- 博客(183)
- 收藏
- 关注
原创 【热点项目】Paper2Code:一个从论文到代码的自动化Agent
Paper2Code是基于大语言模型的创新性代码生成框架,旨在解决学术界与工业界长期存在的"论文复现难题"。项目通过多智能体协作机制,将科研论文自动转化为可执行代码仓库,在arXiv论文测试集上实现87.3%的代码生成完整度,相比传统单模型方案提升32%。
2025-05-12 17:15:23
366
原创 深度解析Crawl4AI:面向大模型的新一代智能爬虫
Crawl4AI是GitHub Trending排名第一的开源网络爬虫框架,专为LLM应用场景设计。该项目由活跃的开发者社区共同维护,核心目标是构建AI友好的数据采集工具,支持RAG增强、模型微调等典型AI应用场景。智能Markdown生成:输出适配LLM处理的清洗后内容多维度数据提取:支持CSS/XPath/LLM多模式结构化提取浏览器全生命周期管理:Cookie持久化、代理轮换、反检测混合爬取策略:同步HTTP与异步浏览器双引擎。
2025-05-12 16:26:32
490
原创 深度剖析多模态大模型中的视频编码器算法
随着多模态大型语言模型(MLLM)的兴起,AI 理解世界的能力从静态的文本和图像,进一步拓展到了动态的、包含丰富时空信息的视频。视频作为一种承载了动作、交互、场景变化和声音(虽然本文主要聚焦视觉部分)的复杂数据形式,为 MLLM 提供了理解真实世界动态和因果关系的关键线索。然而,要让 LLM 有效地“消化”和理解视频内容,一个强大的视频编码器(Video Encoder)是不可或缺的“前端”。
2025-05-11 22:32:07
203
原创 全模态具身智能:从 VLM 到 MLLM
人工智能的感知边界正在以前所未有的速度扩展。最初,我们惊叹于大型语言模型(LLM)对文本的深刻理解和流畅生成。很快,视觉语言模型(Vision-Language Models, VLM)登场,让 AI 第一次真正“看见”了世界,能够理解图像内容并将其与语言关联,实现了“看图说话”、“图像问答”等功能。然而,真实世界远比静态图像和文本描述要丰富得多。它充满了动态的视频、环境的声音、人类的语音,以及我们与之交互的物理实体。为了让 AI 更全面地感知、理解并最终融入这个复杂的世界,研究者们正致力于构建更强大的。
2025-05-11 22:14:44
79
原创 LLaVA:开源多模态大语言模型深度解析
LLaVA(Large Language and Vision Assistant)是由Haotian Liu等人开发的开源多模态大语言模型,旨在实现GPT-4级别的视觉-语言交互能力。该项目通过视觉指令微调技术,将预训练的视觉编码器与语言模型深度融合,在多个多模态基准测试中达到SOTA水平。核心特点支持336x336高分辨率图像处理兼容LLaMA、Vicuna、Mistral等多种基座模型提供4-bit/8-bit量化推理能力支持LoRA高效微调在单卡3090 GPU上即可完成训练。
2025-05-10 17:51:03
394
原创 【具身智能算法入门】VLM/VLA 算法入门指南
人工智能的浪潮正从纯粹的语言理解和生成,涌向更广阔、更复杂的具身智能 (Embodied AI)领域。我们不再满足于让 AI 在数字世界中处理文本,而是期望它们能够感知物理世界、理解多模态信息、并基于此进行决策和行动。在这个激动人心的前沿,视觉语言模型 (Vision-Language Models, VLM)和视觉语言 Agent (Vision-Language Agents, VLA)扮演着核心角色。
2025-05-10 15:46:40
153
原创 LLM 推理加速:深度解析 Prefilling 与 Decoding 阶段的优化秘籍
