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
300+累计阅读
352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
学习时长：1/14
任务名称：特征工程以及构建baseline
任务简介：数据预处理，特征选择以及特征重做，构建baseline提交有成绩
详细说明：针对于数据的处理与特征之间的重做和上一个比赛的一样，构建baseline提交，利用自己查找到的背景资料来进行特征工程对于成绩的提高。
代码下载
链接：https://pan.baidu.com/s/19oJnAwp6vBBZa6b5-OZmCg
提取码：06lb
打卡截止时间：1/14
主要是进行了简单baseline的构建，大致分为以下几步：
电力现货交易市场-报价方式
电是一种能源，也是一种商品，既然是商品自然可以在市场中进行自由交易。
时序预测基准测试：5个经典模型构建可复现评估流程
时间序列预测本质上是建模历史依赖与业务规律的双重任务。其核心原理在于通过稳定、可解释、低维护成本的方法建立性能下限，从而量化后续模型的真实增益。技术价值体现在消除无效调参、暴露数据本质特性、支撑生产环境确定性交付；典型应用场景覆盖电商销量、电力负荷、物流时效及用户活跃度等需滚动预测的业务系统。实践中，简单移动平均（SMA）和指数平滑（ETS）作为最基础但强鲁棒性的基线，能快速揭示序列平稳性与趋势季节结构，是避免过度拟合与资源浪费的第一道标尺。
修复ASUS in WinRE教程
暑假入手了天选三，发现是win11家庭版，本来想着家庭版将就一下无所谓，结果在使用的过程中发现相较于专业版真的是不能比，于是自己就重装了系统，发现ASUS in WinRE入口不见了，折腾半天最后成功修复。
深度之眼比赛实战（未来销售预测）项目记录——1——赛题分析
任务 学习时长：1/13——1/14 任务名称：赛题解读以及数据下载导入、赛题的理解分析 任务简介：赛题的初步理解分析 详细说明： 本节将会赛题的背景资料的了解以及数据文件的分布以及数据的下载以及本地导入，赛题的理解分析通过对构建自己对构建特征来说有一个比较大的作用，针对于数据的解读来说比较重要的一环。 数据的解读包括数据的EDA、数据的可视化，数据的类型、数据的文件分布、数据的特征组合的一些猜测...
解决ADS1.2报错Cannot obtain license
报错如下 将licenses文件下的license内容进行修改: 修改为如下内容即可。 # # Generated on 2021-dec-1 by licwizard # PACKAGE ads armlmd 1.200 E32F0DE5161D COMPONENTS="armasm compiler bats armulate axd adwu fromelf armlink codewarrior armsd" INCREMENT ads armlmd 1.200 permanent uncounte
InvocationException: GraphViz‘s executables not found【BUG已解决】
在机器学习框架中遇到了一个bug：安装了GraphViz模块后，在对着sklearn的决策树文档操作输出决策树模型结果时，还是爆出了如下的错误： 报错位置为： 报错语句为：网上很多答案告诉我们，要我们安装GraphViz模块，然而并不对！ 如下，我安装了GraphViz，但是还是报错了。 所以说问题不在这，我查阅质料发现，改正这个bug的方法有一个：下文详细描述。解决bug为： 1.去graphviz.官方下载自己电脑符合的操作系统的安装包：2，安装的时候，记住自己安装在电脑里的位置：以我的电脑为例，我的
【时间序列】——数据竞赛中的时间序列预测
系列文章目录 提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加 例如：第一章 Python 机器学习入门之pandas的使用 提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录系列文章目录内容介绍一、 时序预测介绍1、基本概念2、应用场景3、评价指标二、时间序列特性1.时间序列分解三、时序预测方法1、Arima2、Facebook Prophet3、树模型4、线性回归5、神经网络总结 内容介绍 本文内容整理自“深度之眼”《数据竞赛中的时间序列预测》课程，详情请咨
【K8S系列】在 Kubernetes 中使用 Prometheus 进行监控的详细指南
Prometheus 是一个开源的监控和报警工具，广泛用于 Kubernetes 环境中。本文将深入探讨如何通过 Kubernetes 中的注解配置 Prometheus 的抓取设置，以高效监控服务，并确保系统的可靠性和可维护性。
深度之眼Python数据分析入门打卡第一天
Python应用 物理硬件性能的显著提升，语言带来的性能影响趋于减少。Python可以和其他语言各取所长，有机融合。 编程环境使用anaconda和Pycharm 6种数据类型：Number,String,List,Tuple,Sets,Dictionary（字典） ...
