【大模型】ChatGPT 数据分析与处理使用详解
目录
一、前言
二、AI 大模型数据分析介绍
2.1 什么是AI数据分析
2.2 AI数据分析与传统数据分析对比
2.2.1 差异分析
2.2.2 优劣势对比
2.3 AI大模型工具数据分析应用场景
三、AI大模型工具数据分析操作实践
3.1 ChatGPT 常用数据分析技巧操作演示
3.1.1 快速生成数据
3.1.2 在线分析数据
3.1.3 在线提取数据
3.1.4 离线数据提取与分析
3.1.5 提取PPT数据
3.1.6 提取文档数据并分析
3.2 使用GPTs进行数据分析
3.2.1 在线提取数据
3.2.2 在线分析数据
3.2.3 识别图片并提取图片中的数据
3.2.4 处理excel数据
3.3 补充说明
四、写在文末
一、前言
在大多数人的印象中，数据分析是一门神秘而又比较困难的学科技术，属于特殊领域的人才能做的事情，比如大数据工程师，数据专家，BI数据分析师等，但是随着AI等大模型的开源以及当下各种AI助手的广泛使用，普通人也可以借助ChatGPT等AI工具完成一些基本的数据提取，数据转换和数据分析等功能，从而完成之前不敢想象的事情，本文将详细介绍一下如何借助AI等大模型工具完成一些日常的数据分析工作。
二、AI 大模型数据分析介绍
2.1 什么是AI数据分析
AI数据分析是指利用人工智能技术，特别是机器学习（ML）和深度学习（DL），来自动处理、分析和解释复杂数据集的过程。它不仅能够快速处理海量数据，还能发现其中的模式、趋势和关联，为决策提供有力支持。
-
定义：AI数据分析结合了统计学、计算机科学和领域专业知识，通过自动化算法从数据中提取有价值的信息。
-
目标：提高数据分析的速度、精度和效率，辅助或替代人类进行复杂的分析任务。
-
关键技术
-
机器学习
-
深度学习
-
2.2 AI数据分析与传统数据分析对比
AI大模型等工具进行数据分析与传统数据分析方法相比，在多个方面存在差异，且各自具备独特的优劣势。以下是两者的多个维度的对比分析。
2.2.1 差异分析
尽管两者最终的目的相同，都是通过分析数据得出预期的结果，但仍然存在一些差异
-
自动化程度
-
AI工具：高度自动化，能够处理从数据预处理到模型构建、评估的整个流程，甚至可以自动选择最优算法。
-
传统方法：通常需要较多的人工干预，包括手动编写代码、调整参数等。
-
-
处理速度和规模
-
AI工具：擅长处理大规模、复杂的数据集，能够在短时间内完成复杂的计算任务。
-
传统方法：可能在面对海量数据时显得效率较低，且处理时间较长。
-
-
预测能力
-
AI工具：通过机器学习和深度学习算法，AI工具能够更准确地捕捉非线性关系，提供更精确的预测。
-
传统方法：主要依赖于统计学原理，对于某些非线性和复杂模式的识别能力有限。
-
-
灵活性和适应性
-
AI工具：可以根据新数据不断自我优化和学习，具有更强的自适应能力。
-
传统方法：一旦模型建立，其结构相对固定，难以快速适应新的变化或趋势。
-
-
用户友好度
-
AI工具：许多AI平台提供了图形界面和拖拽式操作，降低了使用门槛，使得非技术人员也能轻松上手。
-
传统方法：往往要求使用者具备一定的编程技能和统计知识，对普通用户的友好度较低。
-
2.2.2 优劣势对比
AI大模型工具与传统的数据分析有各自的优劣势，下面分别说明。
1）AI工具优劣势说明：
-
优势
-
高效性：快速处理大量数据，缩短了数据分析周期。
-
准确性：能更好地识别复杂模式，提高预测精度。
-
智能化：支持自动化特征工程、模型选择和调参，减少了人工劳动。
-
可扩展性：易于集成到现有的IT架构中，并随着业务需求的增长而扩展。
-
-
劣势
-
解释性：某些高级AI模型（如深度神经网络）被称为“黑箱”，难以解释其决策过程。
-
数据依赖：性能高度依赖于高质量的数据输入，如果数据质量不佳，可能导致结果偏差。
-
成本较高：初期部署和维护成本可能较高，特别是对于中小企业而言。
-
2）传统数据分析优劣势
-
优势
-
透明性：基于明确的统计假设和公式，结果易于理解和解释。
