- 博客(6)
- 收藏
- 关注
RSS订阅原创 关联数据RDF可视化应用——InteractiveGraph与Neo4jd3知识图谱生成
在处理SPARQL查询结果时，将每个查询到的实体转换为一个节点，将实体之间的关系转换为一条边，将每个实体的URI映射到一个唯一的数字ID，并为每条边分配唯一的数字ID，存储在列表中。Model对象是Jena中用于表示RDF图的核心数据结构，它存储了所有的RDF三元组信息，方便后续的查询和操作。它会根据边的类型（如hasPlace、belong2Session等）和连接的节点ID构建边的基本信息，为每条边分配一个唯一的ID，通过edgeIdCounter实现，并将边添加到edges列表中。
2025-06-22 10:51:05
709
原创 反向代理Nginx映射理解——ROOT和ALIAS的区别
root指令用于设置资源根目录，可放在server或location块中，路径可使用"/"或"\\"；alias则用于特定location的路径映射，需注意末尾加"/"。
2025-06-19 16:21:32
480
原创 Datawhale X AI夏令营 魔搭-AIGC方向 AI生图实践
第一次尝试使用AIGC生成图像，Datawhale的AI夏令营让我有机会接触AI生图，故记录于此。AIGC，即人工智能生成内容（Artificial Intelligence Generated Content），是一种新兴的内容创作方式，它通过人工智能技术学习大量数据和知识，自动生成高质量的内容，如文本、图像、音频和视频等。AIGC技术的核心包括深度学习、生成对抗网络（GAN）、大型预训练模型等，能够模拟人的创造力，生成具有一定创意和质量的内容。
2024-08-11 23:58:48
1914
原创 基于探索性数据分析（EDA）的电力市场时间序列挖掘#AI夏令营 #Datawhale
在上次的机器学习GBDT之后，我又接触到了一个比较新的概念——时间序列挖掘。对于EDA，我们并不陌生，但是要怎么将数据分析好并进行可视化的展示，才是我们需要考虑的关键。由于本次的EDA我并没有能够想出比教程里更好的点，这里总结一下思路。以上为Datawhale2024夏令营课程笔记，主要以记录为主，笔者通过学习其代码逻辑及其可视化方法，将会思考如何进行进一步更加深入的探索性数据分析。观察到数据中的出清价格在一小时内都是相同的，但负荷会在一小时中变动。以下会从五个维度观察数据，验证数据特征并做出可视化展示。
2024-07-31 23:47:22
656
原创 基于集成学习GBDT模型（Gradient Boosting Decision Tree）的电力市场博弈与价格预测#AI夏令营 #Datawhale #夏令营
AI夏令营 #Datawhale #夏令营本次比赛是通过发电供给数据与市场需求数据预测市场出清价格，本质上是一个回归问题。既然是回归问题，除了简单的线性回归预测外，我第一个想到的就是机器学习中的GBDT模型（当时还没用接触ABM模型），即通过构建多个弱预测模型（通常是决策树）来最小化损失函数。GBDT模型可以在市场出清价格预测当中处理复杂的数据特征和非线性关系。得出的预测结果分数下降了一些（模拟更接近），这里与大家分享我的心得。
2024-07-28 23:25:10
1031
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人