保存成功
订阅成功
保存失败,请重试
提交成功
宿永杰

宿永杰

公众号:易数云笔记
热爱分享!...更多
创作文章13
开设专栏2

共享经济新模式:共享员工

今天和大家聊聊在本次疫情之后,行业内催生的一种新的共享经济模式,也就是共享员工。乍一看,好像没什么,不就是 A 公司的员工通过借调或者外包的方式到 B 公司去上班,但是背后却凸显出了疫情危机之下行业用工、企业跨界合作的必要性和灵活性。
免费创新
43 订阅

实用数据分析思路介绍

不管是传统行业还是互联网行业,企业各项业务决策越来越多的依赖于数据分析,利用数据分析的标准化流程,可以多维度、精细化深度挖掘数据的价值,从数据中提取出大量有用信息和潜在的规律。比如通过数据分析,可以回顾过去所做的事发生了什么变化?还可以分析发生这一变化的根本原因是什么?最后可以对该事件未来的不确定性进行预测,提前进行风险管理等。所以数据分析在企业日常各业务中应用的非常广泛,而且是极为重要的,很多想要从事或学习数据分析的人,会不会执行起来觉得非常费劲呢?数据分析需要什么工具?数据分析需要做哪些事?如果你对这些问题有疑惑,如果你还没有形成一套自己的数据分析思路,那本场 Chat 将帮助你掌握一套属于自己的实用数据分析思路。 因此,本场 Chat,将从 6 个方面对数据分析做详细介绍,具体内容包括: 1. 明确问题; 2. 数据提取; 3. 数据处理; 4. 数据分析; 5. 数据展示; 6. 撰写报告。
数据分析
132 订阅

程序员的自我进化:互联网公司套路多,如何避免自己被无偿辞退?

从去年到今年,在裁员潮背景下,身边很多朋友都在抱怨被辞退。虽然在抱怨,但是他们的心情却不一样,有人拿到合法的补偿之后,发几声牢骚后便能迅速调整心情并投入到开始下一份工作的计划中,这当然是好事;但是也有人莫名其妙被公司套路辞退后拿不到补偿而闷闷不乐一阵子,虽然说作为高薪的程序员不在意那点补偿,但是如果真的是公司非法辞退的呢?你到底要不要守住底线,维护自己的权益呢?最近身边有一个真实案例,朋友因守住底线,维护了自己的合法权益。 因此,本场 Chat,将告诉那些想要维权的朋友们,如何靠劳动法维权?包括以下内容: 1. 公司辞退常见的几种场景; 2. 如何应对被辞退、裁员,请守住职业底线; 3. 如何避免被套路无偿辞退; 4. 学好劳动法,敢于仲裁维权下去; 5. 如何准备一场仲裁。
程序员
149 订阅

从 B 站弹幕抓取 00 后的“圈聊黑话”

前段时间一篇《不可忽略的 00 后!这帮未成年人都在消费什么样的内容?》的文章又刷爆了朋友圈,在 80 后步入中年,90 后渐入“佛系”的状况下,市场的猎手们开始把目光瞄向开始迈入成人世界的 00 后。相较于 90 后而言,新生力量 00 后似乎更加“独具一格”,不盲目追随主流、喜好更加多样且个性化,不屑于做“沉默用户”,于是 00 后的“圈聊黑话”逐步占领主流平台。以二次元为内容的产品成为了 00 后饶不开的内核。因此,本场 Chat,以 B 站为抓取对象,主要介绍如何抓取 B 站弹幕,并对此进行简单的分析。 本场 Chat 主要内容: 1. B 站弹幕的原理; 2. Beautiful Soup 使用介绍; 3. 爬虫抓取 B 站弹幕; 4. 对弹幕进行简单分析。
严选爬虫
425 订阅

从0-1自己动手搭建一个图片分类服务

尽管没有 GPU,但还是很想在个人笔记本的 CPU 上试试图片分类,有木有?如果你想试试,那就来吧。我们都知道,深度学习在图片分类方面已经取得了很大的成就,大家对于常见的神经网络,如 CNN,VGG 等也非常熟悉,通过 Mnist 或者猫狗大战等数据集都有练习。但是如果你想用自己手里的图片数据集或者还没有数据集,如何从0-1完成一个图片分类器训练呢?下面笔者将带你完成整个过程。 本场 Chat 你将学到: 1. 自己动手写爬虫爬取图片; 2. 图片预处理,包括 Reshape、灰度、像素归一化等; 3. 用传统机器学习训练图片分类器; 4. 用神经网络训练图片分类器; 5. 模型部署,如何把模型发布成服务。
图片分类
301 订阅

程序员的自我进化:学习之道,如何更有效的学习

不得不感叹,计算机技术更新迭代的速度太快了,作为程序员每天除了面对工作,就要学习新技术,笔者自己也不例外,近三年来,笔者自己的感觉是一直在为技术疲于奔命,直到现在,也不敢放缓脚步。学习对于程序员来说太重要了,就像每天必须吃饭一样,程序员每天必须抽出一定时间学习新技术,避免被淘汰。 然而,目前的计算机编程语言和技术框架可谓百花齐放,百家争鸣。作为程序员如何去学习,以及如何更有效的学习呢?本篇将从以下 4 个方面来讲,希望能够让大家的程序员学习之路更有效。 本场 Chat 你将学到: 1. 定位自我; 2. 有效学习的步骤; 3. 没有人轻易告诉你的学习途径; 4. 如何快速学习新技术?
学习程序员
738 订阅

