大模型应用在多个行业的发展。技术人员、大模型爱好者、社区开发者和AI应用创意者可根据提供的模板和文档开发属于自己的AI应用。
【循环 Loop】聪明办法学Python第二版
主要介绍了Python中的循环控制(for循环、while循环)及其在不同情境下的应用。通过条件判断和嵌套循环的实际例子,如计算质数、生成矩阵,展示了如何通过减少迭代次数来提高代码性能。还涉及了随机数的生成和如何通过matplotlib库在Python中进行数据可视化绘制正态分布图。内容适合对数据处理、性能优化、算法设计和数据科学有兴越的学习者。
Pandas中文教程《Joyful-Pandas》视频讲解
本视频强调提升Python语言的应用能力,特别是在数据操作和算法实现方面。介绍了利用高级特性如列表推导式和条件复理来优化代码结构,展示了如何通过内置函数map和匿名函数来简化数据映射操作,讨论了数组的切片以及NumPy常用函数和广播机制。还讲解了如何使用enumerate和zip函数来迭代和打包多个序列。内容针对需要深入了解Python的数据处理和算法实现的学习者。
数据分析之电商数据整体任务分析
视频内容涵盖了从数据清洗到数据分析各个步骤的详细教学。主要介绍了如何处理交易数据中的缺失值、重复值和异常值之后,进入到数据分析阶段。具体分析内容包含交易额、订单量、客户数、商家数、商品种类(SPU)和数量(SKU)、客单价及评价量等关键指标。通过SQL查询,提取了指定时间范围内的电商平台的营业数据,计算了各类重要业务指标,并对数据分析结果进行了简要解读,如单月交易额、平均订单量、客户挖掘潜力、商品多样性等。此视频适合数据分析师、电商运营、SQL技术人员。
如何用python做机器学习/数据挖掘?
本课程集中讲解Python环境下的机器学习和数据挖掘技术,强调数据挖掘作为知识发现的体系和方法论,而不仅仅是算法问题。scikit-learn(简称sklearn或SKN)被广泛用于这一领域,因其与机器学习和数据挖掘的需求契合度高,尤其是对CRISP-DM方法论的支持。 课程内容包括预处理、特征提取、归一化、降维、特征选择、模型建立、交叉验证、模型选择与评估,覆盖了数据准备至模型评估的核心步骤。此外,指出了scikit-learn的局限性,如在复杂统计模型、时间序列模型及深度神经网络方面的不足。对于数据量大的情景,介绍了随机梯度下降(SGD)等策略,并提到Python其他库,如Pandas和TensorFlow等,在数据挖掘任务中的作用。课程非常适合希望深入理解机器学习和数据挖掘以及scikit-learn使用者的需求。
打开数据密码的钥匙:导课
课程涵盖特征工程核心理念及其在数据挖掘中的角色,探讨问题如模型性能难以大幅提升的挑战与数据处理难题。讲师唐宙迪将分享从企业培训和技术咨询角度累积的经验,并通过案例与代码演示深入探讨特征工程实现细节,并指导如何逐步构建有效工程链路以提高模型性能。内容适合追求实际应用提升和理论深度的数据分析师或工程师。
Python爬虫:Requests库的基本用法
本次内容聚焦于使用Python的requests库进行网页数据爬取。介绍了requests库作为一个无需转基因的HTTP库,在人类获取网页数据过程的适用性与便捷性。视频解释了如何安装库,以及如何使用GET方法来获取网页对象。其中,还包含了HTTP状态码的讲解,状态码帮助开发者识别HTTP请求的响应状态。强调了文本编码的重要性,在处理爬取到的文本数据时需设置合适的编码以避免乱码问题。此外,视频提供了通过requests库对网页文本信息提取的具体代码实例演示,旨在帮助开发者理解如何使用这一工具进行数据抓取。
大数据架构与生态圈01
视频内容聚焦于大数据技术的发展三个阶段,其中大数据1.0时代遍及2006-2009年,以Apache基金会建立的Hadoop开源项目和相关技术(如HDFS、MapReduce、HBase)为标志,主要解决大规模结构化数据批处理问题。2.0时代自2009年至2015年,以Spark为主流计算引擎,着重于结构化数据处理与多种流计算引擎的出现。而3.0时代则自2015年开始,注重非结构化数据处理、数据共享及解决数据孤岛问题,推进大数据与人工智能、云计算技术的融合。内容指出大数据技术依据不同行业需求有不同架构,并且强调技术的持续更新与业务适配性。