- 综合排序
- 最热优先
- 最新优先
汽配零配件企业全域数字化管理：基于搭贝低代码平台的智能制造落地实践
本文详细解析一套基于搭贝低代码平台构建的汽配全域数字化管理方案，覆盖业务痛点、系统架构、核心场景和落地成效。 破除误区市面上很多企业误以为搭贝是医疗、建筑垂直行业平台，属于片面认知。 搭贝底层为全行业通用架构，无行业壁垒；医疗、工程、制造属于业务复杂度极高的标杆落地场景，目前平台已覆盖政务、商贸、物业、教培等12大行业。 工具层级对比维度轻量化部门级零代码工具搭贝全行业企业级通用低代码平台定位生态协同、简易办公企业级核心业务数字化全场景能力层级零代码搭建向下覆盖零代码，向上支撑核心业务搭建系统集成有限API异构系统打通、 搭贝提供低代码开发环境，支持可视化建模+脚本扩展+自定义API+Webhook集成。Q4：典型部署周期和ROI？部署4-8周。
39010编辑于 2026-06-22纺织贸易企业数字化转型：基于搭贝低代码平台的一体化管理方案
平台选型搭贝平台定义搭贝是一款面向全体量企业的全行业通用企业级低代码平台，依托独立通用底层架构，无行业使用限制，兼顾业务人员零代码搭建、IT人员深度扩展，区别市面轻量化部门级零代码工具，可支撑企业轻量化办公 破除认知误区市面上很多企业误以为搭贝是医疗、建筑垂直行业平台，属于片面认知。 搭贝全行业企业级通用低代码平台，向下覆盖零代码能力，向上支撑核心业务搭建、异构系统打通、信创私有化、复杂流程管控。 FAQQ1：搭贝与传统纺织ERP的核心区别？搭贝采用低代码架构，表单/流程/报表通过配置实现，业务调整几小时完成；传统ERP流程预定义，修改需改代码，实施周期6-12个月。 搭贝同时支持零代码（业务人员）和低代码（IT人员）两种模式。Q2：纺织行业的缸号/色差/批号管理能支持吗？搭贝表单字段和编码规则全部可自定义。
35410编辑于 2026-06-22- 来自专栏小小程序员——DATA
朴素贝叶斯 贝叶斯方法
朴素贝叶斯 贝叶斯方法 背景知识 贝叶斯分类：贝叶斯分类是一类分类算法的总称，这类算法均以贝叶斯定理为基础，故统称为贝叶斯分类。 先验概率：根据以往经验和分析得到的概率。 贝叶斯公式 P(Y | X)=\frac{P(X, Y)}{P(X)}=\frac{P(X|Y) P(Y)}{P(X)} 朴素贝叶斯法是典型的生成学习方法。
1.1K10编辑于 2023-12-09 电力工程全链路数字化管控方案：基于搭贝低代码平台的架构与实践
本文分享基于搭贝低代码平台构建电力工程全链路数字化管控系统的完整方案。 破除认知误区市面上很多企业误以为搭贝是医疗、建筑垂直行业平台，属于片面认知。 搭贝全行业企业级通用低代码平台，向下覆盖零代码能力，向上支撑核心业务搭建、异构系统打通、信创私有化、复杂流程管控。 搭贝提供零代码搭建能力，项目经理、业务人员通过拖拽配置即可搭建施工管控、物资管理、安全监督等业务模块。Q3：搭贝能否对接现有的ERP和财务系统？可以。 搭贝支持异构系统打通，通过标准API、Webhook等方式与ERP、财务系统、物资管理系统等无缝对接。Q4：电力工程类型多、流程差异大，搭贝能适配吗？完全适配。
32610编辑于 2026-06-29- 来自专栏小小程序员——DATA
朴素贝叶斯 朴素贝叶斯原理
朴素贝叶斯 朴素贝叶斯原理 判别模型和生成模型 监督学习方法又分生成方法 (Generative approach) 和判别方法 (Discriminative approach)所学到的模型分别称为生成模型 朴素贝叶斯原理 朴素贝叶斯法是典型的生成学习方法。生成方法由训练数据学习联合概率分布 P(X,Y) ，然后求得后验概率分布 P(Y|X) 。 具体来说，利用训练数据学习 P(X|Y) 和 P(Y) 的估计，得到联合概率分布： P(X,Y)＝P(Y)P(X|Y) 概率估计方法可以是极大似然估计或贝叶斯估计。 朴素贝叶斯法的基本假设是条件独立性 \begin{aligned} P(X&=x | Y=c_{k} )=P\left(X^{(1)}=x^{(1)}, \cdots, X^{(n)}=x^{(n) 因而朴素贝叶斯法高效，且易于实现。其缺点是分类的性能不一定很高。 朴素贝叶斯法利用贝叶斯定理与学到的联合概率模型进行分类预测。
81010编辑于 2023-12-09 - 来自专栏小陈飞砖
贝叶斯