大型语言模型(LLM)的推理过程,即模型根据输入(Prompt)生成输出(Response)的过程,是其应用落地的核心环节。然而,这个看似简单的“输入-输出”背后,隐藏着复杂的计算流程和潜在的性能瓶颈。Prefilling(预填充)和Decoding(解码),并针对每个阶段的特性设计了不同的加速策略。理解这两个阶段的差异以及各自的优化技术,对于选择合适的推理引擎、配置部署参数、甚至设计更高效的模型架构都至关重要。本文将深入探讨 Prefilling 和 Decoding 阶段的。
2025-05-09 14:52:42
604
原创 解析小米大模型MiMo:解锁语言模型推理潜力
在大型语言模型快速发展的背景下,小米AI团队推出MiMo系列模型,突破性地在7B参数规模上实现卓越推理能力。传统观点认为32B以上模型才能胜任复杂推理任务,而MiMo通过创新的训练范式证明:精心设计的预训练和强化学习策略,可使小模型迸发巨大推理潜力。"system": "你是有10年经验的数学教授","user": "问题:{question}","assistant": "让我们逐步思考:"
2025-05-08 19:44:46
343
原创 解锁 LLM 推理速度:深入 FlashAttention 与 PagedAttention 的原理与实践
大型语言模型 (LLM) 已经渗透到我们数字生活的方方面面,从智能问答、内容创作到代码辅助,其能力令人惊叹。然而,驱动这些强大模型的背后,是对计算资源(尤其是 GPU)的巨大需求。在模型推理 (Inference)阶段,即模型实际对外提供服务的阶段,速度 (Latency)和吞吐量 (Throughput)成为了衡量其可用性的关键指标,也是部署时面临的核心挑战。Transformer 架构作为现代 LLM 的基石,其核心的自注意力 (Self-Attention)
2025-05-08 19:18:32
272
原创 LLM 推理并发不够怎么解?基于 LLaMA-Factory 的模型量化实战指南
想象一下,你部署的 LLM 应用在高峰期响应缓慢、用户请求大量排队甚至超时失败——这不仅严重影响用户体验,更可能直接导致业务损失。造成并发瓶颈的核心原因之一,就是 LLM 推理本身对计算资源(尤其是 GPU 显存和计算单元)的巨大消耗。那么,当我们的 LLM 推理服务并发告急时,该如何应对?除了增加硬件投入(这往往成本高昂),模型量化 (Model Quantization)是一种在不显著牺牲(有时甚至能略微提升)性能的前提下,有效降低模型显存占用、提升推理速度,从而间接提高并发处理能力的关键技术。
2025-05-07 17:01:59
107
原创 Python 数据智能实战 (14):[综合实战] 智能用户分群与精准营销策略生成
— 终极演练!从数据到策略,融合 LLM 完成端到端电商用户运营项目各位数据智能探索者,欢迎来到我们专栏的终极实战关卡!经过前面一系列的学习和实践,我们已经不再仅仅是数据的处理者和分析者,更是具备了利用大语言模型 (LLM) 这一前沿 AI 技术,从数据中挖掘更深层价值、驱动更智能决策的潜力探索者。我们学会了如何让 Python 与 LLM 对话,如何利用 Embeddings 理解文本语义,如何将 LLM 特征融入传统模型,如何评估效果并坚守安全底线。
2025-05-07 09:34:47
831
原创 Python 数据智能实战 (13):AI的安全可靠 - 电商数据智能的红线与指南
— 技术向善,行稳致远:在智能时代,坚守数据伦理,构建可信赖的 AI 应用通过前面的篇章,我们已经深入探索了如何利用 Python 和大语言模型 (LLM) 挖掘电商数据的巨大潜力,从智能用户分群到语义推荐,再到个性化内容生成和模型效果评估。我们手中的工具越来越强大,我们赋予数据的“智能”也越来越令人惊叹。然而,强大的力量往往伴随着巨大的责任。我们的技术应用是否符合伦理规范?是否足够负责任?电商痛点聚焦:智能化的“双刃剑”与潜在风险数据隐私泄露:用户信任的基石不容动摇!