-
适用性广泛：适用于各种规模的数据集，尤其是小样本量的情况。
-
成本效益：不需要昂贵的硬件设施或复杂的软件环境，适合预算有限的企业。
-
-
劣势
-
灵活性不足：面对快速变化的数据环境时，调整模型较为困难。
-
效率较低：在处理大规模数据时，计算速度和响应时间相对较慢。
-
人力密集：需要更多专业人员参与数据分析过程，增加了人力成本。
-
总结来说，AI工具和传统数据分析方法各有千秋。选择哪种方式取决于具体的业务需求、数据特点以及企业的资源和技术水平。在实际应用中，两者也可以结合使用，以充分发挥各自的长处。
2.3 AI大模型工具数据分析应用场景
AI大模型工具在数据分析中能够发挥巨大作用，特别是在处理复杂、大规模数据集时。这些工具不仅能够快速处理和分析大量信息，还能发现传统方法难以捕捉的模式和关系。以下是AI大模型工具做数据分析的具体使用场景：
-
数据预处理
-
AI工具在数据预处理中发挥重要的作用，包括数据清洗、标准化和转换。
-
通过AI算法，可以自动识别并修正错误数据、填补缺失值，确保数据的完整性和一致性，从而提高后续分析的准确性和效率
-
-
-
模式识别
-
AI可以通过模式识别技术从海量数据中发现隐藏的规律和趋势，为决策提供依据。
-
例如，在金融领域，AI可以从交易数据中识别潜在的欺诈行为；在零售行业，AI可以通过图像识别技术分析顾客的购物行为，优化商品陈列和库存管理
-
-
-
预测分析
-
AI算法，尤其是机器学习和深度学习，能够从大量数据中识别模式并进行预测，帮助企业更准确地预测未来趋势、行为模式和结果。
-
例如，通过分析用户行为数据，企业可以制定个性化的营销策略，提高销售效果
-
-
-
智能推荐系统
-
在电商、在线教育等行业，AI通过对用户行为数据的分析，实现个性化推荐和智能推荐，提高用户满意度。
-
例如，智能推荐系统可以根据用户的浏览和购买历史，推荐相关的商品或课程
-
-
-
风险控制
-
银行、保险等行业可以通过AI技术对海量数据进行快速处理和分析，提高风险预警和识别能力。例如，AI可以实时监测交易数据，识别潜在的欺诈行为
-
-
决策支持
-
AI可以将海量数据转化为可视化图表和报告，帮助企业提高决策效率和准确度。通过数据分析AI技术，企业可以更好地理解市场趋势和客户需求，做出更明智的决策
-
-
自然语言处理
-
NLP技术使得计算机能够理解和分析人类语言。在数据分析中，NLP可以用于处理文本数据，执行情感分析、主题建模和实体识别等任务。例如，通过分析社交媒体上的用户评论，企业可以了解市场反馈和品牌声誉
-
-
聚类和分群分析
-
AI算法可以自动进行聚类分析，将数据分为相似的群组，有助于发现数据中的隐藏结构和模式。例如，在市场细分中，AI可以将客户分为不同的群体，帮助企业制定针对性的营销策略
-
AI大模型工具凭借其强大的计算能力和智能化特性，在多个行业中展现出广泛的应用潜力。随着技术的发展，这些工具将继续拓展其应用场景，为企业和个人带来更多价值。它们不仅提高了数据分析的速度和准确性，还带来了新的业务洞察和创新机会。
三、AI大模型工具数据分析操作实践
接下来将通过实战案例，结合日常工作中常用的数据分析场景为背景进行演示操作，在正式开始之前有下面几个建议需要提前准备或储备：
-
具备使用AI大模型工具的能力，比如像ChatGPT，通义千问，文心一言等，各个大模型虽然底层模型不同，但是使用技巧类似；
-
掌握与AI大模型工具对话的常用提示词技巧，即Prompt技巧，对话中好的提示词能够让AI工具反馈的答案更精准，效果体验更佳；
3.1 ChatGPT 常用数据分析技巧操作演示
ChatGPT升级到4之后，模型背后的数据分析能力也得到了极大的增强，借助GPT的数据分析能力，以及内置的GPTs数据分析助手，可以帮助我们完成很多意想不到的数据功能，下面将一一介绍。
3.1.1 快速生成数据