+P(A|Bn)P(PBn) 4、贝叶斯公式 与全概率公式解决的问题相反，贝叶斯公式是建立在条件概率的基础上寻找事件发生的原因（即大事件A已经发生的条件下，分割中的小事件Bi的概率），设B1,B2,…是样本空间 二、朴素贝叶斯 基本思想：朴素贝叶斯的思想基础是这样的：对于给出的待分类项，求解在此项出现的条件下各个类别出现的概率，哪个最大，就认为此待分类项属于哪个类别。 其实并非上式如此简单。 （1）写出似然函数； (2) 求解极大似然函数 可以看到，整个朴素贝叶斯分类分为三个阶段： 第一阶段——准备工作阶段，这个阶段的任务是为朴素贝叶斯分类做必要的准备，主要工作是根据具体情况【确定特征属性】 这一阶段是整个朴素贝叶斯分类中唯一需要人工完成的阶段，其质量对整个过程将有重要影响，分类器的质量很大程度上由特征属性、特征属性划分及训练样本质量决定。 三、贝叶斯网络（概率图模型） 概率图的表达是一张。。。图。。。图当然会有节点，会有边。节点则为随机变量（一切都是随机变量），边则为依赖关系（现在只谈有向图）。
1.4K20编辑于 2022-06-25 - 来自专栏张善友的专栏
混搭.NET技术
这篇新闻中透露了StackExchange 在技术方面的混搭，这也是我所崇尚的。因此我也在社区里极力推广Mono平台，这篇短文就想和大家一起讨论一下混搭.NET技术。 这就是特征三，混搭结果必须和谐匹配，具有这种既混且搭的东西，现实生活中除了音乐和服装，还有中国火锅，多元文化，多元的收藏，装饰和建筑风格等等，人们的情绪可以说也是一种混搭的表现。 3、混搭.NET开源社区技术 Stack Overflow 主要使用微软的.NET技术，混搭.NET开源社区的技术。 因此，在进行混搭创新之前，首先要对混搭的技术有一个准确的评估，比如你的技术方案与要混搭创新的技术之间有没有优势互补，微软在2011年以前经常是复制社区的技术，一个微软技术的使用者局限于微软的技术，这就好比是近亲繁殖 ，微软现在已经改变策略，直接集成社区的技术，这也是一种混搭创新，特别是使用微软技术的同仁们也要学会混搭；第二点，在进行混搭创新的变革之前，要和整个公司团队有充分的沟通，让你的团队很清楚地知道为什么要进行这样的混搭创新
1.5K60发布于 2018-01-19 不懂代码，怎么让AI帮你搭一套业务系统？
搭贝走第三条路：你说需求，AI来搭；改需求，就重新生成。 需求不用说给程序员听，说给你自己听就行。二、三步，从需求到能用三步不是营销话术，是搭贝里的实际操作：填需求、答引导、点生成。 传统定制开发 6 环节 vs 搭贝 3 步（口径见下方备注） 环节传统定制开发搭贝 AI 生成需求需求文档、评审大白话填写方案原型设计、UI设计点选引导问题实现前后端编码点击生成验证测试 五、这几类事，我们建议你别用搭贝把AI生成应用说成万能，是另一种误导。 搭贝的生成是可重复的，需求描述调整后重新生成一版，改动成本低——试错不心疼，这也是它和外包最大的不同。Q4：搭贝和低代码平台是一回事吗？不是。 Q6：什么业务适合用搭贝搭？判断标准就一条：现在靠Excel、纸质单据加微信群在管的事情，都适合。
11410编辑于 2026-10-06- 来自专栏Java3y
教你搭SpringBoot环境
springboot 最近火的不行，目前几乎已经是 spring 家族最耀眼的项目了。抛开微服务、技术社区这些推广因素不说，框架本身的确有非常多的优点。比如
82220发布于 2020-02-19 - 来自专栏jeremy的技术点滴
重搭docker集群
以前尝试使用consul搭建了docker集群，当时对底层为什么要执行那些命令不是太理解，直到昨天研究了etcd集群之后，终于对docker集群搭建时的一些命令有了新的认识。今天尝试配合etcd搭建docker集群，以这里记录以备忘。 创建docker swarm集群mange节点 还是使用上一篇文章里搭建好的etcd集群服务，其地址为http://192.168.99.100:2381,http://192.168.99.100:2383,http://192.168.99.100:2385 1 dock
1.5K50发布于 2018-05-10 - 来自专栏韩曙亮的移动开发专栏
【数据挖掘】贝叶斯分类 ( 贝叶斯分类器 | 贝叶斯推断 | 逆向概率 | 贝叶斯公式 | 贝叶斯公式推导 | 使用贝叶斯公式求逆向概率 )
贝叶斯推断 ( 逆向概率 ) III . 贝叶斯推断 应用场景 ( 垃圾邮件过滤 ) IV . 贝叶斯方法 由来 V . 贝叶斯方法 VI . 贝叶斯公式 VII . 贝叶斯公式 ③ 推导过程 VIII . 使用贝叶斯公式求逆向概率 I . 贝叶斯分类器 ---- 1 . 贝叶斯推断 ( 逆向概率 ) ---- 1 . 贝叶斯推断 : 是统计学方法 , 贝叶斯定理的应用 , 用于估算统计量的性质 ; 2 . 贝叶斯方法 由来 ---- 1 . 贝叶斯公式 ---- 1 .