2025-05-06 16:54:35
586
原创 为什么你的 LLM 应用效果不好?深度剖析与避坑指南
生成的文本驴唇不对马嘴,逻辑混乱。无法准确理解用户意图,答非所问。对于特定领域的知识一无所知或“一本正经地胡说八道”(幻觉)。输出不稳定,同样的输入可能得到截然不同的结果。无法完成稍微复杂一点的多步骤任务。你可能投入了大量时间和精力,尝试了最新的模型,精心设计了 Prompt,但结果依然不尽如人意。问题出在哪里?仅仅是模型不够“聪明”吗?答案往往并非如此简单。LLM 应用效果不佳,通常是系统性问题的结果,涉及从任务定义、模型选择、Prompt 设计到评估体系等多个环节。
2025-05-06 16:47:49
325
原创 Python 数据智能实战 (12):效果评估 - 超越传统指标
— "看起来很酷"还不够!如何科学评估 LLM 应用效果,证明你的数据智能方案物有所值我们已经一起探索了如何将大语言模型 (LLM) 的“超能力”注入到用户分群、购物篮分析、流失预测、文案生成、商品描述优化等多个电商关键环节。我们构建了听起来更智能、看起来更强大的解决方案。这些融合了 LLM 的新方法,效果到底怎么样?我们如何科学、客观地评估它们带来的真正价值?电商痛点聚焦:“智能”≠“有效”,如何量化价值?仅仅因为使用了炫酷的 LLM 技术,并不意味着最终结果一定更好。
2025-05-04 20:23:00
1067
原创 Python 数据智能实战 (11):LLM如何解决模型可解释性
— 不只知其然,更要知其所以然:借助 LLM,揭开复杂模型决策的神秘面纱在前面的篇章中,我们学习了如何利用 LLM 赋能用户分群、购物篮分析、流失预测以及个性化内容生成。我们看到了 LLM 在理解数据、生成特征、提升模型效果和自动化内容方面的巨大潜力。模型的可解释性 (Model Interpretability / Explainability)。电商痛点聚焦:模型效果好,但“为什么”?想象一下,你构建了一个非常精准的用户流失预测模型,它成功预测出某位高价值用户即将流失。“为什么这个用户会流失?
2025-05-04 20:17:09
1196
原创 Python 数据智能实战 (10):智能商品推荐 - LLM “猜你喜欢”
— 从协同过滤到语义理解:融合 LLM,打造更懂用户心意的个性化推荐在之前的篇章里,我们已经见证了 LLM 在用户分群、购物篮分析、流失预测、内容生成等多个电商环节的赋能潜力。今天,我们将聚焦于电商平台的“心脏”之一,也是用户体验和商业转化的核心驱动力——商品推荐系统 (Recommendation System)。个性化推荐系统早已是各大电商平台的标配。“猜你喜欢”、“为你推荐”、“相关商品”等模块无处不在。
2025-05-03 20:41:21
1268
1
原创 Python 数据智能实战 (9):商品描述“一键优化” - LLM 助你写出爆款“带货文案”
— 告别平庸描述,提升点击与转化:用 LLM 分析、改写、生成高质量商品详情页上一篇,我们探索了如何利用 LLM 规模化地生成个性化营销文案,精准触达目标用户。今天,我们将聚焦于电商转化链路中至关重要的一环——商品详情页商品描述。一个优秀的商品描述,不仅仅是简单地罗列规格参数,它更应该像一个沉默的王牌销售员在众多同类商品中脱颖而出。让用户快速了解产品的独特卖点和能解决什么问题。通过生动的语言、场景化的描绘触动用户的情感和需求。提前预判并解答用户可能关心的问题,降低决策门槛。
2025-05-03 20:30:32
811
原创 Python 数据智能实战 (8):基于LLM的个性化营销文案
— 告别群发轰炸,拥抱精准沟通:用 LLM 为你的用户量身定制营销信息在前面的篇章中,我们学习了如何利用 LLM 增强用户理解(智能分群)、挖掘商品关联(语义购物篮)、提升预测精度(融合文本特征的流失预警)。我们不断地从数据中提取更深层次的洞察。然而,洞察的最终目的是为了行动。在电商运营中,最直接的行动之一就是通过营销活动触达用户,引导转化。但是,千篇一律的群发营销信息,效果往往越来越差,甚至引起用户反感。群发效果差,打开率、点击率、转化率持续走低?
