基于深度学习的监督学习，使用梯度下降、ALS、LFM算法，使用AngularJS2生成前端框架，数据库为MongoDB，使用ElasticSearch作为搜索服务器，Redis作为缓存数据库，其中包括Spark的离线统计服务、Azkaban的工作调度服务、Flume的日志采集服务、Kafka作为消息缓冲服务，全局采用Scala编写，Java作为Tomcat部署使用，实现离线推荐、实时推荐、服务器冷启动问题处理。
2022/10/2 17:45:33
250.79MB
1
基于内容的电影推荐系统，使用AJAX进行情感分析可以在以下位置找到此应用程序的更新版本：:基于内容的推荐系统推荐与用户喜欢的电影相似的电影，并分析用户对该电影给出的评论的情绪。
电影的详细信息（标题，类型，放映时间，评分，海报等）是通过TMDB使用API??，//www.themoviedb.org/documentation/api并使用电影中的IMDBID来获取的。
API，我进行了网络抓取，以使用beautifulsoup4在IMDB站点中获得用户给出的评论，并对这些评论进行了情感分析。
查看现场演示：:链接到youtube演示：:注意电影院我已经开发了一个类似的应用程序，称为“电影院”，它支持所有语言的电影。
但是与此应用程序唯一不同的是，我在“电影院”中使用了TMDB的推荐引擎。
我在此应用程序中开发的推荐部分不支持多语言电影，因为它消耗了200％的RAM（即便将其部署到Heroku之后）也无法为TMDB中的所有700,000部电影生成CountVectorizer矩阵。
链接到“电影院”应用程序：:如果您要查找的电影
电影的详细信息（标题，类型，放映时间，评分，海报等）是通过TMDB使用API??，//www.themoviedb.org/documentation/api并使用电影中的IMDBID来获取的。
API，我进行了网络抓取，以使用beautifulsoup4在IMDB站点中获得用户给出的评论，并对这些评论进行了情感分析。
查看现场演示：:链接到youtube演示：:注意电影院我已经开发了一个类似的应用程序，称为“电影院”，它支持所有语言的电影。
但是与此应用程序唯一不同的是，我在“电影院”中使用了TMDB的推荐引擎。
我在此应用程序中开发的推荐部分不支持多语言电影，因为它消耗了200％的RAM（即便将其部署到Heroku之后）也无法为TMDB中的所有700,000部电影生成CountVectorizer矩阵。
链接到“电影院”应用程序：:如果您要查找的电影
2016/11/4 14:29:04
2.71MB
1
coursera机器学习ex8练习第一部分为失常点检测；
第二部分为协同过滤算法实现的电影推荐系统使用方法：下载紧缩包并解压到本地，用matlab打开文件夹，打开ex8.mlx文件，即可查看详细说明（由于是coursera的作业，所以全是英文，可以结合本人博客阅读）。
博客链接：https://blog.csdn.net/ShadyPi/article/details/122759026
第二部分为协同过滤算法实现的电影推荐系统使用方法：下载紧缩包并解压到本地，用matlab打开文件夹，打开ex8.mlx文件，即可查看详细说明（由于是coursera的作业，所以全是英文，可以结合本人博客阅读）。
博客链接：https://blog.csdn.net/ShadyPi/article/details/122759026
2019/2/10 15:16:35
1.1MB
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