对很多初入职场的同学来说，做市场调研，或搜集一些可用于支撑业务决策的报告时，往往需要做一些基本的数据调研，这个时候往往会借助各类网站的数据源获取原始数据，如果使用AI大模型工具，只需要通过提问的方式即可完成，比如下面的案例中，我们向GPT问几个问题就可以得到全世界GDP排名前十的国家相关的指标统计。
问题1：
-
请列举出人均GDP前十名的国家，GDP值，国家人口数，并以表格的形式展现
问题2：
-
补充一列新的数据
3.1.2 在线分析数据
针对上一个场景继续深入，假如我们找到了一手数据源的网站，并且这样的网站也给出了不错的有价值的数据源，就可以省去自己把数据爬下来的过程，那么就可以借助GPT等AI工具进行在线的分析，得出你想要的答案，比如这里我们选取一个“国家数据“网站，找到了这样一篇文章：
https://www.stats.gov.cn/sj/zxfb/202412/t20241216_1957755.html
基于文章中的数据，我们希望借助GPT分析数据并得出一些结论，首先给出如下的提示词：
作为数据分析专家，我将给你提供数据，你对数据进行深入分析并给出分析结论：
数据描述：<2024年11月份70个大中城市商品住宅销售价格变动情况>
数据链接：<https://www.stats.gov.cn/sj/zxfb/202412/t20241216_1957755.html>输入对话框之后，GPT给出下面的结论
这个分析还是很详细的，对于分析的结论，如果还有更深入的问题，可以继续提问：
根据提供的数据和分析，预测2025年商品住宅销售的趋势
且不论分析的准确度如何，单就出这个结论，就能省去人工非常多的时间，而只需要对其结论做二次汇总、校验、修正和完善即可，毕竟AI工具是基于算法得出的结论还是具备可靠性的。
有兴趣的同学也可以找一些其他的公开的数据源网站，借助AI工具做下分析尝试，这里再提供另一个开源的数据网站：kaggle
3.1.3 在线提取数据
如果你看到了一篇不错的可用于后续工作中业务使用的文章，而且文章里面的数据对你来说很有参考价值的时候，可以借助AI等大模型工具将文章中的数据提取出来，比如在这里有下面一篇来自wiki的文章
https://en.wikipedia.org/wiki/History_of_artificial_neural_networks
我们的需求是，提取文章中的事件和时间，提示词如下：
请为我提取这篇文章中的重要事件和时间点。文章地址如下：
https://en.wikipedia.org/wiki/History_of_artificial_neural_networks
3.1.4 离线数据提取与分析
如果我们的数据源是一段文本，一张图片，或一个excel，一个PDF等，仍然可以借助GPT等AI大模型能力完成数据的分析，在这个过程中，大模型同时完成了多项工作，比如图片识别，数据提取，数据分析，输出总结，可以说，这些事情放在多年前，任何一项使用一些第三方服务都是价格很高昂的，如下，我们有下面的一张图片，在图片中有一些数据，希望GPT能够提取并转换成excel数据，最后给出分析报告。
提问1：
-
请根据我接下来上传的图片，提取里面的数据并输出为excel，以中文展示
问题2：
-
根据上面的excel数据预测2025年各个编程语言的排名和趋势
3.1.5 提取PPT数据
从一个文档中提取我们需要的信息，比如在下面的文档或PPT中，通过GPT等大模型工具，提取中我们需要的内容。
问题1：
-
根据我上传的文档，提取有关Redis的常用命令，并说明每个命令的简单用法，以excel展现
3.1.6 提取文档数据并分析
当你需要提取文档中的关键数据时，可以考虑使用GPT等大模型工具来帮你完成，如下有一个关于手机报告的文档，我们需要提取文档中的数据输出为excel方便汇总分析
问题1：
-
接下来请根据我上传的文档，提取文档中的关键数据，并输出为excel，以中文展示
问题2：
-
添加一栏
3.2 使用GPTs进行数据分析
在之前的一篇关于GPTs使用的文章中，我们详细分享了GPTs的使用，在GPTs中有很多热心的伙伴们分享的行业AI助手，可以对特定领域类的问题进行专业的回答和处理，比如针对数据处理，有下面这个 Data Analysis & Report AI ，在探索GPTs中可以搜到