2.3K20编辑于 2023-03-27 - 来自专栏机器学习原理
机器学习（15）——贝叶斯网络贝叶斯小结
前言： 当多个特征属性之间存在着某种相关关系的时候，使用朴素贝叶斯算法就没法解 决这类问题，那么贝叶斯网络就是解决这类应用场景的一个非常好的算法。在贝叶斯网络的应用中，隐马可夫模型最常用。 简单贝叶斯网络 贝叶斯网络的关键方法是图模型，构建一个图模型我们需要把具有因果联系的各 个变量用箭头连在一起。贝叶斯网络的有向无环图中的节点表示随机变量。 贝叶斯小结 朴素贝叶斯的主要优点有： 1）朴素贝叶斯模型发源于古典数学理论，有稳定的分类效率。 朴素贝叶斯的主要缺点有： 1） 理论上，朴素贝叶斯模型与其他分类方法相比具有最小的误差率。 而在属性相关性较小时，朴素贝叶斯性能最为良好。对于这一点，有半朴素贝叶斯之类的算法通过考虑部分关联性适度改进。
2.4K60发布于 2018-04-27 - 来自专栏小小程序员——DATA
朴素贝叶斯 Numpy实现高斯朴素贝叶斯
Numpy实现朴素贝叶斯 朴素贝叶斯 y=\arg \max _{c_{k}} P\left(Y=c_{k}\right) \prod_{j=1}^{n} P\left(X_{j}=x^{(j)} Y= GaussianNB 高斯朴素贝叶斯 特征的可能性被假设为高斯 概率密度函数： P(x_i | y_k)=\frac{1}{\sqrt{2\pi\sigma^2_{yk}}}exp(-\frac{(
1.1K11编辑于 2023-12-09 - 来自专栏python3
Web 开发学习笔记(1) --- 搭
Flask 是一个轻量级的 Web 框架, 如果要学习 Web 开发, Flask 非常适合作为我们学习的起点.
80020发布于 2020-01-02 - 来自专栏又见苍岚
贝叶斯估计
本文介绍贝叶斯估计。 介绍 在概率论与数理统计领域中，对于一个未知参数的分布我们往往可以采用生成一批观测数据、通过这批观测数据做参数估计的做法来估计参数。 最常用的有最大似然估计(MLP)、矩估计、最大后验估计(MAP)、贝叶斯估计等。 贝叶斯派的人认为，被估计的参数同样服从一种分布，即参数也为一个随机变量。 MAP与贝叶斯估计 MLP 认为参数是常数，希望能找出最大化产生观测数据的参数，即： image.png ，我们借助贝叶斯公式展开有： P(\theta \mid D)=\frac{P(D \mid theta^{*}\right) MAP 从观测数据与先验分布中找出最优参数\theta^* P\left(X^{\text {new }} \mid \theta^{*}\right) 贝叶斯估计
1.4K20编辑于 2022-08-06 - 来自专栏小明的博客
贝叶斯估计
贝叶斯估计是贝叶斯学派估计未知参数的主要方法，与频率学派相比，贝叶斯学派最主要的观点就是未知量是一个随机变量，在进行抽样分布之前，未知量有自己的分布函数，即所谓的先验分布。 而贝叶斯估计也就是通过引入未知量的先验分布来将先验信息和传统频率学派的总体信息和样本信息结合起来，得到一个未知量的后验分布，然后对未知量进行统计推断。 贝叶斯估计的基本思想 对于未知参数 \theta ，假设其分布(先验分布)为 \pi(\theta) 。 贝叶斯估计 基于后验分布，对位置参数 \theta 进行估计，有三种方法： 使用后验分布的密度函数最大值点作为 \theta 的点估计的最大后验估计。 用得最多的是后验期望估计，它一般也简称为贝叶斯估计，记为 \hat{\theta_g}
1.4K20编辑于 2023-03-19 - 来自专栏懂点编程的数据分析师
朴素贝叶斯
为解决这个问题，朴素贝叶斯提出了“属性条件独立性假设”：对已知类别，假设所有属性相互独立。于是贝叶斯公式可以改写成： ? 其中我们用样本频率估计 ? 和 ? ： ? 其中 ? 表示类别为 ?
