首页
学习
活动
专区
圈层
工具
发布
    • 综合排序
    • 最热优先
    • 最新优先
    时间不限
  • 来自专栏菩提树下的杨过

    spring-ai 学习系列(7)-MCP 安全认证

    继续先前的MCP学习,实际企业级应用中,很多信息都是涉及商业敏感数据,需要考虑安全认证,不可能让MCP Server在网上裸奔。 </groupId> 5 <artifactId>spring-ai-bom</artifactId> 6 <! --目前只有snapshot版本的mcp webmvc功能正常--> 7 <version>1.1.0-SNAPSHOT</version> 8 false; } //模拟几个账号123456,234567,允许访问,其它拒绝 String token = authorization.substring(7) at main · spring-projects/spring-ai-examples

    80010编辑于 2025-08-22
  • 来自专栏AI科技大本营的专栏

    Fast.ai深度学习实战课程 Lesson7 学习笔记:CNN Architectures

    本篇是AI100学院此前重点推出的《Fast.ai 深度学习实战课程》(中文字幕)第七节的学习笔记,分享者胡智豪。 如果你对深度学习感兴趣,该系列课程千万不要错过哦! 下载地址: http://geek.ai100.com.cn/wp-content/uploads/2017/05/lesson7_jto.ipynb 作者联系方式:justinhochn@gmail.com

    1K60发布于 2018-04-27
  • 来自专栏c++与qt学习

    Qt学习-----------7

    c++11中lambda表达式用于定义并创建匿名的函数对象 lambda表达式的基本构成:

    40010发布于 2021-02-22
  • 来自专栏各类技术文章~

    Redis学习7

    Redis 作为一个内存服务器,它需要处理很多来自外部的网络请求,它使用I/O多路复用机制同时监听多个文件描述符的可读和可写状态,一旦受到网络请求就会在内存中快速处理,由于绝大多数的操作都是纯内存的,所以处理的速度会非常地快。Redis在4.0后的版本中引入多线程,但仅在部分命令上引入,比如非阻塞的删除操作,在整体的架构设计上,主处理程序还是单线程模型的。无论是使用单线程模型还是多线程模型,都是为了更好地提升Redis的开发效率和运行性能。

    35120发布于 2021-09-16
  • 来自专栏ATYUN订阅号

    fast.ai推出全新的7周实用深度学习课程

    fast.ai推出了2018年版的7周深度学习入门课程,分为两部分。 深度学习入门课程第1部分,为编码人员提供实用的深度学习入门课程,由Jeremy Howard (Enlitic创始人)授课。 另外,还有一个由数以千计的其他学习者组成的社区,随时可以为你提供帮助,如果你需要任何帮助,或者只是想与其他深度学习学习者聊天,只需转到forums.fast.ai。 这门为期7周的课程适用于至少有一年编码经验以及有一些高中数学的知识的人。 此课程总共大约有20个小时,你可以计划每周花费大约10个小时,用7周的时间来完成材料,该课程是基于USF数据研究所的第一个证书课程所记录的课程。 :course.fast.ai/

    47540发布于 2018-07-27
  • 来自专栏DotNet NB && CloudNative

    AI应用实战课学习总结(7)聚类算法分析实战

    最近入坑黄佳老师的《AI应用实战课》,记录下我的学习之旅,也算是总结回顾。 今天是我们的第7站,一起了解下聚类算法基本概念 以及 通过聚类算法辅助用户画像的案例。 NOTE:聚类算法是目前我们这个系列接触到的第一个“无监督”机器学习算法。之前学习的回归和分类算法大部分都是“有监督”机器学习算法。 聚类和分类的区别 聚类和分类最主要的区别有如下几点: 分类是监督学习,聚类是无监督学习 结果的含义 评估方法 对于第一点,如何判断是监督还是无监督学习,主要是看数据集有没有被打上标签。 总结:分类是监督学习,用于预测数据的类别;聚类是无监督学习,用于发现数据的隐藏结构。 下一站,我们就将进入深度学习和Pytorch框架学习的部分了,这部分就留到2025春节之后再整理后和你分享吧。

