推荐系统实践

SparrowRecSys：深度学习推荐系统

SparrowRecSys SparrowRecSys是一个电影推荐系统，名字SparrowRecSys（麻雀推荐系统），取自“麻雀虽小，五脏俱全”之意。项目是一个基于maven的混合语言项目，同时包含了TensorFlow，Spark，Jetty Server等推荐系统的不同模块。希望您能够利用SparrowRecSys进行推荐系统的学习，并有机会一起完善它。 基于SparrowRecSys的实践课程 受极客时间邀请建立课程，详细讲解了SparrowRecSys的所有技术细节，覆盖了深度学习模型结构，模型训练，特征工程，模型评估，模型在线服务及推荐服务器内部逻辑等模块。 环境要求 Java 8 Scala2.11 Python 3.6+ TensorFlow 2.0+ 快速开始 将项目用IntelliJ打开后，找到RecSysServer ，右键点选Run ，然后在浏览器中输入http://localhost:6010/即可看到推荐系统的前端效果。 项目数据 项目数据标准化开源电影数据集 ，项目自带数据集对MovieLens数据集进行了精简，仅保留1000部电影和相关评论，用

个性化推荐系统的研究进展

个性化推荐系统 简介基于内容的推荐、协同过滤算法和混合算法 非常好的一篇中文推荐系统方面的文章。

个性化推荐系统研究进展

个性化推荐系统的研究进展，入门第一篇，概况总览。

基于知识图谱的推荐系统项目完整代码（附带数据集）

基于知识图谱的推荐系统项目完整代码 数据集在data文件夹下 数据集为txt模式，分为训练集、验证集以及测试集

pyRecommender:基于知识图谱的推荐系统

pyRecommender 基于知识图谱的推荐系统 参考了，是该论文的PyTorch版实现，具体用法还请移步原作者的 去做 基于知识图谱的推荐功能 提取知识图谱特征 TransE 基于模糊数学的推荐系统 交替学习MKR 基于知识图谱的查询功能 pyDatalog 数据格式 数据用json形式组织。数据包括：用户信息，书籍信息，电影信息，音乐信息 用户信息 { "location": // 常驻地 "username": // 用户名 "join_time": // 加入时间 "book_do": [(book

基于知识图谱表示学习的协同过滤推荐算法

基于知识图谱表示学习的协同过滤推荐算法

结合知识图谱实现基于电影的推荐系统.pdf

在推荐算法中融入电影的知识图谱，能够将没有任何历史数据的新电影精准地推荐给目标用户。

国内外管理信息系统现状及展望

国内外管理信息系统现状及展望 介绍了管理信息系统在国内外的应用现状和发展趋势, 并展望了铸造工厂管理信息系统在我国应用的前景及 意义。

复习论文：经典论文和推荐资源

推荐系统论文，学习资料，业界分享 动态更新工作中实现或阅读过的推荐系统相关论文，学习资料和业界分享，作为自己的工作的总结，也希望能为推荐系统相关行业的同学带来便利。 ，，请联系王喆。同时欢迎对推荐系统研究的同学与我讨论相关问题，我的联系方式如下： 电子邮件： 领英： 知乎私信： 其他相关资源 目录 深度学习推荐系统 嵌入 著名的机器学习论文 经典推荐系统 评价 Reco中的强化学习 行业推荐系统 勘探与开发

支持软件质量控制的软件配置管理研究

黄立威 黄伟 冯径 【摘要】：软件配置管理是软件工程化管理的基础,文中研究了如何在软件配置管理中实现对质量控制的支持。对软件配置管理的过程进行扩展,提出了软件过程配置管理的定义,对软件过程变更提供有效管理;...

居安思危还是内外交困：科技...小企业数字化转型的组态前因_李立威.caj

居安思危还是内外交困：科技...小企业数字化转型的组态前因_李立威.caj

非农用地流转的需求困境和解决途径

非农用地流转的需求困境和解决途径，何思礼，沈立威，为了打破政府对非农用地流转一级市场的垄断地位，分享土地流转的增值收益，满足市场对非农用地的需求，许多地区在经济发展过程中

YOLOv8-deepsort 实现智能车辆目标检测+车辆跟踪+车辆计数

本资源纯属免费，不收任何钱和任何积分，纯粹为爱发电，本资源已经为大家整合好了的，看我的博客部署好直接用：https://blog.csdn.net/Little_Carter/article/details/133610076?spm=1001.2014.3001.5501 资源原本项目源码地址：https://github.com/MuhammadMoinFaisal/YOLOv8-DeepSORT-Object-Tracking 本资源提供了基于YOLOv8-deepsort算法的智能车辆目标检测、车辆跟踪和车辆计数的实现方案。首先，利用YOLOv8算法对视频中的车辆目标进行检测，并对检测到的目标进行标记。然后，通过deepsort算法对标记的车辆目标进行跟踪，实现车辆目标的持续跟踪。最后，根据跟踪结果对车辆数量进行统计，实现车辆计数功能。本资源提供了完整的代码实现和详细的使用说明，帮助读者快速掌握基于YOLOv8-deepsort的智能车辆目标检测、车辆跟踪和车辆计数技术。

