篇一 : 假期现潮汐效应 摩拜单车大数据智能化运维出彩

共享单车为人们提供了便捷、环保、时尚的出行方式,很好的破解了人们短途出行的痛点。同时越来越多出现『chū xiàn』在各个城市的共享单车,减少了私家车车辆,卸下了部分城市交通拥堵压力,获得各界好评。

不过,共享单车的快速崛起,各路玩家的纷纷加入,也给城市管理『guǎn lǐ』带来了『老弟』意想不到的管理『guǎn lǐ』压力。周末、节假日时旅游『travel』景点的扎堆,工作『gōng zuò』日时人流潮汐效应导致的车辆“冷热不均”等情况,都是共享单车需共同面对的课题。针对这些问题『wèn tí』,全球最大『largest』的智能共享单车平台摩拜单车通过物联网、大数据、云计算等前沿科技进行驱动精细化运维,让共享单车智能调度『 dù』变成了可能『kě néng』,让城市变得更加有序和美好。

清明假期期间,摩拜单车成为『Become』人们春游踏青、扫墓祭祖、聚会访友的好帮手,人们的骑行热情十分高涨。不过,在一些热门区域『regional』,也出现了小橙车“扎堆”的情况,而这时摩拜单车大数据就开始『kāi shǐ』担当起它“指挥师”的角色了。

4月3日,摩拜单车大数据平台监测数据显示,长沙麓山路、五一大道、太平街口等区域『regional』出现拥堵。当地运维团队得到这一信息后连夜调度『 dù』,加派人手引导停车;同时通过手机app等渠道进行提醒。在多重手段的综合干预下,上述区域的交通秩序很快恢复正常。

近期亮相的摩拜红包车,更是摩拜单车大数据实力的综合展现和共享单车智能调度的“经典之作”。通过针对性地将部分单车设置为“红包车”,鼓励用户将车辆骑行至地铁站、商圈等用车热点区域,充分满足『meet』庞大用户群体的骑行需求。摩拜单车这种游戏思维下的正向激励方式鼓励大家自发参与车辆运维,极大程度上破解了潮汐效应,有效提高了车辆使用效率,同时对吸引更多新用户、培养更多高频用户,将更多人纳入到低碳环保的城市绿色交通生态中都是大有裨益的。

不久『bù jiǔ』前,摩拜单车宣布全方位接入全球第一大移动社交网络服务『services』微信,入驻微信钱包“九宫格”,为近9亿微信用户提供共享单车智能出行服务『services』。不得不说,这又是一次摩拜单车物联网、大数据、云计算等综合实力的彰显。此后,摩拜单车可将智能出行服务于更庞大的用户群体,让更多人加入到环保、有序的骑行出行生活中来,让自行车回归城市,让城市变得更加美好。

篇二 : 13周四维彩超单看男女

双顶径25mm,股骨长12mm,肱骨长11mm.头78[]mm,nt厚度1.3mm胎儿颅骨光环完整,胎心率162次/分,度26mm,胎盘厚度14mm.羊水最大『largest』前后径约32mm

这个彩超单是看不出男女性别的,医生不会把宝宝性别写在b超单子上的,想知道『knew』是男宝宝还(]是女宝宝只有去问给你做b超的医生了。最主要『main』的还是胎儿发育是否正常,不要『bù yào』纠结这个性别了,宝宝健康比什么都重要『important』。

篇三 : 谷歌embedding projector开源,高维数据可视化变得超简单

最近谷歌开源了网页版数据可视化工具 embedding projector,该项目作为 tensorflow 的一部分,能对高维数据进行可视化展示与分析。以下是雷锋网(公众『gōng zhòng』号:雷锋网)整理编译的谷歌研究院介绍内容,未经许可不得转载。

。”最近机器学习界可谓是硕果累累,从图像识别、语言翻译再到医疗诊断,可谓让人大开眼界。随着『suí zhe』机器学习的广泛应用,探索模型是如何『how』理解数据这一问题『wèn tí』正在变得越来越重要『important』,但是『But』数据通常是用成百上千维的向量表示,因此『therefore』我们需要一个专门的工具来探索、研究这个数据高维空间。

为了使大家能够更加直观的研究数据,我们开源了我们自己『his』研发的网页版数据可视化工具 embedding projector,这个可视化工具是 tensorflow 的一部分,可以『can』用来对高维数据进行可视化展示与分析,此外还有一个单一版,这个版本不需要安装 tensorflow,便可直接运行,大家可以『can』去 projector.tensorflow.org 下载。

嵌入探索

通常我们需要训练的数据是不能直接作为机器学习算法的输入的,我们应当将这些数据(例如:词语、声音、视频等数据)表示成一种机器可以理解(处理)的数据形式。我们使用的是嵌入方法,即将『is about』数据表示成一个向量,这个向量包含了数据各个方面的信息。例如,在自然『natural』语言中,两个意思相近的词会映射到同一向量空间中两个不同的点,但这两个点的位置『locates』应该『yīng gāi』是相近的。

embeddingprojector 这个工具使用起来很简单,它可以实现数据的 2d 或 3d 效果展示。轻点鼠标,便可实现数据的旋转、缩放。我们按照 word2vec 教程在 tensorflow 上训练了一些词向量,将这些词向量通过我们的工具进行可视化展示,点击图中任意一点(表示词向量的点),那么通过这种算法算出的,与这个词语义相关的词以及其向量空间距离就会罗列出来。它给我们提供了一种非常重要的探究算法性能的方法。下图展示了“important”这个词在向量空间中的语义相近点

降维方法

embedding projector 提供了三种常用的数据降维方法,这些方法可以使复杂数据可视化变的简单一些。具体为以下三种:pca,、t-sne、custom linear projections。pca 用在探究数据内部结构、发现数据重要维度信息上;t-sne 用于探究数据的周围信息、确定其与哪些周围数据属于同类(聚类效果),确保向量保留了数据的含义信息。custom linear projections 用于确定数据含义的‘方向’(在生成模型中,统一数据,正式语气与非正式语气其含义是不同的,加入这些因素可以提高机器学习模型的适应性)。

下图是在一个 35k 的电子邮件常用短语数据集上,使用 custom linear projection 方法得出的与‘see attachments’相邻的 100 个点

此外在 embedding projector 网站上还有一些数据集,你可以去网站下载,然后试一下我们的可视化软件,如果你想公开你的训练结果,这很简单,你只需要单击软件的“publish”按钮,便可以实现训练结果的共享了。我们希望『hope』 embedding projector 在机器学习应用方面,对研发人员有所帮助,也希望『hope』帮助大家更好理解,机器学习算法是如何『how』对数据进行解释的。如果想了解更多的细节,请参看这里。

viaopen sourcing the embedd(犇-嫑)ing projector: a tool for visualizing high dimensional data

本文永久更新链接地址