2025-05-02 21:26:45
1127
1
原创 Python 数据智能实战 (7):智能流失预警 - 融合文本反馈
— 不再错过关键预警!结合用户行为与 LLM 文本洞察,构建更精准的流失预测模型在之前的探索中,我们学习了如何利用大语言模型 (LLM) 对用户评论进行深度挖掘,提取情感、发现主题,并将非结构化的文本信息转化为有价值的特征 (如 Embeddings)。用户流失预测 (Customer Churn Prediction)。用户流失是悬在所有电商企业头上的“达摩克利斯之剑”。获取新客户的成本远高于维护老客户,因此,及早、准确地识别出有流失倾向的用户并采取有效的挽留措施,对企业的持续增长至关重要。
2025-05-02 21:20:03
1064
原创 Python 数据智能实战 (6):用户评论深度挖掘
— 从繁杂评论到精准洞察:主题发现与情感趋势分析,驱动产品优化与体验提升在上篇内容中,我们学习了如何利用 LLM 提升用户分群的精度,以及如何超越传统购物篮分析,挖掘商品间的语义关联。今天,我们将聚焦于电商领域价值密度最高的非结构化数据之一——用户评论 (Customer Reviews)。用户评论是用户与品牌/产品直接“对话”的宝贵窗口。用户对产品具体功能、特性的真实反馈(优点、缺点、使用体验)。用户对服务流程(物流、客服、包装等)的满意度与抱怨点。用户未被满足的需求或新的期望。用户的。
2025-05-01 22:13:42
1024
1
原创 Python 数据智能实战 (5):语义购物篮分析 - 从“常一起买”到“为何一起买”的深度洞察
— 超越频繁项集,挖掘商品语义关联与互补性,驱动更智能的推荐与组合策略购物篮分析 (Market Basket Analysis),并探索如何利用 LLM 为其注入“语义理解”的能力,从而挖掘出远超传统方法的深度洞察。传统的购物篮分析,最经典的算法莫过于Apriori。它通过计算支持度 (Support)置信度 (Confidence)和提升度 (Lift)等指标,能够有效地发现那些经常被用户同时购买的商品组合(频繁项集和关联规则)。{牛奶, 面包} -> {黄油}
2025-05-01 21:54:28
773
原创 Python 数据智能实战 (4):智能用户分群 - 融合行为
— 超越 RFM 标签,结合用户行为与 LLM 文本洞察,实现更精准、更立体的客户细分欢迎回来!在前面的学习中,我们已经为 Python 数据智能工具箱添置了与大语言模型 (LLM) 交互的能力,特别是掌握了如何利用 LLM 将非结构化的文本信息转化为包含深层语义的数值向量——Embeddings。用户分群 (User Segmentation)。传统的用户分群方法,例如经典的RFM 模型。
2025-04-30 15:18:11
1046
原创 Python 数据智能实战 (3):特征工程进化论 - 从文本到向量,LLM Embeddings 实战
— 解锁文本深层语义,将用户评论、商品描述转化为模型可用的“智慧特征”在上一篇博客中,我们成功搭建了 Python 与大语言模型 (LLM) 交互的桥梁,并初步掌握了通过 Prompt Engineering 让 LLM 理解和执行我们指令的艺术。我们甚至小试牛刀,利用 LLM 对电商评论进行了初步的情感分类。这仅仅是冰山一角!LLM 的真正威力远不止于此。如何让主要处理数值和类别数据的机器学习模型,“理解”非结构化的文本信息?电商痛点再聚焦:文本数据的“次元壁”
2025-04-30 09:53:35
769
原创 Agent开源工具:mcp快速接入,mcp-use上手指南
MCP(Modular Component Protocol)是一种模块化组件协议,旨在为LLM(大语言模型)提供标准化的工具调用接口。通过MCP协议,任何LLM都可以无缝接入浏览器操作、文件系统、3D建模等数百种工具能力。
