墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
700+累计阅读
742平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
茧数科技的定位，就是通过多种创新营销玩法，帮助企业解决获取流量和销售转化的问题，结合营销自动化技术，提升客户体验、降低营销成本，同时让市场部门和销售部门更好地协作，有效提升业绩。
基于社交网络的客户关系管理系统，从流量获取到客户画像，帮助企业快速建立私域流量池。
将企业流量汇集至SCRM系统内统一管理，根据预置规则系统自动评分，发现高价值客户，配合营销自动化持续收网捕大鱼（意向客户），并将小鱼继续培育孵化。
每时每刻您的客户或潜在客户都在不同的触点（官网、广告、微信、H5、邮件、短信等）产生各种行为数据，系统完整记录每位客户的行为轨迹，并以时间轴的形式展示交互行为。
数据引擎实时分析用户的基本属性、参与活动、阅读内容、行为轨迹、沟通历史等数据，自动匹配智能标签，描绘客户360度画像，第一次，真正了解您的客户，助力销售人员快速成单。
什么是SCRM？为什么企业要做SCRM？
SCRM 是社会化的客户关系管理系统（Social CRM），它是在传统 CRM 基础上的拓展和进化。传统 CRM 主要侧重于企业内部对客户信息的管理和流程优化，而 SCRM 则将视角延伸到社交领域，强调消费者的参与和双边互动。在当今数字化时代，社交网络已经成为人们生活中不可或缺的一部分，客户的消费决策和行为也深受其影响。通过对这些数据的分析和挖掘，企业可以更全面、深入地了解客户的需求、偏好和行为习惯，从而制定更精准的营销策略，提供更个性化的产品和服务，增强客户的满意度和忠诚度。
企微SCRM圈量拆解：私域流量运营如何快速入门
私域流量虽然人人都能做，但并不是每个人都能坚持下去并且做出满意的效果的。其实私域流量重点在于客户，而不是流量。所以我们的出发并不是如何在客户身上榨取价值，而是如何更好的有效的提供价值给客户。如果出发点从一开始就是错的，那必然不会得到满意的效果。所以我们需要的做的就是如何接触客户，并且深刻了解客户的机制和体系，而私域流量的运营也许就是非常不错的机会。首先需要有获取流量，接触客户的方法和工具。然后进行培育和运营，留住客户。接着通过为客户提供的价值进行流量变现和流量裂变，换取更多的客户流量。第一步就是要获得流量，
企业微信SCRM系统源码：人工智能驱动的私域流量管理与营销解决方案
SCRM，即Social Customer Relationship Management，意指社交客户关系管理系统。与传统CRM不同的是，SCRM强调通过社交网络来维护和发展客户关系，它不仅包括了客户信息管理，还融入了社交媒体中的用户行为与互动数据，使得企业能够更加精准地进行市场营销、客户支持和服务。营销自动化是指利用技术手段自动化执行营销流程和任务的过程。其核心在于提高效率、降低成本和提升营销效果。
低成本实现webhook接收端[python]
Webook本质上也是API，只不过是反向调用，即前端不主动发送请求，完全由后端推送。简单来说，Webhook是一个接受HTTP POST或是GET,PUT,DELETE的URL，一个实现了Webhook的API提供商就是在当事件发生的时候会向配置的URL发送信息，与请求-响应式不同，使用Webhook可以实时接收到变化。Ps:Webhook可能会发出大量的请求，确保接受的URL不被泄露或者应用能及时处理这些请求。
人工智能-CS188 Project 2: Multi-agents
一、项目介绍 项目介绍网页 项目代码下载 本项目是采用Berkeley的CS188课程内容实习二的内容，在这个项目中，我们将为经典版本的Pacman 设计自动算法，包括幽灵。在此过程中，我们将实现 minimax 和 expectimax 搜索并尝试评估函数设计 完成作业只需要完成5个题目，按照项目介绍的步骤进行完成，主要是在multiAgents.py文件中进行补充代码 二、代码详情 1、Question1:Reflex Agent 略 2、Question2:Minimax 套用ppt上的minm
ch32v103xx 烧写
烧写方式 串口uart, usb,swd(wch link)但不建议按此使用，参官方说明。
软件测试面试题汇总
软件测试面试题汇总 测试技术面试题 ........................................................................................................................................................................ 5 1、什么是兼容
【项目解析】2KW 230V 数字逆变器控制系统（二）
【项目解析】 2KW 230V 数字逆变器控制系统（一） 项目的 交流输出电压 并不是单纯一个电压环就能控制好的，而是典型的 双环控制架构：最终占空比控制量会经过计算： 然后写入 单片机 TMM 定时器的比较寄存器 (TMGRA0/TMGRD0/TMGRC1)， → 定时器输出互补 PWM， → 驱动 IGBT 全桥， → 经过 LC 滤波形成 230 VAC / 50Hz 的正弦电压。总结交流电压是双环控制的结果：目标/作用：把输出 RMS 电压稳到目标（例如 230 VAC）；在母线波动与负载变化下
基于 ESP32-CAM 与 TinyML 的食堂餐盘自动识别与营养分析终端
【代码】基于 ESP32-CAM 与 TinyML 的食堂餐盘自动识别与营养分析终端。
手把手教你学Simulink实例：基于Simulink的锂电池管理系统（BMS）仿真
是确保锂电池安全、高效运行的关键组件。BMS 主要功能包括监控电池的状态（如电压、电流、温度）、估算荷电状态（State of Charge, SOC）、健康状态（State of Health, SOH），以及实现电池均衡和保护机制等。Simulink 提供了一个强大的仿真环境，可以用来设计、分析和验证锂电池管理系统的控制策略。常见的均衡方法包括被动均衡（通过电阻放电）和主动均衡（通过开关电容或变压器）。通过本教程，我们详细介绍了如何使用 Simulink 进行锂电池管理系统的仿真实例。
SLAM Cartographer（18）后端优化问题求解器
了解经过闭环检测构建了子图与节点之间的约束之后，通过后端优化求解器进行优化求解。核心是基于Ceres库进行SPA(Sparse Pose Adjustment)的优化方法，把后端优化问题描述成为一个最小二乘的问题求解
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
Outlook Express 6 (OE6) for Win7/Win8/Win10
英文版 Outlook Express6.0， 兼容Win7/Win10/WinXP，解压就可用。
VC中sqlite的使用
在VC中对sqlite的使用，实现数据库大批数据的快速插入，读取数据库中的数据在ListCtrl中显示
SIMATIC S7-1200, S7-1500 PID 控制[手册]
SIMATIC S7-1200, S7-1500 PID 控制[手册]
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
2629
扫一扫