    57510编辑于 2025-03-13
  • 来自专栏MiningAlgorithms

    机器学习7:集成学习--XGBoost

    对于特征的值有缺失的样本,xgboost可以自动学习出它的分裂方向。 7. xgboost工具支持并行。boosting不是一种串行的结构吗?怎么并行的? RF和Bagging对比:RF的起始性能较差,特别当只有一个基学习器时,随着学习器数目增多,随机森林通常会收敛到更低的泛化误差。 划分训练集、测试集 myDatas.data,myDatas.target, #load_iris的原始数据集 test_size = 0.3, random_state = 7 ,找一个最合适的学习率 #设几个不同学习率的列表,后面来遍历它,看哪个学习率下分类精确度最高,就用哪个学习率代回模型重新建模 learning_rate=[0.0001,0.001,0.1,0.2,0.3 ] #这次使用交叉验证(交替充份使用有限数据)划分数据集 #实例化交叉验证类 kfold = StratifiedKFold(n_splits=2,shuffle=True,random_state=7)

    2K20发布于 2019-08-08
  • 来自专栏WD学习记录

    Dubbo 学习笔记(7

    参考:http://dubbo.apache.org/zh-cn/docs/dev/design.html config配置层:对外配置接口,以ServiceConfig,ReferenceCon

    52420发布于 2019-01-07
  • 来自专栏萌海无涯

    Django学习模板(7

    前面学了视图,我们可以在访问 localhost:8000/polls/ 看到我们返回的内容。

    63120发布于 2019-09-03
  • 来自专栏一个爱吃西瓜的程序员

    学习SQL【7】-函数

    二:算术函数 算术函数是最基本的函数,也就是我们常用的四则运算: +(加法) -(减法) *(乘法) /(除法) 为了学习算术函数,我们首先得创建一种示例用表: --创建SampleMath表 --DDL INSERT INTO SampleMath VALUES (NULL, NULL, NULL);INSERT 0 1 INSERT INTO SampleMath VALUES (NULL, 7, ---+---+----------- 500.000 | 0 | 500 -180.000 | 0 | -180 | | | 7 2.270 | 1 | 2.3 5.555 | 2 | 5.56 | 1 | 8.760 | | (11 行记录) 字符串函数 为了学习字符串函数 今天可以留言了,大家可以尽管吐槽啦 每天学习一点点,每天进步一点点。

    1.6K120发布于 2018-04-04
  • 来自专栏周小末天天开心

    Java 基础学习7

    2)八进制:0 - 7,满 8 进 1,以数字0开头。 3)十进制:0 - 9,满 10 进 1。 演示: 0237 => 0 3(011) 3(011) 7(111) => 0b11011111 // 八进制转二进制 0x23b => 0x 3(0011) 3(0011) b(1011) = 0b001100111011

    30610编辑于 2022-10-26
  • 来自专栏CDA数据分析师

    谷歌教你学 AI -第二讲机器学习7个步骤

    翻译: VV 校对: Mika 本文为 CDA 数据分析师原创作品,转载需授权 Google Cloud发布了名为"AI Adventures"的系列视频,用简单易懂的语言让初学者了解机器学习的方方面面 观看更多国外公开课,点击"阅读原文" 上一期主要讲了机器学习的概念(谷歌教你学 AI -第一讲机器学习是什么?),今天让我们一起看到第二讲:机器学习7个步骤。 让我们在学习AI知识的同时来提高英语吧。 从检测皮肤癌到给黄瓜分类,以及检测需要维修的电梯,机器学习赋予了计算机系统全新的能力。但它的背后到底是如何运作的呢? 我们来看一个简单的例子,并借此来聊一聊运用机器学习从你的数据中得到信息的过程。 欢迎来到Cloud AI Adventures,我的名字叫Yufeng Guo。 第7步:预测 机器学习用数据来解答问题,因此预测或推断就是解答问题的步骤,这是所有工作的重点,即实现机器学习价值的地方。 我们终于可以用模型,根据颜色和酒精含量,预测酒水为红酒还是啤酒。

    1.1K70发布于 2018-02-05
  • 来自专栏Puppeteer学习

    MongoDB学习(翻译7

    手动构造类映射时您可以简单地通过不将字段或属性添加到类映射。当使用自动映射你需要指定应忽略该字段或属性的方法。可以使用属性编写如下编写:

    48520编辑于 2022-05-09
  • 来自专栏人工智能头条

    结课 | Fast.ai 最实战深度学习在线课程 Lesson7

    本文转载自:人工智能头条的好伙伴 AI100 我们每周推出的 Fast.ai 深度学习在线课程很受同学们的欢迎。本课程由 Jeremy Howard 教授开设,共8节。 Jeremy Howard 教授身为一名深度学习研究员,于2016年5月创建了 Fast.ai——一个研究如何使 Deep Learning 的知识更容易获取到并广泛适用的实验室。 基于这一思路,Jeremy Howard 教授开发了 Fast.ai 深度学习实战课程。该课程一经推出,就引起了整个深度学习圈子的高度关注,不论是专家还是学习者,对这一课程都好评如潮。 今天,我们将推出 Lesson7。本节课主要讲解了一些CNN架构,并且从零开始构建一个RNN模型。 本课程主要内容包括: ResNet 网络学习 数据泄露问题处理 多目标输出模型介绍 学习 FCN 回顾 RNN Lesson7: Exotic CNN Architectures; RNN from

    47930发布于 2018-06-06
  • 来自专栏机器学习算法与Python学习

    【科普】精选 7 个生活中的机器学习案例,AI无处不在!