YOLOv8网络结构图，自制visio文件，yolov8.vsds，需要的自取，在原有的基础上直接改就行了

YOLOv8网络结构图，自制visio文件，yolov8.vsds，需要的自取，在原有的基础上直接改就行了

yolov8(2023年8月版本),已经下好yolov8s.pt和yolov8n.pt

yolov8(2023年8月版本),已经下好yolov8s.pt和yolov8n.pt，需要创建的文件夹都以创建，方便大家不用再去GitHub下载 可以搭配该博客：https://blog.csdn.net/weixin_43366149/article/details/132206526?spm=1001.2014.3001.5501

Transformer模型实现长期预测并可视化结果（附代码+数据集+原理介绍）

这篇文章给大家带来是Transformer在时间序列预测上的应用，这种模型最初是为了处理自然语言处理（NLP）任务而设计的，但由于其独特的架构和能力，它也被用于时间序列分析。Transformer应用于时间序列分析中的基本思想是：Transformer 在时间序列分析中的应用核心在于其自注意力机制，这使其能够有效捕捉时间序列数据中的长期依赖关系。通过并行处理能力和位置编码，Transformer 不仅提高了处理效率，而且确保了时间顺序的准确性。其灵活的模型结构允许调整以适应不同复杂度这篇文章给大家带来是Transformer在时间序列预测上的应用，这种模型最初是为了处理自然语言处理（NLP）任务而设计的，但由于其独特的架构和能力，它也被用于时间序列分析。Transformer应用于时间序列分析中的基本思想是：Transformer 在时间序列分析中的应用核心在于其自注意力机制，这使其能够有效捕捉时间序列数据中的长期依赖关系。通过并行处理能力和位置编码，Transformer 不仅提高了处理效率，而且确保了时间顺序的准确性。定制化训练个人数据集进行训练利用python和pytorch实现

社交平台上经济类话题的文章热度信息，数据是真实的，但不是真实日期

使用LSTM模型进行时序预测的代码与说明见：https://blog.csdn.net/Q_M_X_D_D_/article/details/109366895

Unet眼底血管图像分割数据集+代码+模型+系统界面+教学视频.zip

本资源配套对应的视频教程和图文教程，手把手教你使用Unet做眼底图像分割的训练、测试和界面封装，包含了Unet原理的解析、处理好的训练集和测试集、训练和测试的代码以及训练好的模型，并封装为了图形化界面，只需点击上传按钮上传图像即可完成眼底图像的预测。 随着生活水平的提高，眼科疾病以及心脑血管疾病的发病率呈现逐年增长的趋势。视网膜血管是这类疾病诊断和监测的重要信息来源，其形态和状况的变化可以反映出许多疾病的早期病理变化。然而，由于受眼底图像采集技术的限制以及视网膜血管自身结构的复杂性和多变性，使得视网膜血管的分割变得非常困难。传统方法依靠人工手动分割视网膜血管，不仅工作量巨大，极为耗时，而且受主观因素影响严重。通过眼底血管图像分割可以提高诊断准确性、效率以及推动科学研究和改进治疗方法等方面。 B站主页：https://space.bilibili.com/161240964 C站主页：https://blog.csdn.net/ECHOSON

行人跌倒数据集（VOC格式）

行人跌倒数据集（VOC格式）

YOLOV5 + 双目相机实现三维测距（新版本）

YOLOV5 + 双目相机实现三维测距（新版本）

全新的SOTA模型YOLOv9

当今的深度学习方法专注于如何设计最合适的目标函数，以使模型的预测结果尽可能接近真实值。同时，还需要设计一个合适的架构，以便获取足够的信息进行预测。现有方法忽略了一个事实：当输入数据经过逐层的特征提取和空间变换时，会丢失大量信息。本文将深入探讨数据在深度网络中传输时数据丢失的重要问题，即信息瓶颈和可逆函数问题。我们提出了可编程梯度信息（PGI）的概念，以应对深度网络实现多个目标所需的各种变化。PGI能够为目标任务提供完整的输入信息，以计算目标函数，从而获得可靠的梯度信息以更新网络权重。此外，我们还设计了一种基于梯度路径规划的新型轻量级网络架构——广义高效层聚合网络（GELAN）。GELAN的架构证明了PGI在轻量级模型上获得了优越的结果。我们在基于MS COCO数据集的目标检测上验证了所提出的GELAN和PGI。结果显示，GELAN仅使用传统的卷积运算符就实现了比基于深度卷积的最新方法更好的参数利用率。PGI可用于从轻量级到大型的各种模型，它可以获取完整信息，使得从零开始训练的模型比使用大型数据集预训练的最新模型获得更好的结果，比较结果如图1所示。