2025-04-29 18:15:13
976
原创 Python 数据智能实战 (2):LLM 工具箱搭建 - API/库实操与高效 Prompt 设计入门
— 工欲善其事,必先利其器:连接你的 Python 与 LLM 大脑,掌握“对话”的艺术本篇博客,我们将聚焦于“工欲善其事,必先利其器”这一核心环节,带你完成以下关键任务:了解访问 LLM 的主要方式 (云 API vs. 本地模型),并为入门选择合适的路径。学习如何配置环境,安装必要的库,并通过 Python 代码调用 LLM 服务 (以 OpenAI API 为例)。理解什么是 Prompt,为何它如此重要,并掌握设计有效 Prompt 的核心原则与基础技巧。
2025-04-29 16:36:42
1180
原创 数据挖掘专栏介绍:用 Python + 大语言模型 (LLM) 重塑电商数据价值
— 不止于挖掘,更要智能涌现:用 Python + 大语言模型 (LLM) 重塑电商数据价值或许你已经跟随我们之前的“零基础上手Python数据分析”专栏,掌握了 Pandas 的数据操纵、Matplotlib/Seaborn 的可视化呈现,甚至对传统的数据挖掘技术如聚类、分类、回归有了初步的了解。你可能已经能够从数据中提取信息,生成报表,甚至构建一些基础的预测模型。但是,你是否感受到了瓶颈和机遇?海量“非结构化”数据,传统方法力不从心?面对汹涌而来的用户评论、商品描述、客服聊天记录、社交媒体帖子等。
2025-04-29 16:03:24
1290
原创 大模型推理加速:深度解析 vLLM 中的并行技术 (Tensor/Pipeline/Sequence)
大型语言模型(LLM)的规模正在以前所未有的速度增长,从数十亿到数万亿参数。这为我们带来了强大的 AI 能力,但也给模型的部署和推理带来了巨大的挑战。单个 GPU 往往难以容纳整个模型,即使能容纳,推理速度也可能无法满足实时应用的需求。为了克服这些限制,分布式并行推理技术应运而生。vLLM作为一个专注于 LLM 推理优化的高性能库,在其设计中巧妙地集成了多种并行策略,以最大限度地利用多 GPU 或多节点的计算资源,实现低延迟、高吞吐量的推理服务。
2025-04-28 10:10:23
278
原创 通过数据增强打造抗噪音多模态大模型
未来的研究将继续探索更先进的数据增强技术(如基于生成模型的增强)、更智能的噪音感知与处理机制,以及更高效的训练方法,持续推动 MLLM 在复杂声学环境下的性能边界。,我们可以将这些抗噪音数据的作用发挥到极致,最终打造出能够在各种真实场景下稳定、可靠工作的多模态大模型,让 AI 的“耳朵”真正无惧喧嚣,“声”入人心。除了对干净语音进行增强,我们还可以构建一些特殊类型的训练数据,进一步提升模型的抗噪音能力和特定场景下的交互能力。:需要大量的、多样化的噪音/无效语音样本,以及明确的标签来教会模型区分。
2025-04-27 17:40:14
355
原创 零基础上手Python数据分析 (终章):[综合案例实战] 视频游戏销售分析 - 全流程演练,从数据到洞察
— 终极挑战!整合所学,完成你的数据分析代表作,用 Python 解读游戏市场经过前面二十多篇博客的系统学习和练习,你已经从 Python 的基础语法出发,一路披荆斩棘,掌握了 NumPy 的数值计算基础,精通了 Pandas 的数据处理与分析核心操作,并学会了使用 Matplotlib 和 Seaborn 将数据转化为富有洞察力的可视化图表。现在,是时候将所有这些“武功秘籍”融会贯通,像一名真正的数据分析师一样,独立完成一个从头到尾的数据分析项目了!本次实战目标:视频游戏销售数据分析。
2025-04-27 10:26:36
641