视频理解与处理——OpenClaw视频能力深度解析（2026视频版）
本文介绍了OpenClaw视频理解与处理的核心技术，重点分析了视频预处理流程。通过VideoProcessor类实现视频加载、帧采样、尺寸调整和归一化等基础处理功能，支持本地和在线视频源处理，为后续视频分析任务提供标准化输入。预处理模块采用均匀采样和标准化方法优化视频数据，确保动作识别、场景分析等高级应用的准确性，展现了OpenClaw强大的视频处理能力。
用Python爬虫抓取大宗交易成交数据：全面解析与实战代码
大宗交易是指在证券市场中，涉及大额买卖的交易。此类交易通常由机构投资者进行，其交易量较大，对市场的影响显著。大宗交易数据包含了买卖双方的成交价格、成交量等关键信息，这些数据对于投资者和分析师而言，具有重要的市场预测意义。Python爬虫是一种自动化抓取互联网上数据的工具。通过爬虫，我们可以定期获取大宗交易数据，节省人工查询的时间。爬虫的工作原理通常包括：发送HTTP请求、获取响应数据、解析网页内容、提取关键信息、存储和展示数据。
深度之眼比赛实战（未来销售预测）项目记录——3——基础模型Baseline
任务 学习时长：1/16——1/17 任务名称：特征工程的数据预处理对排名的提升 任务简介：特征工程之数据预处理 详细说明： 本节是在上一节的基础上进行新的数据预处理和数据的特征工程的方式，包括：数据清洗、数据的特征重做、以及数据特征的增加等，最后利用xgb算法去进行拟合，并预测之后得到结果。并利用kaggle的notebook来运行代码并提交结果。 通过不同的特征工程的知识进行添加可以得到不同的...
RK3568开发笔记- (TX/RX) RGMII delayline 功能调试
本文详细介绍了RK3568芯片RGMII接口delayline功能的调试过程。针对千兆以太网通信不稳定问题，通过分析RGMII时序要求，利用RK3568内置的delayline功能补偿信号延迟。调试方法包括扫描delayline窗口、测试中间值配置、优化硬件设计等步骤。文章还总结了常见问题解决方案，如PHY选型建议和自动扫描功能配置。最终实现了千兆速率下丢包率降至0.01%以下的目标，为类似开发场景提供了实用参考。
Robot Localization AMCL原理以及代码
先讲几个坐标系的关系吧，在机器人定位中很重要。 base_link 一般指的是机器人自身的坐标系，随着机器人的移动而移动。 odom的原点是机器人刚启动时刻的位置，理论上这个odom坐标系是固定的不会变化的，但是odom是会随着时间发生漂移且存在累积误差，因此odom坐标系实际上会随着时间移动 map是地图的坐标系，当地图建立完成之后，map坐标系就固定下来了，不会随时间发生变化。 一般我...
