- 综合排序
- 最热优先
- 最新优先
- 来自专栏北京马哥教育
为什么Python Web流行度不如PHP？
引用 @Rio 的看法：我觉得 Python 不会像 PHP 那样流行，根本原因在于部署的难易程度。 Python 网络应用部署最简单的应该是 App Engine，采用了类似 PHP 的生命周期（请求处理 30 秒限制，超时被终止，无法运行常驻进程），极大简化了管理难度，但是国内无法访问… 所以从流行程度上讲 但是这个流行程度对于创业公司、专业人士来说没有什么意义。很多核心的网络应用不适合用 PHP 的短暂请求处理机制实现（比如准实时 push 提醒、网页即时聊天等），而更加适合由常驻进程来处理。
1.8K120发布于 2018-05-04 - 来自专栏数据库新发现
数据库流行度排行榜
紧随前3强的是 PostgreSQL 和 MongoDB ，这两个兄弟长久以来相伴相生，在历史上已经经过了积分的3度交错，作为后起之秀的 MongoDB 可谓后生可畏，今年以来积分上升了 10%，本月更是前五名中唯一获得增长的数据库产品
1.5K20发布于 2018-09-05 - 来自专栏让技术和时代并行
Rust 的未来：特点、流行度和挑战
由于 Google、Microsoft 和 AWS 等公司的兴趣，Rust 巩固了其作为开发人员中最流行的编程语言之一的地位。 为什么每个人都喜欢 Rust？ Rust 的流行保证了社区的不断发展以及对公共存储库的大量贡献。该语言预计在未来几年将进一步发展。 哪些项目使用了 Rust？ Rust 的设计主要是为了确保高性能和安全性。 业界认可 Rust 的潜力，预计它在未来会更加流行。 Rust 的新鲜度被认为是一个缺陷，但它使该语言更适应现代问题。在软件定义一切的时代，Rust 满足了许多其他语言无法满足的需求。 如果 Rust 继续流行几年，它可能会成为许多领域的标准语言。“Rust 提供了高级抽象和低级控制的独特组合，这使得它非常适合构建安全且高性能的系统软件。”
1.8K20编辑于 2023-10-08 用JAVA测量DEA页面的社交媒体流行度
在这篇博文中，我们将实现一个JAVA数据包络分析的实例，我们将用它来评估网页上的网页和文章的社交媒体流行度。该代码是开源的（在GPL v3许可下），您可以从Github免费下载。 SocialMediaPopularity类 SocialMediaPopularity是一个应用程序，它使用DEA来评估社交媒体网络上Facebook的喜欢，Google的+1和Twitter中的转推的网页流行度 为了能够估计一个特定页面的流行度，我们必须有一个包含其他页面的社交媒体数据的数据集。这是有道理的，因为为了预测哪个网页是受欢迎的，哪些不是，您必须能够将其与网络上的其他页面进行比较。 loadFile()类函数用于加载DEA的统计信息，getPopularity()类函数是一种易于使用的方法，可以获取Facebook的喜欢，Google的+1和一个页面的转推数量，并评估其在社交媒体上的流行度 ，通过使用来自社交媒体的数据来评估页面的流行度，例如Facebook喜欢，Google + 1和Tweets。
1.8K80发布于 2018-02-06- 来自专栏秋枫学习笔记
流行度偏差的影响因素及去偏方法
2.2 流行度偏差 采用最近提出的流行度-机会偏差，它评估流行和不受欢迎的商品是否收到与其真实受众规模成比例的点击。受欢迎和不受欢迎的商品是否会获得相似的真阳性率？ 这样，过去产生的流行度偏差就会累积，随着反馈循环的继续，导致后续模型中的偏差更多。 3. 分析 3.1 流行度变差的演变 探究随着轮次的不断增加，流行度偏差将如何演变，分别采用MF，随机推荐，按照流行度进行排序，累积点击次数和Gini系数的结果如下图所示，MF 的效用明显高于流行和随机方法 此外，根据流行度排序的方法的累积点击次数先增加后收敛，经过一些迭代后，随机方法甚至可以优于流行度方法，这说明了流行度偏差的危害。 大多数现有的流行度去偏方法都包括这样的去偏强度权重α。 同时，对于高偏差的情况，热门商品会过度推荐给不匹配的用户产生假阳性信号，如果我们可以根据这些假阳性信号来纠正推荐，就可以降低流行度偏差。