其功能和效果与ChatGPT对于数据分析处理类似，不过某些方面甚至做了强化处理，下面分享几个小的案例。
3.2.1 在线提取数据
提取网站链接的数据，提示词如下：
请为我提取这篇文章中的重要事件和时间点。文章地址如下： https://en.wikipedia.org/wiki/History_of_artificial_neural_networks
3.2.2 在线分析数据
与上一小节一个相同的提示词
作为数据分析专家，我将给你提供数据，你对数据进行深入分析并给出分析结论：
数据描述：<2024年11月份70个大中城市商品住宅销售价格变动情况>
数据链接：<https://www.stats.gov.cn/sj/zxfb/202412/t20241216_1957755.html>
3.2.3 识别图片并提取图片中的数据
以上一小节中的一个国家网站房产销售数据图片为例
相比GPT来说，我并没有给出太多的提示词，当前的GPTs助手就能在识别并提取数据之后给出分析结论
3.2.4 处理excel数据
如下我们有一个excel的数据需要分析和处理
首先上传excel让GPTs识别并提取excel的数据
GPTs首先提取并输出了表格形式的数据
然后我们可以基于输出内容进行进一步的分析，比如汇总数据、生成趋势图等操作
3.3 补充说明
上面演示的是基于ChatGPT 4以及GPTs的数据分析场景，当然国内目前也有很多AI大模型工具也具备数据分析和处理的能力了，比如通义千问，文心一言，星火，智谱清言等，有兴趣的同学也可以尝试尝试。
四、写在文末
本文通过较大的篇幅结合实际操作案例，详细介绍了使用GPT等AI工具处理日常数据分析的各类场景，希望对看到的同学有用，本篇到此结束，感谢观看。
相关文章：
【大模型】ChatGPT 数据分析与处理使用详解
目录 一、前言 二、AI 大模型数据分析介绍 2.1 什么是AI数据分析 2.2 AI数据分析与传统数据分析对比 2.2.1 差异分析 2.2.2 优劣势对比 2.3 AI大模型工具数据分析应用场景 三、AI大模型工具数据分析操作实践 3.1 ChatGPT 常用数据分析技巧操作演示 3.1.1 快速生成数据…...
[gcc]常见编译开关
GCC 提供了许多编译开关（编译选项），这些开关可以用于控制编译过程的各种方面，如优化级别、调试信息、警告和错误处理等。 以下是一些常见的 GCC 编译开关： -o：指定输出文件名。例如，gcc -o myp…...
iOS实现在collectionView顶部插入数据效果
有时候，我们会遇到这种需求，就是下拉刷新的时候，在 collectionView顶部插入数据，这个时候，需要我们注意 主要有两点 1 关闭隐式动画 由于我们使用insert在collectionView顶部插入数据是有从头部插入的隐式动画的&#…...
GPIO、RCC库函数
void GPIO_DeInit(GPIO_TypeDef* GPIOx); void GPIO_AFIODeInit(void); void GPIO_Init(GPIO_TypeDef* GPIOx, GPIO_InitTypeDef* GPIO_InitStruct); void GPIO_StructInit(GPIO_InitTypeDef* GPIO_InitStruct); //输出 读 uint8_t GPIO_ReadInputDataBit(GPIO_TypeDef* GPIOx,…...
PostgreSQL学习笔记（一）：PostgreSQL介绍和安装
目录 概念 PostgreSQL简介 PostgreSQL的关键特性 1. 标准兼容性 2. 扩展性 3. 数据完整性和可靠性 4. 丰富的数据类型 5. 查询能力 6. 事务和并发控制 7. 扩展和插件 8. 跨平台和多语言支持 9. 高可用性和扩展性 常用场景 安装 Linux apt安装 下载安装包安装 客…...