原创 【Agent python实战】ReAct 与 Plan-and-Execute 的融合之道_基于DeepSeek api
大型语言模型(LLM)驱动的 Agent 正在从简单的任务执行者向更复杂的问题解决者演进。在 Agent 的设计模式中,以其步步为营、动态适应的特性见长,擅长处理需要与环境实时交互、快速响应的任务。而则强调前瞻性规划,先制定宏观蓝图再逐一执行,更适合需要长远策略和复杂步骤的任务。但这两种模式并非完全对立,它们各有优劣。ReAct 可能在长期任务中“迷路”,Plan-and-Execute 则可能因初始规划的偏差而显得“僵化”。
2025-04-26 21:38:00
293
原创 零基础上手Python数据分析 (24):Scikit-learn 机器学习初步 - 让数据预测未来!
在前面的学习中,我们已经掌握了使用 Python、Pandas、NumPy、Matplotlib 和 Seaborn 进行数据处理、分析和可视化的全套核心技能。我们学会了如何从数据中提取信息、清洗数据、整合数据、探索数据模式并将其可视化呈现。现在,我们站在了一个新的起点。数据分析不仅在于理解过去和现在,更在于利用数据预测未来、发现隐藏的规律、甚至让机器具备自主学习和决策的能力。这就是机器学习 (Machine Learning, ML)的魅力所在。机器学习:数据分析的延伸与升华机器学习。
2025-04-26 20:31:22
1065
原创 【Agent实战】从0到1开发一个Python 解释器 MCP SSE Server
想象一个场景:LLM Agent(如 AutoGPT、MetaGPT 或我们自己构建的 Agent)在规划任务后,决定需要运行一段 Python 代码来处理数据或调用某个 API。它不能直接在自己的环境中执行(通常不具备这个能力,也不安全),而是需要将这段代码发送给一个专门的外部服务来执行,并取回结果。这个外部服务,我们可以称之为具备“Python 解释器”功能的。更进一步,为了提供实时的执行反馈(例如,长时间运行任务的中间输出、或者流式生成的数据),我们希望这个 Server 能够通过将结果流式。
2025-04-25 18:18:23
323
原创 零基础上手Python数据分析 (23):NumPy 数值计算基础 - 数据分析的加速“引擎”
— 超越原生 Python 列表,解锁高性能数值计算,深入理解 Pandas 的底层依赖在前面一系列关于 Pandas 的学习中,我们已经领略了其在数据处理和分析方面的强大威力。我们学会了使用 DataFrame 和 Series 来高效地操作表格数据。但是,你是否好奇,Pandas 为何能够如此高效地处理大规模数据?其背后隐藏着怎样的 “秘密武器”?答案就是我们今天要深入学习的主角——。NumPy:Python 科学计算的基石NumPy是 Python 中用于科学计算的基础核心库。一个强大的。
2025-04-25 17:46:24
770
原创 零基础上手Python数据分析 (22)案例实战]之利用 Matplotlib & Seaborn 进行电商销售数据可视化分析
— 图表为刃,洞察先行!综合运用 Pandas、Matplotlib 与 Seaborn,点亮数据价值本篇通过一个完整的案例实战,体验如何将数据分析与数据可视化紧密结合,让冰冷的数据转化为生动、直观、富有洞察力的视觉故事!本篇博客将延续我们在第 17 篇案例中使用的模拟电商销售数据,利用 Matplotlib 和 Seaborn 对经过 Pandas 处理和分析的数据进行可视化呈现。可视化关键业务指标 (KPIs) 的变化趋势。直观比较不同类别(如产品、地区)的表现。探索变量之间的潜在关系。
2025-04-24 21:14:33
1156
