--人会说谎,但是数据不会声明个人原创,转载需注明来源https://www.cnblogs.com/milton/p/16296974.html数据和决策商业智能(BusinessIntelligence)是一个总称:包括数据的定义,生成,收集,存储和分析,以及最后的一环--决策.数据化是对信息进行收集,量化和存储.这个趋势将一切活动数字化可以电子化的活动:媒体,通信,交易,票据,音乐,娱乐等,信息化的变革直接取代了过去传统的工作方式无法电子化的活动:建筑,制造,运输,食品,医护,商超等,因为必须以物理形态交付,这些活动无法数字化,但是可以通过IOT将过程数字化,这方面现在有个流行名词叫数字
引言决策引擎服务是风控系统的大脑，承载着风控策略编排和计算的任务，对决策的时耗和精度有着严格的要求，本文以决策流执行路径实现方案为切入点，一窥风控决策引擎高效的原理。背景在上文风控决策引擎——决策流构建实战中详细介绍了风控决策引擎的发展历程，决策流的编排能力，满足了策略运营人员对当前风险场景下的防控策略足够灵活、高效的部署。“灵活”往往意味着不可控，从多年的开发经验中来看，产品的功能在既定的范围内，基本不会出现不可控的问题（除非是BUG）。像SQL查询语言，对数据分析人员来说非常的灵活，抽象的语法可以满足任何数据组装查询组装需求，但此时危机正在蔓延：随时可能出现一个慢查询导致性能问题！“灵活”
引言决策引擎服务是风控系统的大脑，承载着风控策略编排和计算的任务，对决策的时耗和精度有着严格的要求，本文以决策流执行路径实现方案为切入点，一窥风控决策引擎高效的原理。背景在上文风控决策引擎——决策流构建实战中详细介绍了风控决策引擎的发展历程，决策流的编排能力，满足了策略运营人员对当前风险场景下的防控策略足够灵活、高效的部署。“灵活”往往意味着不可控，从多年的开发经验中来看，产品的功能在既定的范围内，基本不会出现不可控的问题（除非是BUG）。像SQL查询语言，对数据分析人员来说非常的灵活，抽象的语法可以满足任何数据组装查询组装需求，但此时危机正在蔓延：随时可能出现一个慢查询导致性能问题！“灵活”
作者：倪新明ADR是一种性价比非常高的架构决策文档化实践，团队引入和实践成本很低，却能为团队带来极大收益！1团队研发面临的问题不论是在传统的IT行业，还是互联网行业，研发团队在架构决策层面或多或少的都会面临以下问题或挑战：•新成员加入团队，对系统现有的架构决策可能会盲目遵守，只知其然，不知其所以然；或者挑战或违反约束，持续挑战当前决策，“质疑”决策的合理性和正确性，负责人需要不间断的解释、同步、推动达成共识•架构决策的潜在问题随着时间推移暴露，但，如果决策时进行充分分析这些问题可能会提前发现和规避•现有系统架构决策是如何演进？当前决策背后的动机是什么？有可能团队内已经没有人能准确的回答•相似架
作者：倪新明ADR是一种性价比非常高的架构决策文档化实践，团队引入和实践成本很低，却能为团队带来极大收益！1团队研发面临的问题不论是在传统的IT行业，还是互联网行业，研发团队在架构决策层面或多或少的都会面临以下问题或挑战：•新成员加入团队，对系统现有的架构决策可能会盲目遵守，只知其然，不知其所以然；或者挑战或违反约束，持续挑战当前决策，“质疑”决策的合理性和正确性，负责人需要不间断的解释、同步、推动达成共识•架构决策的潜在问题随着时间推移暴露，但，如果决策时进行充分分析这些问题可能会提前发现和规避•现有系统架构决策是如何演进？当前决策背后的动机是什么？有可能团队内已经没有人能准确的回答•相似架
1、K-近邻算法(KNN)1.1定义（KNN，K-NearestNeighbor）如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。1.2距离公式两个样本的距离可以通过如下公式计算，又叫欧式距离。简单理解这个算法：这个算法是用来给特征值分类的，是属于有监督学习的领域，根据不断计算特征值和有目标值的特征值的距离来判断某个样本是否属于某个目标值。可以理解为根据你的邻居来判断你属于哪个类别。1.3APIsklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm='auto
1、K-近邻算法(KNN)1.1定义（KNN，K-NearestNeighbor）如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。1.2距离公式两个样本的距离可以通过如下公式计算，又叫欧式距离。简单理解这个算法：这个算法是用来给特征值分类的，是属于有监督学习的领域，根据不断计算特征值和有目标值的特征值的距离来判断某个样本是否属于某个目标值。可以理解为根据你的邻居来判断你属于哪个类别。1.3APIsklearn.neighbors.KNeighborsClassifier(n_neighbors=5,algorithm='auto
摘要：模型压缩算法旨在将一个大模型转化为一个精简的小模型。工业界的模型压缩方法有：知识蒸馏、轻量化模型架构、剪枝、量化。本文分享自华为云社区《深度学习模型压缩方法综述》，作者：嵌入式视觉。一，模型压缩技术概述因为嵌入式设备的算力和内存有限，因此深度学习模型需要经过模型压缩后，方才能部署到嵌入式设备上。在一定程度上，网络越深，参数越多，模型也会越复杂，但其最终效果也越好。而模型压缩算法是旨在将一个庞大而复杂的预训练模型转化为一个精简的小模型。本文介绍了卷积神经网络常见的几种压缩方法。按照压缩过程对网络结构的破坏程度，《解析卷积神经网络》一书中将模型压缩技术分为“前端压缩”和“后端压缩”两部分:前
摘要：模型压缩算法旨在将一个大模型转化为一个精简的小模型。工业界的模型压缩方法有：知识蒸馏、轻量化模型架构、剪枝、量化。本文分享自华为云社区《深度学习模型压缩方法综述》，作者：嵌入式视觉。一，模型压缩技术概述因为嵌入式设备的算力和内存有限，因此深度学习模型需要经过模型压缩后，方才能部署到嵌入式设备上。在一定程度上，网络越深，参数越多，模型也会越复杂，但其最终效果也越好。而模型压缩算法是旨在将一个庞大而复杂的预训练模型转化为一个精简的小模型。本文介绍了卷积神经网络常见的几种压缩方法。按照压缩过程对网络结构的破坏程度，《解析卷积神经网络》一书中将模型压缩技术分为“前端压缩”和“后端压缩”两部分:前
摘要：所谓模型剪枝，其实是一种从神经网络中移除"不必要"权重或偏差的模型压缩技术。本文分享自华为云社区《模型压缩-pytorch中的模型剪枝方法实践》，作者：嵌入式视觉。一，剪枝分类所谓模型剪枝，其实是一种从神经网络中移除"不必要"权重或偏差（weigths/bias）的模型压缩技术。关于什么参数才是“不必要的”，这是一个目前依然在研究的领域。1.1，非结构化剪枝非结构化剪枝（UnstructuredPuning）是指修剪参数的单个元素，比如全连接层中的单个权重、卷积层中的单个卷积核参数元素或者自定义层中的浮点数（scalingfloats）。其重点在于，剪枝权重对象是随机的，没有特定结构，因