从摩托罗拉手机打印短信的简单方法
昨天我试图从摩托罗拉智能手机上打印短信，但当我通过USB将手机连接到电脑时，我在电脑上找不到它们。由于我的手机内存已达到限制，并且我想保留短信的纸质版本，您能帮我将短信从摩托罗拉手机导出到计算机吗？ 如您所知&…...
矩阵运算提速——玩转opencv::Mat
介绍:用Eigen或opencv::Mat进行矩阵的运算，比用cpp的vector或vector进行矩阵运算要快吗? 使用 Eigen 或 OpenCV 的 cv::Mat 进行矩阵运算通常比使用 std::vector<int> 或 std::vector<double> 更快。这主要有以下几个原因： 优化的底层实现…...
vue请求后端需要哪些问题
在使用 Vue 前端框架请求后端服务时，需要考虑和解决的问题有很多。以下是一个详细的讲解： 1. **API 设计与文档** - **明确 API 端点**：了解后端提供的 API 端点（URL），包括资源的路径和操作方法（…...
QML Image详解
1. 概述 Image 是 QML 中用于显示图片的基本组件。它允许开发者加载和显示各种格式的图像文件（如 PNG, JPEG, GIF 等），并提供了多种配置选项来控制图片的显示方式和行为。Image 元素支持各种图像处理功能，比如缩放、裁剪、模糊等…...
Chapter4.1 Coding an LLM architecture
文章目录 4 Implementing a GPT model from Scratch To Generate Text4.1 Coding an LLM architecture 4 Implementing a GPT model from Scratch To Generate Text 本章节包含 编写一个类似于GPT的大型语言模型（LLM），这个模型可以被训练来生…...
Linux 端口知识全解析
Linux 端口知识全解析 在 Linux 系统的网络世界里，端口如同一个个小小的“窗口”，数据的进出都依赖它们有条不紊地运作。理解 Linux 端口知识，无论是对于系统管理员排查网络故障，还是开发者进行网络编程，都至关重要。…...
《Armv8-A virtualization》学习笔记
1.MAIR 的全称是 Memory Attribute Indirection Register。它是ARM架构中的一种寄存器，用于定义内存的属性，并提供一种间接访问内存属性的机制。MAIR寄存器包含多个字段，这些字段指示不同类型内存的属性，例如是否可以缓存、是否为…...
23. 【.NET 8 实战--孢子记账--从单体到微服务】--记账模块--预算
在每个月发工资后很多人会对未来一个月的花销进行大致的计划，这个行为叫做预算。那么在这篇文章中我们将一起开发预算服务。 一、需求 预算需求就是简单的增删改查，虽然比较简单，但是也有几点需要注意。 编号需求说明1新增预算1. 针对每种…...
DOS攻击的原理和实现 （网络安全）hping3和Slowloris的运用
DoS攻击的原理和实现 DoS攻击（Denial of Service Attack，拒绝服务攻击）是指通过恶意手段使目标服务器、服务或网络资源无法正常提供服务，从而影响正常用户的访问。DoS攻击通常通过消耗目标系统的资源（如带宽、内存、处…...
十三、Vue 过渡和动画
文章目录 一、Vue过渡和动画概述1. 过渡的基本原理2. 动画的基本原理二、使用 CSS 过渡1. 单元素过渡2. 过渡模式in - out 模式out - in 模式三、使用 CSS 动画1. 单元素动画2. 动画结合过渡四、JavaScript 钩子函数实现过渡和动画1. 基本概念2. 示例五、列表过渡1. 基本原理2.…...
Dubbo 关键知识点解析：负载均衡、容错、代理及相关框架对比
1.Dubbo 负载均衡策略？ Dubbo 是一个分布式服务框架，它提供了多种负载均衡策略来分发服务调用。在 Dubbo 中，负载均衡的实现是基于客户端的，即由服务消费者（Consumer）端决定如何选择服务提供者（…...