基于情感词典的中文自然语言处理情感分析(下)

目前情感分析在中文自然语言处理中比较火热,很多场景下,我们都需要用到情感分析。比如,做金融产品量化交易的,需要根据爬取的舆论数据来分析政策和舆论对股市或者基金期货的态度;电商交易,根据买家的评论数据,来分析商品的预售率等等。 在[《基于情感词典的中文自然语言处理情感分析(上)》](https://gitbook.cn/m/mazi/activity/5b3341ed28f60a20b62890f8)的基础上,本场 Chat 你将学到: 1. 股吧数据情感分类; 2. 情感可视化之绘制情感树; 3. 中文情感分析方法简介; 4. 实战基于标注好的情感词典来计算情感值案例。
NLP
321 订阅

基于情感词典的中文自然语言处理情感分析(上)

目前情感分析在中文自然语言处理中比较火热,很多场景下,我们都需要用到情感分析。比如,做金融产品量化交易的,需要根据爬取的舆论数据来分析政策和舆论对股市或者基金期货的态度;电商交易,根据买家的评论数据,来分析商品的预售率等等。 因此,本场 Chat 重点从中文自然语言处理角度出发,来实现基于情感词典的中文情感分析。你将学到: 1. 动手实战:快速进行情感分析。 2. 动手实战:快速进行情感分析可视化。 3. 动手实战:使用 Snownlp 训练自己的数据集。 4. 动手实战:简单的bibi弹幕情感分析案例。
严选NLP
393 订阅

程序员的自我进化:补上最短的那块情商木板

最近笔者在研究文本情感分析,关于如何让机器人更懂人类想了很多。虽然在情感分析方面收获不大,但笔者却意外想明白了一件事,在可预测的未来,人工智能对人类智商的挑战和优势将是碾压性的,这会带来什么结果呢?那就是,人工智能将很快取代人类重复性、单一型和依赖智商的工作。那是不是意味着人类就没有希望了呢?当然不是,尽管人工智能的优势可能集中在智力方面,但短时间内,人工智能不可能像人类一样拥有复杂的情感。所以笔者最后得出结论:当智商被碾压时,情商才是人类绝对的优势! 本场 Chat 笔者从情商说起,旨在帮助更多的人认识情商,并意识到情商的重要性。你将学习到: 1. 情商根本不存在? 2. 情商的本质是什么? 3. 智商和情商哪个更重要? 4. 如何补上最短的那块情商木板? 5. 职场情商:会说,也会做。 6. 情商终极:内外顺心。
免费情商
333 订阅

NLP 中文文本聚类之无监督学习

在有监督学习方面,笔者已经讲述了基于 ML 和 DL 的中文文本分类。本场 Chat 笔者将在文本相似性度量(聚类重点会用到上一篇中各种距离的度量)的基础上,趁热打铁,在无监督学习方面,完成中文文本的聚类实战。 你将主要学习到如下内容: 1. 无监督学习的研究现状。 2. K-means 方法原理。 3. DBSCAN 方法原理。 4. NMF 方法原理。 5. PCA 降维的原理及步骤。 6. 实战 TF-IDF 的中文文本 K-means 聚类。 7. 实战 Word2Vec 的中文文本 K-means 聚类。 8. 聚类结果的可视化。
严选NLP
495 订阅

剑指洗稿,(NLP)技术上怎么判断文章相似性?

这几天“差评洗稿”的事情,闹得沸沸扬扬,在《NLP 中文短文本分类项目实践(上)》和《NLP 中文短文本分类项目实践(下)》中,我们了解了文本分类,本场Chat,笔者将从普通技术和自然语言处理的角度来分析如何判断文章的相似性?也许此时你的脑海中已经有了思路,求Hash 值?计算MD5?计算余弦相似度?那如果是文本该如何计算呢?欲知答案,且看本场Chat如何解答。 你将主要学习到如下内容: 1. 常规技术如何判断相似性? 2. 如何度量文本的相似性? 3. 实战文本相似性计算和判断。
严选NLP
796 订阅

NLP 中文短文本分类项目实践(下)

在[《NLP 中文短文本分类项目实践(上)》](http://gitbook.cn/m/mazi/activity/5ae2c9475d06502947fb1d98)中,我们主要分享了词云、LDA 主题模型和朴素贝叶斯和 SVM 的分类,本次 Chat,我将带领大家继续文本分类的内容。 你将主要学习到如下内容: 1. 用数据科学比赛大杀器 XGBOOST 来进行文本分类和调参实战; 2. 中文文本词向量 Fasttext 和 Word2vec 对比实战; 3. 中文文本分类之神经网络 CNN 和 LSTM 实战。
严选NLP
761 订阅

NLP 中文短文本分类项目实践(上)

随着技术成熟和各大互联网公司对关系数据的整合,预测未来数据领域的挑战在非结构化数据的整合,NLP技术对个人发展越来越重要,本场 Chat 首先带领大家入门词云,然后给出对 LDA 和朴素贝叶斯和SVM的短文本分类实践。 你将主要学到如下内容: 1. 用 WordCloud 制作词云; 2. 用 LDA 主题模型获取文本关键词; 3. 用朴素贝叶斯算法和 SVM 分别对文本分类。
NLP
1511 订阅