原创 Jina AI node-DeepResearch:Deep Research如何设计与实现
人工智能驱动的研究工具正在迅速发展,其在自动化复杂信息收集和分析方面的潜力日益凸显。诸如OpenAI的Deep Research等先进系统应运而生,旨在通过迭代的方式探索和整合信息,从而为用户提供深入的答案。与此同时,开源的代表项目也不少,比如Jina AI的. 本篇博客旨在对项目进行详尽的分析,并基于其核心理念和功能,基于Python去做简单实现。
2025-04-24 21:06:21
472
原创 基于python手撕一个会规划执行的Agent
不依赖 LangGraph框架,我们能否实现一个 Plan-and-Execute 风格 的Agent。相比于 ReAct 的步步为营,Plan-and-Execute 在处理需要长远规划、步骤间依赖性强、或者目标相对稳定的任务时可能更具优势。它强制 LLM 进行前瞻性思考,并允许将复杂的规划任务与相对简单的执行任务解耦,甚至可以使用不同能力的模型来分别处理。本篇博客将深入探讨 Plan-and-Execute Agent 的原理,并使用 Python从零开始。
2025-04-23 18:44:14
639
原创 ReAct Agent 实战:基于DeepSeek从0到1实现大模型Agent的探索模式
大型语言模型(LLM)的崛起开启了通用人工智能(AGI)的无限遐想。但要让 LLM 从一个被动的“文本生成器”转变为能够主动解决问题、与环境交互的智能体(Agent),我们需要赋予它思考、行动和学习的能力。框架正是实现这一目标的主流范式之一。在观察环境后进行思考(Reasoning),基于思考决定下一步行动(Action),执行行动后观察结果(Observation),然后根据新的观察再次思考…
2025-04-23 18:33:57
903
原创 零基础上手Python数据分析 (21):图表选择困难症?常用可视化类型详解与应用场景指南
— 告别盲目绘图,理解图表语言,为你的数据找到最佳“代言人”在前面几篇博客中,我们已经学习了使用 Matplotlib 和 Seaborn 这两大 Python 可视化利器来绘制各种图表。我们掌握了创建折线图、柱状图、散点图、箱线图等常用图表的技术。然而,仅仅知道如何绘制图表是不够的,更重要的是知道何时使用哪种图表。图表选择的重要性:让数据说话,而非混淆视听选择错误图表无法清晰地展示你想表达的数据模式或洞察。不恰当的图表选择可能会扭曲数据,让观众产生错误的理解。
2025-04-22 19:52:39
840
专栏附带练习题与参考答案-零基础上手Python数据分析
2025-05-12
谷歌大模型prompt编写指南
2025-05-07
基于python从0到1实现一个plan-execute方案的Agent(快速学习原理和实现)
2025-04-25
算法面试2025中国移动算法面试编程题目及参考答案:1)服务器集群通信统计,2)整数1出现次数计算
2025-04-16
python脚本:利用openai接口模拟相声对话,AI郭老师和于老师已上线(DeepSeek接口也通用)
2025-02-20
本资源是学生成绩统计案例,涵盖了C语言入门阶段的核心知识点 通过代码实现、详细分析和教学扩展,可以帮助初学者逐步掌握C语言编程的基础
2025-02-17
DeepSeek模型本地部署指南:Windows与macOS环境下DeepSeek R1模型的快速安装与使用
2025-02-11
包含DeepSeekR1的论文以及清华版的入门进阶文档
2025-02-11
python脚本利用deepseek一键创作抖音文案(结合实时更新的百度热搜)
2025-02-10
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人