仿生的群体智能算法总结之三（十种）
群体智能算法是一类通过模拟自然界中的群体行为来解决复杂优化问题的方法。以下是30种常见的群体智能算法，本文汇总第21-30种。接上文 ： 编号 算法名称（英文） 算法名称（中文） 年份 作者 1 Ant Colony Optimization (ACO) 蚁群优化算法 1991 Marco Dorigo 2 Particle Swar…...
《量子比特大阅兵：不同类型量子比特在人工智能领域的优劣势剖析》
在科技的前沿，量子比特与人工智能的融合正开启一扇全新的大门。不同类型的量子比特，如超导、离子阱、光量子等，在与人工智能结合时展现出独特的优势与劣势。 超导量子比特 超导量子比特是目前应用较为广泛且研究相对成熟的量子比特类型。它…...
el-input输入框需要支持多输入，最后传输给后台的字段值以逗号分割
需求：一个输入框字段需要支持多次输入，最后传输给后台的字段值以逗号分割 解决方案：结合了el-tag组件的动态编辑标签 那块的代码 //子组件 <template><div class"input-multiple-box" idinputMultipleBox><div>…...
机器人领域的一些仿真器
模拟工具和环境对于开发、测试和验证可变形物体操作策略至关重要。这些工具提供了一个受控的虚拟环境，用于评估各种算法和模型的性能，并生成用于训练和测试数据驱动模型的合成数据。 Bullet Physics Library 用于可变形物体模拟的一个流行的物理引擎是 B…...
前端-动画库Lottie 3分钟学会使用
目录 1. Lottie地址 2. 使用html实操 3. 也可以选择其他的语言 1. Lottie地址 LottieFiles: Download Free lightweight animations for website & apps.Effortlessly bring the smallest, free, ready-to-use motion graphics for the web, app, social, and designs.…...
腾讯云智能结构化 OCR：驱动多行业数字化转型的核心引擎
在当今数字化时代的汹涌浪潮中，数据已跃升为企业发展的关键要素，其高效、精准的处理成为企业在激烈市场竞争中脱颖而出的核心竞争力。腾讯云智能结构化 OCR 技术凭借其前沿的科技架构与卓越的功能特性，宛如一颗璀璨的明星，在交通、…...
【开源免费】基于SpringBoot+Vue.JS精品在线试题库系统（JAVA毕业设计）
本文项目编号 T 115 ，文末自助获取源码 \color{red}{T115，文末自助获取源码} T115，文末自助获取源码 目录 一、系统介绍二、数据库设计三、配套教程3.1 启动教程3.2 讲解视频3.3 二次开发教程 四、功能截图五、文案资料5.1 选题背景5.2 国内…...
c# CodeFirst生成表字段加注释
前置：ORM框架工具使用的FreeSql 背景：开发环境中运行接口，所有的表字段以及备注会自动加上，但是在测试环境时运行就只生成了表，没有把每个字段的注释加上 问题检查： FreeSql CodeFirst 支持将 c# 代码内的注…...
MySQL8.0复制原理和部署配置步骤
1. mysql 主从复制原理 在从库上执行change master to；会将主库的信息保存到从库中的master.info文件中在从库执行start slave;开启io_thread, sql_thread线程;io_thread工作；io_thread通过master.info文件中主库的连接信息去连接主库；连接成…...
Unity热更新文件修改后缀并拷贝到指定路径的工具类
最近在学习Hybrid热更新。每次编译完，需要修改后缀名和拷贝到特定路径覆盖旧文件，就叫AI写了个工具类。现在记录一下，毕竟ai写完还需要修改。 代码如下，放到Assets/Editor/路径下即可。 可根据需求自行改变路径和文件名。 using…...
前端vue+el-input实现输入框中文字高亮标红效果（学习自掘金博主文章）
学习自掘金文章https://juejin.cn/post/7295169886177918985 该博主的代码基于原生textarea控件和js实现，基于该博主的代码和思路，在vue下实现了相应功能 思路 生成html字符串来实现文字高亮标红效果，但是input输入控件不能渲染html字符串…...
SAP系统中的标准价、移动平均价是什么？有何区别？物料分类账的优点
文章目录 前言一、SAP系统中的价格控制二、移动平均价、标准价是什么？三、S价（标准价）的优势四、S价（标准价）的劣势五、V价（移动平均价）的优势六、V价（移动平均价）的劣势…...