    今天我们就来看看,在日常生活中有哪些最常见的机器学习用例(有时我们甚至没有意识到这些例子涉及机器学习)。本文涵盖了以下常见的机器学习用例: 1. 机器学习在智能手机中的用例 你知道吗,智能手机中的大多数功能都是由机器学习支持的。 没错! 有兴趣了解更多相关信息来学习如何使用机器学习构建自己的智能手机摄像头软件?无需等待!以下教程可以完美地带你入门: • 谷歌像素相机背后的深度学习技术介绍! 如果你也是数据科学的爱好者,脸书或领英的机器学习算法可能会激发你深入学习的兴趣。 下次使用社交媒体时可以留意这一点。这都归功于机器学习! 4. 传送门:https://www.bcg.com/publications/2019/what-does-personalization-banking-really-mean.aspx 7.

    6.1K30发布于 2019-09-02
  • 来自专栏AI科技大本营的专栏

    结课 | Fast.ai 最实战深度学习在线课程 Lesson7

    AI100 每周二推出的 Fast.ai 深度学习在线课程很受同学们的欢迎。本课程由 Jeremy Howard 教授开设,共8节。 基于这一思路,Jeremy Howard 教授开发了 Fast.ai 深度学习实战课程。该课程一经推出,就引起了整个深度学习圈子的高度关注,不论是专家还是学习者,对这一课程都好评如潮。 今天,我们将推出 Lesson7。本节课主要讲解了一些CNN架构,并且从零开始构建一个RNN模型。 本课程主要内容包括: 1. ResNet 网络学习 2. 数据泄露问题处理 3. 学习 FCN 5. 回顾 RNN Lesson7: Exotic CNN Architectures;RNN from Scratch ? AI100 会继续将 Fast.ai 深度学习实战课程的全部字幕翻译成中文,于每周二在公众号上推送。英语水平较好的同学,也可以直接访问 course.fast.ai 学习课程。

    58470发布于 2018-04-27
  • 来自专栏java开发的那点事

    Activiti7 学习总结

    就是通过计算机对业务流程进行自动化处理,实现多个参与者按照预定义的流程去自动执行业务流程

    79711发布于 2020-12-01
  • 来自专栏EdisonTalk

    Blazor学习之旅(7)布局

    下一篇,我们学习一下MudBlazor这个UI组件库,有了它我们就可以快速开发一个好看的企业级应用系统了。

    85530编辑于 2023-07-31
  • 来自专栏米扑专栏

    Python 学习入门(7)—— lambda

    C#中的lambda表达式关键字是=>,看下面的一个例子: var array = new int[] {2, 3, 5, 7, 9}; var result = array.Where(n => n  10)] 但是,奇怪的是, >>> fs[3](4) 13 >>> fs[4](4) 13 >>> fs[5](4) 13 结果并没有达到这位老兄的预期,预期的结果应该是: >>> fs[3](4) 7 修改一下: fs = [(lambda n, i=i : i + n) for i in range(10)] >>> fs[3](4) 7 >>> fs[4](4) 8 >>> fs[5](4) 9 如: Python代码 def myadd(x,y):    return x+y    sum=reduce(myadd,(1,2,3,4,5,6,7))    print sum   #结果就是输出 1+2+3+4+5+6+7的结果即28 当然,也可以用lambda的方法,更为简单: Python代码 sum=reduce(lambda x,y:x+y,(1,2,3,4,5,6,7))    print

    68950发布于 2019-02-19
  • 来自专栏finleyMa

    react学习系列7 调试

    chrome浏览器安装react扩展 使用displayName属性 官方文档 扔个例子,写了个高阶组件,名字叫HOC,如果调用多次,就会出来多个HOC,优化后显示传入的组件名。 function getDisplayName(component) { return component.displayName || component.name || 'Component'; } export function withHeader(WrappedComponent) { return cla

    38910发布于 2018-09-10
领券