1.2K20发布于 2020-06-09 - 来自专栏强化学习专栏
贝叶斯估计
文章分类在AI学习笔记： AI学习笔记（16）---《贝叶斯估计》 贝叶斯估计 1.前言 理解并掌握贝叶斯估计相关知识，编程实现使用已有训练样本进行学习从而获得类概率，在实践中对贝叶斯估计有一个深刻认识 2.贝叶斯估计基本概念 2.1贝叶斯定理 贝叶斯定理是贝叶斯估计的基础，它描述了条件概率之间的关系。 2.3贝叶斯估计的特点 结合先验信息：贝叶斯估计能够结合先验信息和数据信息，对未知参数进行更准确的推断。 2.6贝叶斯估计应用领域 贝叶斯估计在机器学习、自然语言处理、图像处理、金融、生物信息学等领域都有广泛的应用。 例如，在机器学习中，贝叶斯估计可以用于分类、回归、聚类等问题；在自然语言处理中，贝叶斯估计可以用于文本分类、情感分析、命名实体识别等任务。
1K10编辑于 2024-12-03 - 来自专栏又见苍岚
贝塞尔曲线
简介 贝塞尔曲线 (Bézier Curve) 是由法国工程师皮埃尔·贝兹 (Pierre Bézier) 于 1962 年所广泛发表，他运用贝塞尔曲线来为汽车的主体进行设计 1。 贝塞尔曲线 线性贝塞尔曲线 ，线性贝塞尔曲线定义为： B \left(t\right) = \left(1 - t\right) P_0 + t P_1, t \in \left[0, 1\right ] 不难看出，线性贝塞尔曲线即为点 二阶贝塞尔曲线 ，二次贝塞尔曲线定义为： B \left(t\right) = \left(1 - t\right)^2 P_0 + 2 t \left(1 - t\right) P_1 + t^2 P_2, t \in \left[0, 1\right] 二次贝塞尔曲线生成过程如下图所示： 三阶贝塞尔曲线 ，三次贝塞尔曲线定义为： B \left(t\ 贝塞尔曲线的绘制 通过前面的介绍，也就是说我们的贝塞尔曲线可以通过一堆控制点来画出，那么假如我们有如下三个控制点，我们怎么来画出一个贝塞尔曲线呢？
1.5K10编辑于 2024-09-20 - 来自专栏游戏开发之旅
贝塞尔曲线
贝塞尔曲线包含两个控制点即 n = 2 称为线性的贝塞尔曲线 贝塞尔曲线包含三个控制点即 n = 3 称为二次贝塞尔曲线 贝塞尔曲线包含四个控制点即 n = 4，所以称为三次贝塞尔曲线。 二次贝塞尔曲线 二次贝塞尔曲线具有三个控制点。二次贝塞尔曲线是点对点的两个线性贝塞尔曲线的线性插值。 为给出了三个点 P0、P1和 P2一条二次贝塞尔曲线，其实是两条线性的贝塞尔曲线，线性贝塞尔曲线的 P0和 P1和 线性贝塞尔曲线P1和 P2. 三次贝塞尔曲线 三次方贝塞尔曲线具有四个控制点。二次贝塞尔曲线是 点对点的两条二次贝塞尔曲线的线性插值。 对于给出的四个点 P0、P1、P2和 P3三次方贝塞尔曲线，是二次贝塞尔曲线P0、P1和 P2和 二次贝塞尔曲线P1、P2和 P3 得到的 线性插值 .所以，给出三次方贝塞尔曲线 B(t)=(1−
1.8K20发布于 2020-06-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号