C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片
基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正
计算机控制技术及应用
《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术，以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索，主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式，计算机控制系统的数学描述与基本分析方法，以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。
Kaggle实战：从零到一构建零售销售时间序列预测模型
本文详细介绍了在Kaggle平台上构建零售销售时间序列预测模型的完整流程，从数据清洗、特征工程到模型选择与优化。通过实战案例展示了如何处理缺失值、设计时空特征，以及利用XGBoost等算法提升预测精度，帮助读者掌握Time Series Forecasting的核心技巧。
NTscan扫描工具
ntscan是一个扫描器，可以扫描没有密码和弱密码的共享，先到配置文件中填写猜测的用户名和密码，扫描过程中右侧出现的是扫描日志。
总奖金80万的中国石化AI大赛Baseline详解来啦｜第一期
接下来我们挑选数据集中的某一口井的某一个层位做可视化处理，按照 x轴是时间，y轴是含水率以及日产油，如果我们把它汇聚在一起可以看到这两个曲线的整体趋势是相反的，大家可以猜一猜这两条曲线分别哪一条代表代表的是含水率，哪一条代表的是日产油？如果从可视化角度，可以看到某一口井的生产层位的含水率不会波动特别大，可能是逐步稳步上升的，所以我们在做特征工程的时候也可以考虑以某口井某个生产层为的历史含水率，直接去构建一个线性模型。首先我们在做建模的时候，一定要明确我们最终的样本，或者是我们预测的维度是什么。
数学建模模型总结
这是本人在两年内准备参加数学建模竞赛搜集到的模型资料，已经经过了本人的筛选和整理，希望能够对准备参加数学建模竞赛的学弟学妹们提供一些帮助！
模型预测实战：从原理到应用，掌握时间序列与机器学习预测方法
模型预测是数据分析与决策支持中的核心环节，它基于历史数据构建数学模型，对未来状态进行量化推演。其基本原理在于识别数据中的内在规律与模式，通过统计学习或机器学习算法，将不确定性纳入可计算框架。在技术价值层面，预测模型能够为业务决策提供数据驱动的洞察，降低决策风险，优化资源配置。常见的应用场景包括销售预测、需求规划、金融风控和资源调度等。本文聚焦于时间序列预测和机器学习预测等关键方法，深入探讨了特征工程、模型评估及过拟合控制等实战技巧，并结合XGBoost等工具，提供了从数据预处理到预测区间评估的完整解决方案。
机器学习基础：从概念到实战的完整指南
机器学习作为人工智能的核心技术，通过算法让计算机从数据中自主学习规律。其核心原理包括监督学习、无监督学习和强化学习三大范式，分别适用于不同场景。理解线性代数、概率统计等数学基础对掌握算法本质至关重要。在实际工程中，完整的机器学习流程包含数据清洗、特征工程、模型训练等关键环节，其中数据质量往往决定项目成败。本文通过银行理财产品购买的预测案例，演示了如何使用逻辑回归和随机森林等算法解决实际问题，特别适合刚入门的数据分析师和算法工程师参考学习。
时间序列建模实战：从ARIMA到机器学习，掌握预测核心技能
时间序列分析是处理带有时间戳数据的核心方法，其核心原理在于识别和建模数据中的趋势、季节性和周期性等成分。这项技术的价值在于能够基于历史数据对未来状态进行可靠推断，广泛应用于金融风控、销量预测、能源管理等关键领域。在工程实践中，经典统计模型如ARIMA提供了稳健的建模基础，而现代机器学习方法如LightGBM和Prophet则能处理更复杂的模式与外部变量。通过特征工程将时间序列转化为监督学习问题，并结合模型融合策略，可以构建出鲁棒性强、预测精度高的解决方案，这正是应对数学建模竞赛和实际业务预测挑战的有效路径。
数据驱动的生鲜零售定价补货优化：从需求预测到MILP求解实战