YOLOV5口罩检测数据集+代码+模型 2000张标注好的数据+教学视频.zip

YOLOV5口罩检测数据集+代码+模型 2000张标注好的数据+教学视频 代码的下载地址在：https://gitee.com/song-laogou/yolov5-mask-42 大家可以按照这里的视频教程配置环境：https://www.bilibili.com/video/BV1YL4y1J7xz/ 更多数据请看：https://blog.csdn.net/ECHOSON/article/details/121892887 遇到问题请小伙伴通过私信联系作者，感谢大家的支持！

Deep Learning Tuning Playbook（中译版）

由五名研究人员和工程师组成的团队发布了《Deep Learning Tuning Playbook》，来自他们自己训练神经网络的实验结果以及工程师的一些实践建议，目前在Github上已有1.5k星。此版本为中文翻译版，提供给大家免费下载，因为本人知识水平有限，翻译过程中可能有误，随时欢迎大家指出错误，我会随时更正。

pycharm连接autodl服务器（yolov8训练自己的数据集）

里面没写怎么配置yolov8环境，这个参考官方文档就行很简单一行代码即可

zotero翻译插件.xpi

2023/9/2 更新

基于YOLOv8-Pose的姿态识别项目，带数据集可直接跑通的源码

这个项目是一个基于YOLOv8-Pose的姿态识别系统，专门用于识别和分析人体姿态。项目采用了最新的YOLOv8-Pose算法，结合了COCO数据集的8种常见姿态，能够快速准确地识别人体的各种姿态。这个可以作为一个简单的项目案例，后续可以直接换成自己的数据去进行训练。 功能特点： 高效识别：使用了先进的YOLOv8-Pose算法，确保了识别的准确性和效率。 支持多种姿态：能够识别COCO数据集中定义的8种主要姿态。 实时处理能力：项目设计支持实时姿态识别，适用于视频监控、动态分析等场景。 使用方法： 环境要求：详细说明所需的操作系统、依赖库和运行环境。 安装步骤：提供项目安装和配置的具体指导。 运行指南：说明如何启动姿态识别任务，包括命令行参数等。

Informer模型实战案例(代码+数据集+参数讲解)

本篇博客带大家看的是Informer模型进行时间序列预测的实战案例，它是在2019年被提出并在ICLR 2020上被评为Best Paper，可以说Informer模型在当今的时间序列预测方面还是十分可靠的，Informer模型的实质是注意力机制+Transformer模型，Informer模型的核心思想是将输入序列进行自注意力机制的处理，以捕捉序列中的长期依赖关系，并利用Transformer的编码器-解码器结构进行预测，通过阅读本文你可以学会利用个人数据集训练模型。Informer是一种用于长序列时间序列预测的Transformer模型,但是它与传统的Transformer模型又有些不同点，与传统的Transformer模型相比，Informer具有以下几个独特的特点： 1. ProbSparse自注意力机制：Informer引入了ProbSparse自注意力机制，该机制在时间复杂度和内存使用方面达到了O(Llog L)的水平，能够有效地捕捉序列之间的长期依赖关系。 2. 自注意力蒸馏：通过减少级联层的输入，自注意力蒸馏技术可以有效处理极长的输入序列，提高了模型处理长序列的能力

YOLOv5 人脸口罩图片数据集

约4000张不带口罩的人脸图片+4000张带口罩的人脸图片，含标注文件，符合YOLOv5格式，可直接训练。

YOLOv8改进，融合Gold-YOLO Neck

YOLOv8改进，融合Gold-YOLO Neck

哈尔滨工业大学-ChatGPT调研报告-20230306-94页.pdf

2022年11月30日，OpenAI推出全新的对话式通用人工智能工具——ChatGPT。ChatGPT表现出了非常惊艳的语言理解、生成、知识推理能力，它可以很好地理解用户意图，做到有效的多轮沟通，并且回答内容完整、重点清晰、有概括、有逻辑、有条理。ChatGPT上线后，5天活跃用户数高达100万，2个月活跃用户数已达1个亿，成为历史上增长最快的消费者应用程序。除了被广大用户追捧外，ChatGPT还受到了各国政府、企业界、学术界的广泛关注，使人们看到了解决自然语言处理这一认知智能核心问题的一条可能的路径，并被认为向通用人工智能迈出了坚实的一步，将对搜索引擎构成巨大的挑战，甚至将取代很多人的工作，更将颠覆很多领域和行业。