1.9K20编辑于 2022-09-19 - 来自专栏Oracle数据库技术
2021年01月 数据库流行度排名
附录: 2020年12月 数据库流行度排名 2020年11月 数据库流行度排名 2020年10月 数据库流行度排名 公众号2020年总结
70320发布于 2021-01-26 - 来自专栏张善友的专栏
C# 在流行度指数上将超过Java
2023年10月最新的TIOBE编程语言流行指数表明：C#和Java之间的差距从未如此之小，目前，差异仅为1.2%，如果趋势保持这种状态，C#将在大约2个月内超过Java，TIOBE Software首席执行官 TIOBE指数每月跟踪编程语言的流行程度，使用的方法考虑了多个来源，包括全球熟练工程师的数量，课程和第三方语言供应商，同时还招募流行的搜索引擎以获取数据来计算评级。
69060编辑于 2023-10-26 - 来自专栏秋枫学习笔记
推荐学习（六）——点击原因解耦：用户兴趣，item流行度
所提出的DICE框架具有较好的可解释性，并且在非独立同分布的数据上具有较好的鲁棒性 此处的一致性，本人也不是特别理解，从文中判断是和item流行度相对应的特征 方法 将原因分为两类之后，可以构建新的因果图 方案： M^I 表示user和item之间的兴趣匹配矩阵， M^C 表示user和item之间的流行度一致性匹配矩阵。相当于将user-item矩阵分成了两个。 case1：负样本b（未点击）的流行度小于正样本a（点击）的流行度这样的情况可以说明负样本的流行度小于正样本，不过无法说明用户兴趣的相关信息，可以得到以下不等式 M_{ua}^C>M_{ub}^C M ，这里item的流行度特征和用户的一致性特征是对应的，因此这里作者为了统一就都用con和int表示了。 三元组采样方式（PNSM） 在正负样本流行度差别较大时，上述不等式就很可能成立，因此作者采用以下采样方式：假设正样本的流行度是p（流行度的计算就是其出现的次数），则在采样负样本时，采样流行度大于p+mup
98730编辑于 2022-09-19 - 来自专栏海边的拾遗者
KDD21 | 如何纠正推荐系统中的流行度偏差
该论文从一个全新的视角——因果关系的角度来探讨推荐系统中的流行度偏差问题。 目前针对这个问题的去偏算法主要可以分成三类：（1）逆权重分数：估计物品流行度的倾向性权重，并对每条数据样本利用逆权重分数进行加权。（2）加入无偏数据：通过从额外的无偏数据中学习来纠正流行度偏差。 这些方法能起到一定的去偏效果，但也有一定的局限性，这些方法缺乏对物品流行度如何影响每个特定交互的细粒度考虑，也缺乏对流行度偏差机制的系统理解。 文章认为，消除流行度偏差的关键是了解物品流行如何影响每次交互，而不是盲目地将增加长尾物品的权重。 三、方法介绍 方法介绍共分为三部分：因果图的建立、建模因果效应、消除流行度影响。 ，最后将其去除以消除流行度偏差。
2.7K41编辑于 2022-09-22 - 来自专栏从流域到海域
用JAVA的DEA算法衡量社交媒体页面的流行度
在这篇博文中，我们将开发出一个JAVA数据包络分析的实例，我们将用它来评估网络上的网页和文章的社交媒体流行度。该代码是开源的（在GPL v3 license下），您可以从Github免费下载。 为了能够估计一个特定页面的流行度，我们必须有一个包含其他页面的社交媒体数据的数据集。这是有原因的，因为需要预测哪个网页是受欢迎的，哪些不是，您必须能够将其与网络上的其他页面进行比较。 方法用于加载DEA的上述统计信息，getPopularity()方法是一种易于使用的方法，可以获取Facebook的like，Google的+1和一个页面的Tweets数量，并以此评估其在社交媒体上的流行度 ，通过使用来自社交媒体的数据来评估页面的流行度，例如Facebook的like，Google的+1和Tweets。 为了能够估计更准确的流行(度)分数，需要更大的样本。您可以通过统计来自网络上更多页面的社交媒体计数来创建自己的数据库。
2.2K60发布于 2018-01-29 - 来自专栏图与推荐
KDD21 | 如何纠正推荐系统中的流行度偏差
该论文从一个全新的视角——因果关系的角度来探讨推荐系统中的流行度偏差问题。 这些方法能起到一定的去偏效果，但也有一定的局限性，这些方法缺乏对物品流行度如何影响每个特定交互的细粒度考虑，也缺乏对流行度偏差机制的系统理解。 文章认为，消除流行度偏差的关键是了解物品流行如何影响每次交互，而不是盲目地将增加长尾物品的权重。 三、方法介绍 方法介绍共分为三部分：因果图的建立、建模因果效应、消除流行度影响。 ，并且流行度越高，提升越大，说明了因果去偏的有效性。 ，最后将其去除以消除流行度偏差。
3.2K10编辑于 2021-12-02 - 来自专栏HsuHeinrich
利用圆形棒棒糖图探索密码强度与流行度
利用圆形棒棒糖图探索密码强度与流行度 import matplotlib.pyplot as plt import numpy as np import pandas as pd 数据探索 以下数据如果有需要的同学可关注公众号 fig.patch.set_facecolor("white") ax.set_facecolor("white") # 径向轴刻度对数化 ax.set_rscale('symlog') # 角度起始位置：90度
32110编辑于 2025-10-20 - 来自专栏CDA数据分析师
盘点2015年度10大最流行的Python库
Python编程语言的一大优势，就在于其丰富的第三方库。经过过去一年的时间，Python的世界中又涌现出了哪些优秀的第三方库呢？在本文中，我将给大家介绍2015年新出现的十大Python开发库。这里比较的范围，指的是在2015新开发或创建的第三方库。 1.Keras Keras是一个高度模块化的神经网络库，用Python语言编写，可以基于TensorFlow或Theano框架运行。Keras的开发者在设计时，就注重支持快速实验这一特性。使用Keras库，可以极大地缩短从想法到实现之间的时间。 2.yapf
1.3K80发布于 2018-02-05 - 来自专栏CDA数据分析师
2017年度盘点：15个最流行的GitHub机器学习项目
NIPS 是一年一度的机器学习和计算神经科学会议。 过去几年中，数据科学领域内的大部分突破性研究都曾作为研究结果出现在 NIPS 大会上。如果你想站在领域前沿，那这就是很好的资源！ 2.4 DeepSpeech 项目地址： https://github.com/mozilla/DeepSpeech DeepSpeech 是百度开发的开源实现库，它提供了当前顶尖的语音转文本合成技术。 该 repo 由百度研究院开发，目的是将深度学习模型以低复杂性和高速度部署到移动设备（例如 Android 和 IOS）上。 该 repo 解释了一个简单的用例，即目标检测。 它使用了所有流行的基于 Python 的 TensorFlow 库进行编程。
1.1K100发布于 2018-02-05 - 来自专栏大数据文摘
百度上线流行病预测，大数据进入应用模式
如谷歌的“流行感冒预测”就是目前海外认知度颇高的案例，他们把5000万条美国人最频繁检索的词条和美国疾控中心在2003年至2008年间季节性流感传播时期的数据进行了比较，最终通过数学模型的搭建，构成了预测系统 目前，谷歌流行疾病预测包括了流感趋势、登革热趋势。 中国政府相关部门也在2010年开始尝试与百度等互联网科技公司合作，尝试通过大数据的挖掘管理，分析实现流行疾病预警管理。 提供这项大数据预测服务的是百度，数据源除了query数据之外，还用到了google没有用到的微博数据，以及百度知道的与疾病相关提问的趋势。 在具体的数据分析与挖掘方面，百度疾病预测将地区差异作为重要变量，针对每个城市分别建模，光是基于数据输出模型就达到300余个。 加之后台数据的精心准备，让百度的疾病预测在最终的产品端可以提供全国331个地级市，2870个区县的疾病态势预测。
75480发布于 2018-05-22 - 来自专栏机器之心
2017年度盘点：15个最流行的GitHub机器学习项目
NIPS 是一年一度的机器学习和计算神经科学会议。 过去几年中，数据科学领域内的大部分突破性研究都曾作为研究结果出现在 NIPS 大会上。如果你想站在领域前沿，那这就是很好的资源！ 2. 项目地址： https://github.com/mozilla/DeepSpeech DeepSpeech 是百度开发的开源实现库，它提供了当前顶尖的语音转文本合成技术。 该 repo 由百度研究院开发，目的是将深度学习模型以低复杂性和高速度部署到移动设备（例如 Android 和 IOS）上。 该 repo 解释了一个简单的用例，即目标检测。 它使用了所有流行的基于 Python 的 TensorFlow 库进行编程。 ? 因为我们希望术语的更新更具准确度和置信度，所以我们希望读者能附上该术语的来源地址与扩展地址。因此，我们能更客观地更新词汇，并附上可信的来源与扩展。 ?
86560发布于 2018-05-11 - 来自专栏企鹅号快讯
2017年度盘点：15个最流行的GitHub机器学习项目
NIPS 是一年一度的机器学习和计算神经科学会议。 过去几年中，数据科学领域内的大部分突破性研究都曾作为研究结果出现在 NIPS 大会上。如果你想站在领域前沿，那这就是很好的资源！ 2. 2.4 DeepSpeech 项目地址： https://github.com/mozilla/DeepSpeech DeepSpeech 是百度开发的开源实现库，它提供了当前顶尖的语音转文本合成技术 该 repo 由百度研究院开发，目的是将深度学习模型以低复杂性和高速度部署到移动设备（例如 Android 和 IOS）上。 该 repo 解释了一个简单的用例，即目标检测。 它使用了所有流行的基于 Python 的 TensorFlow 库进行编程。
1.5K60发布于 2018-01-05 - 来自专栏应用案例
2017年度盘点：15个最流行的GitHub机器学习项目
NIPS 是一年一度的机器学习和计算神经科学会议。 过去几年中，数据科学领域内的大部分突破性研究都曾作为研究结果出现在 NIPS 大会上。如果你想站在领域前沿，那这就是很好的资源！ 2. 2.4 DeepSpeech 项目地址： https://github.com/mozilla/DeepSpeech DeepSpeech 是百度开发的开源实现库，它提供了当前顶尖的语音转文本合成技术 该 repo 由百度研究院开发，目的是将深度学习模型以低复杂性和高速度部署到移动设备（例如 Android 和 IOS）上。 该 repo 解释了一个简单的用例，即目标检测。 它使用了所有流行的基于 Python 的 TensorFlow 库进行编程。
98180发布于 2018-02-01 - 来自专栏编程微刊
2017年度最流行的十大中国开源软件
图片发自简书App 3：JavaScript 图表库 ECharts 官方：http://echarts.baidu.com/ ECharts是一款由百度前端技术部开发的，基于Javascript的数据可视化图表库 原文链接:2017年度最流行的十大中国开源软件 原文作者：祈澈姑娘 技术博客：https://www.jianshu.com/u/05f416aefbe1 90后前端妹子，爱编程，爱运营，爱折腾。
2.7K30发布于 2018-06-01 - 来自专栏数据库新发现
2019年6月数据库流行度排行榜出炉
DB-Engines 的 2019年6月号数据库流行度排行榜出炉，用八个字概括就是：风气云涌与波澜不惊。
84820发布于 2019-06-15
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号