在供应链管理与零售运营中，需求预测与库存优化是核心挑战，尤其在生鲜这类易腐品领域。其基本原理是通过历史数据分析未来需求，并基于此制定补货与定价策略，以实现利润最大化。这项技术的价值在于将经验决策转化为数据驱动的科学决策，有效平衡销售、库存与损耗。典型的应用场景包括生鲜超市、电商平台及任何面临不确定需求与库存约束的零售业务。本文以数学建模竞赛题为背景，深入探讨了如何构建“预测-优化”耦合框架，其中运用了LightGBM进行高精度需求预测，并采用混合整数线性规划（MILP）将复杂的非线性定价问题转化为可求解的优
电商需求预测实战：从Python代码到库存决策闭环
需求预测是供应链智能决策的核心基础，其本质是将销售时序、促销事件、库存状态等多源异构数据转化为可执行的补货指令。技术原理上需融合统计建模（如Prophet捕捉节假日效应）、机器学习（XGBoost识别促销脉冲）与业务规则（安全库存兜底），关键价值在于 bridging the gap between forecast accuracy and operational adoption——即提升补货建议采纳率而非单纯降低RMSE。典型应用场景覆盖大促备货、区域仓协同、新品冷启动及长尾SKU周转优化。本文聚焦电
数学建模竞赛深度复盘：从问题拆解到模型调优的通用心法
数学建模是解决复杂现实问题的核心方法，其本质是通过数学语言抽象描述问题，并利用算法模型寻找最优解。从原理上看，它融合了统计分析、优化理论与机器学习等多领域技术，通过模型构建、求解与验证的闭环流程实现问题转化。在技术价值层面，数学建模能力已成为数据分析、决策支持和科研创新的基础，能有效提升解决不确定性问题的系统思维。其应用场景广泛覆盖金融风控、供应链优化、科学研究及工业设计等领域。本文聚焦于数学建模竞赛的实战复盘，深入探讨了**模型融合**与**参数调优**等关键技术环节，为参赛者提供从问题拆解到模型优化的完
数学建模竞赛时间序列预测：从ARIMA到机器学习实战指南
时间序列分析是处理按时间顺序排列数据的重要方法，其核心在于挖掘数据随时间变化的规律。其基本原理是通过历史数据建立模型，以预测未来趋势、识别周期或检测异常。在数据科学和预测分析领域，时间序列模型具有极高的技术价值，是实现业务预测、资源规划和风险预警的关键工具。典型的应用场景包括金融市场分析、气象预报、电力负荷预测以及流行病传播趋势研判等。本文聚焦于数学建模竞赛这一特定场景，深入探讨了如何将时间序列分析技术应用于解决竞赛中的预测问题。针对竞赛中常见的数据量有限、时间紧迫等特点，文章提供了从数据预处理、模型选型到
粤港澳大湾区AI大赛：算法优化与商业落地的实战指南
人工智能技术正逐步从实验室走向产业应用，其中算法优化和商业落地是关键环节。通过数学模型与商业场景的结合，AI技术能够解决资源分配、销售预测等实际问题。在粤港澳大湾区这样的科技创新枢纽，AI技术的应用尤为突出。本次AI大赛聚焦数据智能和计算机视觉两大技术方向，强调技术产品化和商业价值实现。参赛团队需掌握组合优化、强化学习等技术栈，同时注重解决方案的可扩展性和模块化设计。赛事不仅为技术人才提供了展示平台，还搭建了学术界与产业界的桥梁，推动AI技术的实际应用和人才培养。
美赛C题深度复盘：从数据估值到策略建模的实战解析
数据资产估值是数据分析领域的核心议题，其本质在于将非结构化的信息转化为可量化的商业价值。其原理通常围绕数据的广度、深度、质量及未来收益潜力等维度构建评估框架，通过多指标综合量化实现。这一过程的技术价值在于，它不仅是简单的统计分析，更是连接数据洞察与商业决策的桥梁，能将抽象的数据价值转化为具体的策略杠杆。在应用场景上，从电商平台用户行为分析到市场健康度评估，数据估值模型都发挥着关键作用。本文以2020年美赛C题为具体案例，深入探讨了如何从交易数据、商品列表和用户信息中提炼价值信号，并详细阐述了结合层次分析法（
美赛C题复盘：从数据预处理到建模思路构建的完整实战解析
在数据科学和数学建模领域，面对多源异构数据时，有效的数据预处理和清晰的建模思路是项目成功的基石。数据预处理涉及数据清洗、特征工程、多源数据对齐等关键步骤，旨在将原始数据转化为适合建模的规整格式，其核心原理在于通过系统化的方法提升数据质量、减少噪声并提取有效信息。这一过程的技术价值在于为后续的模型构建提供可靠输入，直接影响模型的准确性和可解释性。在数学建模竞赛、商业分析、预测系统开发等应用场景中，掌握高效的数据预处理流程和结构化的问题拆解能力至关重要。本文以美赛C题中**商品分类**和**多源数据融合**的具
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
5118
扫一扫
