文本编辑器打开md文件，内部有Office+Caltech、Office-31、Office-Home、Caltech101、SUN09、COIL20、PIE等多个数据集的百度云下载地址
2024/4/21 18:11:39
11KB
1
Uber的早期架构由一个单体后端应用程序构成，该应用由Python编写，Python使用Postgres以实现数据持久化。
自那时起，Uber架构已发生巨变，逐步转化为微服务模式和新的数据平台。
特别是在之前一些使用Postgres的案例中，现在则改用Schemaless（一个基于MySQL的全新数据库分片）。
本文将探索Postgres的缺陷，解释迁移到MySQL的基础上构建Schemaless和其它后端服务的原因。
Postgres有很多
自那时起，Uber架构已发生巨变，逐步转化为微服务模式和新的数据平台。
特别是在之前一些使用Postgres的案例中，现在则改用Schemaless（一个基于MySQL的全新数据库分片）。
本文将探索Postgres的缺陷，解释迁移到MySQL的基础上构建Schemaless和其它后端服务的原因。
Postgres有很多
2024/4/1 19:53:12
328KB
1
使用迁移学习做动物脸部识别：人工智能通过农场的摄像装置获得牛脸以及身体状况的照片，进而通过深度学习对牛的情绪和健康状况进行分析，然后帮助农场主判断出那些牛生病了，生了什么病，那些牛没有吃饱，甚至那些牛到了发情期。
除了摄像装置对牛进行“牛脸”识别，还可以配合上可穿戴的智能设备，这会让农场主更好的管理农场。
这些数据上传到云服务器上，用自己开发的算法通过机器学习让这些海量的原始数据变成直观的图表和信息发送到客户那里。
这些信息包括奶牛的健康分析、发情期探测和预测、喂养状况、位置服务等。
除了摄像装置对牛进行“牛脸”识别，还可以配合上可穿戴的智能设备，这会让农场主更好的管理农场。
这些数据上传到云服务器上，用自己开发的算法通过机器学习让这些海量的原始数据变成直观的图表和信息发送到客户那里。
这些信息包括奶牛的健康分析、发情期探测和预测、喂养状况、位置服务等。
2024/3/30 9:04:09
93KB
1
在胶囊网络上使用迁移学习完成方面级情感分类，用文档级的知识迁移到方面级上，资源提供论文翻译。
原文可自己下载
原文可自己下载
2024/3/25 10:19:36
540KB
1
本次主要分享关于迁移实际案例与最佳实践更加深入的探讨。
在迁移过程中，我们遇到了很多的预料之外的问题，如字符集问题，数字进位问题，各种OOM等等，更加深入地了解了Spark和RDMBS之间的差异。
在弥补鸿沟和解决问题的过程中，我们做了很多的实践，贡献给了社区很多的反馈，也解决了很多的bug。
即便对于Spark当前不能处理的场景，比如recurisvequery，也有了一些可行的探索。
此外，我们现在还开发了一套自动化框架来帮助加速迁移工作。
在这次分享中，我们会深入迁移的关键步骤，并分享踩过的一些坑，最后会介绍我们的自动化工具，如SQLConverter等。
相信对正工作在类似的任务或者即将开展类似工作的工程师们会有所帮助。
下面是PPT原文：关注Hadoop技术博文并回复ebay_spark获取本文PPT。
在迁移过程中，我们遇到了很多的预料之外的问题，如字符集问题，数字进位问题，各种OOM等等，更加深入地了解了Spark和RDMBS之间的差异。
在弥补鸿沟和解决问题的过程中，我们做了很多的实践，贡献给了社区很多的反馈，也解决了很多的bug。
即便对于Spark当前不能处理的场景，比如recurisvequery，也有了一些可行的探索。
此外，我们现在还开发了一套自动化框架来帮助加速迁移工作。
在这次分享中，我们会深入迁移的关键步骤，并分享踩过的一些坑，最后会介绍我们的自动化工具，如SQLConverter等。
相信对正工作在类似的任务或者即将开展类似工作的工程师们会有所帮助。
下面是PPT原文：关注Hadoop技术博文并回复ebay_spark获取本文PPT。
2024/3/21 13:19:03
14.5MB
1
摘要：传递迁移学习是利用源域知识来提高目标域学习能力的一种学习方法，已在各种应用中被证明是有效的。
迁移学习的一个主要限制是源域和目标域应该是直接相关的，如果两个领域之间几乎没有重叠，则在这些领域之间执行知识转移将无效。
受人类传递性推理和学习能力的启发，利用辅助概念将两个看似无关的概念通过一系列中间桥连接起来，本文研究了一个新的学习问题：传递性转移学习（transitiveTransferlearning，简称TTL）。
TTL的目的是在源域和目标域直接共享少量因素的情况下，打破大的域距离，传递知识。
例如，当源域和目标域分别是文本和图像时，TTL可以使用一些带注释的图像作为中间域来桥接它们。
为了解决TTL问题，我们提出了一个框架，首先选择一个或多个域作为源域和目标域之间的桥梁，实现转移学习，然后通过这个桥梁进行知识转移。
大量的经验证据表明，该框架在多个分类数据集上产生了最新的分类精度。
迁移学习的一个主要限制是源域和目标域应该是直接相关的，如果两个领域之间几乎没有重叠，则在这些领域之间执行知识转移将无效。
受人类传递性推理和学习能力的启发，利用辅助概念将两个看似无关的概念通过一系列中间桥连接起来，本文研究了一个新的学习问题：传递性转移学习（transitiveTransferlearning，简称TTL）。
TTL的目的是在源域和目标域直接共享少量因素的情况下，打破大的域距离，传递知识。
例如，当源域和目标域分别是文本和图像时，TTL可以使用一些带注释的图像作为中间域来桥接它们。
为了解决TTL问题，我们提出了一个框架，首先选择一个或多个域作为源域和目标域之间的桥梁，实现转移学习，然后通过这个桥梁进行知识转移。
大量的经验证据表明，该框架在多个分类数据集上产生了最新的分类精度。
2024/3/19 9:12:27
1.82MB
1
DeepConvolutionalTransferLearningNetworkANewMethodforIntelligentFaultDiagnosisofMachineswithUnlabeledData(深度卷积迁移学习网络：一种新的无标记机器故障智能诊断方法)雷亚国团队2018年文章。
机械智能故障诊断的成功依赖于两个条件。
1)含有故障信息的有标签数据是可用的。
2)训练和测试数据是从相同的概率分布中获取的。
然而，对于大部分机械，很难获得大量的有标签数据。
此外，尽管一些机械可以获取有标签数据，但是由于数据分布的差异，用这些有标签数据训练的智能故障诊断方法可能无法对从其他机械获得的无标
机械智能故障诊断的成功依赖于两个条件。
1)含有故障信息的有标签数据是可用的。
2)训练和测试数据是从相同的概率分布中获取的。
然而，对于大部分机械，很难获得大量的有标签数据。
此外，尽管一些机械可以获取有标签数据，但是由于数据分布的差异，用这些有标签数据训练的智能故障诊断方法可能无法对从其他机械获得的无标
2.04MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB