YOLO目标检测创新改进与实战案例专栏介绍了YOLO的有效改进，包括使用新型视觉Transformer——Swin Transformer。Swin Transformer解决了Transformer在视觉领域的尺度变化和高分辨率问题，采用分层结构和移位窗口自注意力计算，适用于多种视觉任务，如图像分类、目标检测和语义分割，性能超越先前最佳模型。此外，文章还展示了如何在YOLOv8中引入Swin Transformer，并提供了相关代码实现。

比较本地部署与私有云方案：选择适合你的ERP系统

深入探究ERP系统的仓库与库存管理模块

通过一系列优化，我们将 Paimon x Spark 在 TpcDS 上的性能提高了37+%，已基本和 Parquet x Spark 持平，本文对其中的关键优化点进行了详细介绍。

阿里云通义百炼平台流程编排使用教程。

RAG（检索增强生成）旨在通过提供额外上下文帮助大型语言模型（LLM）生成更精准的回答。现有的RAG系统由独立组件构成，效率不高。RAG 2.0提出了一种预训练、微调和对齐所有组件的集成方法，通过双重反向传播最大化性能。文章探讨了不同的检索策略，如TF-IDF、BM25和密集检索，并介绍了如SPLADE、DRAGON等先进算法。目前的挑战包括创建可训练的检索器和优化检索-生成流程。研究表明，端到端训练的RAG可能提供最佳性能，但资源需求高。未来研究需关注检索器的上下文化和与LLM的协同优化。

【4月更文挑战第12天】本文详细介绍了MXNet深度学习框架的安装步骤，包括Python、conda和R用户的安装方法，以及GPU支持的选项。在安装过程中可能遇到网络问题、依赖冲突和GPU支持问题等，文中给出了相应解决策略。安装后，通过简单的代码示例验证MXNet是否正常工作，从而顺利完成本地环境搭建。

在Ubuntu系统，创建一个docker，然后搭建conda深度学习环境，这样可以用conda或pip安装相关的依赖库了。

本文根据2023云栖大会阿里云研究员，阿里云计算平台事业部首席架构师，阿里云人工智能平台PAI和大数据开发治理平台DataWorks负责人---林伟演讲实录整理而成，演讲主题：”大数据AI一体化的解读“。

运筹优化工具库介绍

关注TechLead，分享AI领域与云服务领域全维度开发技术。本文全面回顾了机器学习的发展历史，从早期的基本算法到当代的深度学习模型，再到未来的可解释AI和伦理考虑。文章深入探讨了各个时期的关键技术和理念，揭示了机器学习在不同领域的广泛应用和潜力。最后，总结部分强调了机器学习作为一种思维方式和解决问题的工具，呼吁所有参与者共同探索更智能、更可持续的未来，同时关注其潜在的伦理和社会影响。

【4月更文挑战第7天】本文介绍了如何使用Apache Hive与Hadoop构建大数据仓库。Hadoop的HDFS和YARN提供分布式存储和资源管理，而Hive作为基于Hadoop的数据仓库系统，通过HiveQL简化大数据查询。构建过程包括设置Hadoop集群、安装配置Hive、数据导入与管理、查询分析以及ETL与调度。大数据仓库的应用场景包括海量数据存储、离线分析、数据服务化和数据湖构建，为企业决策和创新提供支持。

【4月更文挑战第7天】Presto是高性能的分布式SQL查询引擎，专为大规模数据交互式分析设计。它采用分离式架构，内存计算和动态规划优化查询，支持跨源查询、交互式查询和ANSI SQL兼容性。应用于大数据分析、实时数据湖查询和云原生部署。Presto的灵活性和效率使其在大数据处理领域备受推崇，适合分析师、数据科学家和IT架构师使用。未来将在博客中分享更多实践和案例。

为了简化 eBPF程序的开发流程，降低开发者在使用 libbpf 库时的入门难度，libbpf-bootstrap 框架应运而生。本文详细介绍基于原生libbpf库的eBPF编程改进方案。

Flink报错通常是指在使用Apache Flink进行实时数据处理时遇到的错误和异常情况；本合集致力于收集Flink运行中的报错信息和解决策略，以便开发者及时排查和修复问题，优化Flink作业的稳定性。

Flink CDC（Change Data Capture）是一个基于Apache Flink的实时数据变更捕获库，用于实现数据库的实时同步和变更流的处理；在本汇总中，我们组织了关于Flink CDC产品在实践中用户经常提出的问题及其解答，目的是辅助用户更好地理解和应用这一技术，优化实时数据处理流程。

Flink CDC（Change Data Capture）是一个基于Apache Flink的实时数据变更捕获库，用于实现数据库的实时同步和变更流的处理；在本汇总中，我们组织了关于Flink CDC产品在实践中用户经常提出的问题及其解答，目的是辅助用户更好地理解和应用这一技术，优化实时数据处理流程。

为集成LLM到测试平台提供更便捷的方式：为讯飞的LLM星火创建接入LangChain类（全部源代码）

本期将重点介绍Hologres推出计算组实例，Hologres支持JSON数据 ，Hologres向量计算+大模型能力，Hologres数据同步新能力，Hologres数据分层存储

该文章主要提供交流学习使用，请勿利用其进行不当行为！ 如本篇文章侵犯了贵公司的隐私，请联系我立刻删除！

本篇详细介绍了搜索场景下智能推荐技术的演变历程，从基础的协同过滤算法到个性化推荐的深度学习实现。通过代码示例，读者可以了解不同阶段推荐算法的原理和实际应用，以及如何评估推荐效果。文章旨在帮助读者深入理解智能推荐的发展趋势，为构建更智能、个性化的推荐系统提供有益的指导。

该SQL代码用于统计用户连续下单的日期区间。首先按`user_id`和`order_date`分组并去除重复，然后使用`row_number()`标记行号，并通过`date_sub`与行号计算潜在的连续日期。接着按用户ID和计算后的日期分组，排除连续订单数少于2的情况，最后提取连续下单的起始和结束日期。输出结果展示了用户连续下单的日期范围。

Lazada选品平台包含全网商家、商品的圈选，通过Hologres RoaringBitmap能力帮助业务突破选品池20w大小限制，6000+选品池调度完成由12h下降至1h，单个选品池调度时间由90s下降至2s。

阿里云研究员、阿里云人工智能平台 PAI 技术负责人--林伟在GTC 2024 大会 China AI Day 线上中文演讲专场上介绍了TorchAcc，这是一个基于 PyTorch/XLA 的大模型分布式训练框架。

本文介绍了时间序列特征工程，包括滚动统计量、滞后特征、差分和变换等技术，用于提升机器学习模型性能。文章还推荐了Python库`feature-engine`，用于简化特征提取，如处理缺失值、编码分类变量和进行时间序列转换。示例代码展示了如何使用`feature-engine`提取时间戳信息、创建滞后特征和窗口特征。通过创建管道，可以高效地完成整个特征工程流程，优化数据预处理并提高模型效果。

我们在以前的文章中已经介绍了使用大语言模型将非结构化文本转换为知识图谱。但是对于知识图谱的创建是一个很复杂的过程，比如需要对属性增加限制，创建符合特定主题/模式的图谱，并且有时文档非常大，无法作为单个提示处理，所以在切分后的提示中创建的图谱需要前后一致。