- 综合排序
- 最热优先
- 最新优先
- 来自专栏Hank’s Blog
3-5 处理缺失值
> x <- c(1,NA,2,NA,3) > is.na(x) [1] FALSE TRUE FALSE TRUE FALSE > x[!is.na(x)] #找出不是缺失值 [1] 1 2 3 > x <- c(1,NA,2,NA,3) > y <- c("a","b",NA,"c",NA) > z <- complete.cases(x,y) #都不是缺失值的元素 > x[z] [1] 1 > y[z] [1] "a" > library(datasets) #import dat
55710发布于 2020-09-16 - 来自专栏NetCore 从壹开始
3-5 安装CICD管理平台：Jenkins
大家这里可以先安装gitlab工具，我就省事了，直接用gitee做源代码管理平台了。
38721编辑于 2023-01-09 - 来自专栏实验盒
当我用DeepSeek预测AI for BioScience未来3-5年发展趋势
预测未来3-5年AI在生物科学（AI for BioScience）的发展趋势，可以从技术突破、跨学科融合、数据驱动创新以及伦理监管等多个维度进行分析。以下是一些关键趋势的展望： 1. 药物研发的端到端AI化 全流程覆盖：AI将贯穿从靶点发现、化合物生成、ADMET（毒性/代谢预测）到临床试验优化的全链条，缩短药物研发周期（目前平均10年→可能压缩至3-5年）。 小数据学习：针对罕见病或患者数据稀缺的场景，迁移学习和合成数据技术将提升模型泛化能力。 个性化药物设计：结合患者基因组和病理数据，AI辅助设计个体化疗法（如肿瘤新抗原疫苗）。 3. 多模态生物数据的深度融合 跨模态AI模型：整合基因组、蛋白质组、影像组、电子病历等多源数据，构建疾病预测和治疗响应的全局视图。 总结 未来3-5年，AI将深度重构生物科学的研究范式，从“数据辅助分析”转向“主动设计创造”，并在药物研发、合成生物学、精准医疗等领域实现商业化落地。
62510编辑于 2025-02-05 - 来自专栏叽叽西
lagou 爪哇 3-5 spring cloud (下) 笔记
TraceId唯⼀标识，span标识发起的请求信 息，各span通过parrentId关联起来 注意：我们往往把Spring Cloud Sleuth 和 Zipkin ⼀起使⽤，把 Sleuth 的数据信 息发送给 Zipkin 进⾏聚合，利⽤ Zipkin 存储并展示数据。 Bus） 官⽹：https://nacos.io 下载地址：https://github.com/alibaba/Nacos Nacos功能特性 服务发现与健康检查 动态配置管理 动态DNS服务 服务和元数据管理 【可选操作】这里顺便对 Nacos Server 数据持久化改造, 方便 nacos 服务端每次重启后还得重新进行配置. 修改${nacoshome}/conf/application.properties，增加 Mysql 数据源配置 spring.datasource.platform=mysql ### Count
92220编辑于 2022-05-17 研究生入局 AI Agent，不是跟风，是抓住未来 3-5 年的技术红利研究
发布于2026-05-1615:30最近在和身边做AI的同学、朋友聊天时，总能听到一个高频问题：“现在研究生做Agent，是不是已经晚了？” 1.学术层面：空白点多，创新成本低，论文产出效率高Agent领域的研究空白，几乎遍布每个细分方向，而且很多方向的创新成本极低，不需要拼算力、拼数据，只要找对一个细分切口，就能做出有价值的研究。 不需要跑上千次实验，也不需要处理海量数据，聚焦一个具体问题，把逻辑讲清楚、方案做扎实，就能提升论文的创新价值。 研究生如果能深耕Agent架构、FunctionCalling、Skill编排、多智能体协作这些核心技术，毕业时可以直接对接AI应用开发、智能体开发、大模型应用等高薪岗位，竞争力远超普通应届生。 说到底，Agent不是一阵风，而是未来3-5年AI领域最确定的技术趋势之一。对研究生来说，现在入局，不是跟风，而是抓住了一个用小成本撬动大价值的机会。
27610编辑于 2026-05-16- 来自专栏PHP实战技术
3-5年的PHPer常见的面试题
安全、还是数据挖掘、大数据处理？ 项目开发:电商项目中的购物车数据持久化、考试系统的安全性考虑、 mysql设计基础：三大范式、功能->思维导图、创建表的第一字段是什么？ 看看简历，会问一些过去做的项目的用户量、pv、吞吐量、相关难点和解决方法等 数据库设计经验,为什么进行分表? 分库? 一般多少数据量开始分表? 分库? 分库分表的目的? 什么是数据库垂直拆分? 可以举例说明 数据库优化有哪些? 分别需要注意什么? web开发方面会遇到哪些缓存? 分别如何优化? 给你256M的内存,对10G的文件进行排序(文件每行1个数字),如何实现？ 为什么要对数据库进行主从分离? 如何处理多服务器共享session? 一个10G的表，你用php程序统计某个字段出现的次数,思路是?
1.6K100发布于 2018-03-09 jvm入门2：3-5运行时数据区+程序技术器+虚拟机栈
即栈解决程序的运行问题，程序如何执行，如何处理数据。对解决数据的存储问题，数据怎么放，放哪？java虚拟机栈是什么？ 1每个线程都有自己栈，栈中的数据都以栈帧的格式存在；2线程上正在执行的每个方法都对应一个栈帧；3栈帧是一个内存区块，一个数据集，维系着方法执行过程中的各种数据信息栈运行原理1jvm直接对栈的操作只有两个 ，数据引用（reference）、returnAddress类型；3由于局部变量表示建立在线程的栈上，线程的私有数据，不存在数据安全问题；4局部变量表所需的容量大小是编译期确定下来的，并保存在方法的code 属性maximum local variables数据项中。 只要被局部变量表中直接或间接引用的对象都不会被回收操作数栈1每一个独立的栈帧中除了包含局部变量表之外，还包含一个后进先出的操作数栈，也称为表达式栈；2操作数栈，在方法执行过程中，根部字节码指令，往栈中写入数据或提取数据
43010编辑于 2025-02-24- 来自专栏cwl_Java
C++编程之美-结构之法(代码清单3-5)
代码清单3-5 void RecursiveSearch(int* number, int* answer, int index, int n) { if(index == n)
31020编辑于 2022-11-30 - 来自专栏AI机器学习与深度学习算法
机器学习入门 3-5 Numpy数组(和矩阵)的基本操作
print(X.shape) # (3, 5) size 属性查看数组中的元素个数 print(x.size) # 10 print(X.size) # 15 (3 x 5) numpy.array 的数据访问
92210编辑于 2022-05-25 - 来自专栏企鹅号快讯
吴强：AI＋大数据时代 HR将率先失业；赖梅松：快递协同发展才是未来；沈晓卫：AI未来3-5年有重要发展
【企业家看未来】第174期 来源／根据相关网站编辑整理 编辑／管佳宇 IBM沈晓卫：AI在未来的3-5年有重要的发展 IBM全球副总裁沈晓卫表示，人工智能技术在未来的3-5年会有非常重要的发展。 一方面是如何从小数据、小样本中学习，而不仅仅局限于大数据；另外一个方面，是智慧能力的部分，它会从云端向边缘端的扩散，包括手机的终端、物联网的设备以及可穿戴设备。 互联网电视厂商不仅要做好互联网服务，还应加速升级AI、新零售、智慧家庭的服务。2018年，公司在用户积累基础上的电视广告业务、提价后的产品销售，以及硬件成本下降和渠道扩张等方面均存在看点。 齐鲁人才网吴强：人工智能+大数据时代 HR将率先失业 齐鲁人才网CEO吴强对目前人力资源行业进行了深入剖析，“顾名思义，人力资源部的工作对象是人，也就是员工。
98170发布于 2018-01-09 - 来自专栏跟着官方文档学小程序开发
第二章 小程序开发指南3-5
复制原始数据，防止原始数组被更改 let newItems = []; for (let i = 0; i < this.data.itemsWidthAndFlexShrink.length 复制原始数据，防止修改原数组 let newItems = []; for (let i = 0; i < this.data.itemsWidthAndFlexGrow.length; 宿主环境提供了统一的下拉刷新交互，开发者只需要通过配置开启当前页面的下拉刷新，用户往下拉动界面触发下拉刷新操作时，Page构造器的onPullDownRefresh回调会被触发，此时开发者重新拉取新数据进行渲染 enablePullDownRefresh": true } //page.js Page({ onPullDownRefresh: function () { // 用户触发了下拉刷新操作 // 拉取新数据重新渲染界面
41810编辑于 2025-08-25 - 来自专栏AI研习社
未来 3-5 年内，哪个方向的机器学习人才最紧缺？
但在回答前，我还是忍不住吐槽一下那种简单回答 “深度学习”，“大数据”，“NLP”，“机器视觉” 的人。 数据压缩 / 可视化 (Data Compression & Visualization)。 工业界的另一个特点就是大量的数据缺失，大部分情况都没有标签。以最常见的反诈骗为例，有标签的数据非常少。所以我们一般都需要使用大量的无监督，或者半监督学习来利用有限的标签进行学习。 所以以 3-5 年的跨度来看，这些工具依然会非常有用，甚至像 CNN 和 LSTM 之类的深度学习算法还在继续发展迭代当中。 虽不可尽信，但对特定领域的深刻理解往往就是捅破窗户的那最后一层纸，只理解模型但不了解数据和数据背后的意义，导致很多机器学习模型只停留在好看而不实用的阶段。
74960发布于 2018-03-19 - 来自专栏iOS逆向与安全
写作小技能：卡片式写文章（用3-5张卡片写文）
挑战->核心概念->该怎么做->总结->升华 找到1张卡做大的核心概念 找到3-5张卡做子概念的内容 把这些卡片的“行动指引”总结下，列在最后做个行动指引大全。 .… 用3-5张卡片写文是个很好的体验：1.主题是自下而上生成，而不是逼你针对命题写一个。2. 内容是过去知识卡片的积累，而不是临时写一句，出去找一段儿。3.
1.6K10编辑于 2022-08-22 - 来自专栏Java面试教程
意料之中、要求3-5年的leader，最后选了应届生
大家好，我是了不起，前段时间，了不起在当面试官，挑了许多人给leader去面谈，最后可能是因为把之前某个想走的同事留了下来了，所以对新人没有太多的要求，所以选了应届生。
30800编辑于 2024-11-22 - 来自专栏鲸落学习笔记
C++ 中的字符串数组（5 种不同的创建方式3-5）
theme: channing-cyan highlight: a11y-dark
2.9K20编辑于 2022-11-14 - 来自专栏IT技术圈（CSDN）
浙大版《C语言程序设计（第3版）》题目集 练习3-5 输出闰年
练习3-5 输出闰年 输出21世纪中截止某个年份以来的所有闰年年份。注意：闰年的判别条件是该年年份能被4整除但不能被100整除、或者能被400整除。
2.6K20发布于 2020-09-15 - 来自专栏企鹅号快讯
AI需要大数据，而大数据也需要AI
美国知名AI作家Bernard Marr 说过：“过去，由于有限的数据集、非实时的数据和无法在数秒内分析大量数据，而导致AI发展受阻。 今天，可以实时访问数据和工具，实现快速分析，从而推动了AI和机器学习，并允许向数据优先的方法过渡。我们的技术现在已经足够灵活，可以访问这些庞大的数据集，以快速推进AI和机器学习应用程序。” AI和大数据形成了一种真正的共生关系，彼此需要。 然而，Manchett警告说，AI尚不足以满足非技术业务的需求。“为了实现大数据和AI的目标，你仍然需要理解提取、转换和加载的概念，以及机器学习是什么，可以做什么。” 数据占据了中心位置。 “通过云计算，任何人都可以轻而易举地获得数据，大数据和AI的可能性在我们的生活中变得越来越真实。”然后，AI和机器学习将变得司空见惯。
888100发布于 2018-01-18 - 来自专栏ATYUN订阅号
【观点】AI需要大数据，而大数据也需要AI
AI和大数据已经形成了一种真正的共生关系，彼此需要相得益彰。 美国知名AI作家Bernard Marr 说过：“过去，由于有限的数据集、非实时的数据和无法在数秒内分析大量数据，而导致AI发展受阻。 今天，可以实时访问数据和工具，实现快速分析，从而推动了AI和机器学习，并允许向数据优先的方法过渡。我们的技术现在已经足够灵活，可以访问这些庞大的数据集，以快速推进AI和机器学习应用程序。” AI和大数据形成了一种真正的共生关系，彼此需要。 “通过云计算，任何人都可以轻而易举地获得数据，大数据和AI的可能性在我们的生活中变得越来越真实。”然后，AI和机器学习将变得司空见惯。
59270发布于 2018-03-06 - 来自专栏AI系统
【AI系统】数据并行
数据并行是一种广泛应用于分布式 AI 系统中的技术，旨在通过将数据集划分为多个子集并在不同计算节点上并行处理这些子集，以提高计算效率和速度。 分布式数据并行 DDP分布式数据并行（Distributed Data Parallel, DDP）是数据并行的一种高级形式，它综合了多种优化，是当前应用最广的并行算法之一，通常用于大型 NPU AI 集群和 AI 系统中。 在通信的同时也会继续计算梯度，这样就无需等待所有计算完成后再集中进行通信，也不必在计算完成后等待通信完成，从而将通信过程覆盖到计算时间内，充分利用 AI 集群，提高了 AI 集群使用率。 DDP 反向传播中计算与通信的重叠导致无需等待所有计算完成后再集中进行通信，也不必在计算完成后等待通信完成，提高了 AI 集群的使用率。
1.2K10编辑于 2024-12-07 - 来自专栏技术墨客
从数据到AI
一篇关于數據倉庫建設、人工數據分析、AI數據分析的讲义 數據Data&信息Information 信息 信息是一個客觀存在物體的自然表現，比如說“I am a local villain.” 隨著數據的不斷累積和堆積在數據背後發現了驚人的統計規律，隨著這些統計規律的發展漸漸的出現了AI分析和數據分析。 數據&數據分析&AI 如下圖是建立數據分析工程的過程 ? 根據需要訓練AI模型。 數據倉庫的建立 聯機事物型系統&決策分析系統 在數據能力上，通常將系統的數據結構模型分為2類，聯機事物型、決策分析型。 數據倉庫案例展示superset 地址：http://192.168.0.212:8088 賬號：admin 密碼：admin 數據分析到AI訓練 進過大量的數據演練，可以逐漸的發現數據背後的統計規律。
95250发布于 2019-11-21
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