通往O1开源之路
“Scaling of Search and Learning: A Roadmap to Reproduce o1 from Reinforcement Learning Perspective”由复旦大学和上海人工智能实验室的研究者撰写。该论文从强化学习视角出发，深入分析了实现类似OpenAI o1模型性能的路线图，聚焦于策略初始化、奖…...
【QT】实现RestFul接口
在这个教程中，我们将介绍如何在 Qt 中使用 QHttpServer 类来创建一个简单的 HTTP 服务器。QHttpServer 是 Qt 6 引入的新类，用于提供 HTTP 服务。这个类非常适合快速开发restful接口。 准备工作 确保你的 Qt 版本是 Qt 6 或更高版本，因为 Q…...
ARP攻击的原理和实现 （网络安全）
ARP攻击的原理和实现 ARP（Address Resolution Protocol，地址解析协议）是一种网络协议，用于在局域网内将IP地址映射到MAC地址。在以太网中，设备通过广播ARP请求来查询目标IP地址对应的MAC地址，从而建立通信…...
大脑特训，自信 “满格”
编辑：念小艺 在追求自信的漫漫长路上，诸多因素如同闪耀的星光，为人们指引着方向。保持良好的饮食习惯，让身体摄取充足且均衡的营养，为精神的饱满提供坚实后盾；持续投身于锻炼之中，在挥洒汗水的…...
如何备份和恢复 PostgreSQL 数据库 ？
对于数据库管理员和开发人员来说，在 PostgreSQL 中创建数据库副本是一项至关重要的任务。此过程对于测试、备份、数据分析等都是必不可少的。在本指南中，我们将深入研究创建 PostgreSQL 数据库副本的步骤，以确保数据完整性和系统性能。 必要…...
逆向入门（6）汇编篇-外挂初体验
代码分析部分 游戏里面还是体验了不少自己CV来的外挂的，自己编写的程序还是头一次体验，程序源码如下 void startAcctack() {printf("开始攻击\n");// 获取当前系统时间time_t now time(0); // 获取当前时间的时间戳struct tm *local_time …...
HTML——77.网页编码及乱码处理
<!DOCTYPE html> <html><head><meta charset"UTF-8"><title>网页编码及乱码处理</title></head><body><!--网页编码：指网页中特定的字符编码，通过解析编码成为我们知道的文字--><!-…...
（leetcode算法题）382. 链表随机节点
如果给你一个 智能记录 k行内容的小笔记本，从一本你也不知道有多少行的 C Primer 中进行摘抄，你应该怎么做才能让抄写的时候能让书中的每一行都等概率的出现在小笔记本中？ 答：准备好一个公平的轮盘和一个巨大的摇奖机，…...
Git 如何在IDEA中进行使用
1. 2. 3....
 call)
【Pytorch报错】AttributeError: cannot assign module before Module.__init__() call
代码： import torch.nn as nnclass Model(nn.Module):def __init__(self, input_dim, output_dim):self.linear nn.Linear(input_dim, output_dim) def forward(self, x):out self.linear(x)return outmodel Model(1, 1)报错： --------------------…...
深入理解计算机系统—虚拟内存（一）
一个系统中的进程是与其他进程共享 CPU 和主存资源的。然而，共享主存会形成特殊的挑战。随着对 CPU 需求的增长，进程以某种合理的平滑方式慢了下来。但是如果太多的进程需要太多的内存，那么它们中的一些就根本无法运行。 为了更加有效地管理内…...
[Qt] 输入控件 | Line | Text | Combo | Spin | Date | Dial | Slider
目录 输入类控件 1、Line Edit 录入个人信息 使用正则表达式验证输入框的数据 验证两次输入的密码一致 切换显示密码 2、Text Edit 获取多行输入框的内容 验证输入框的各种信号 3、Combo Box 使用下拉框模拟麦当劳点餐 从文件中加载下拉框的选项 4、Spin Box 调整…...
【信息系统项目管理师】高分论文：论信息系统项目的风险管理（数字化联合审查管理系统）
更多内容请见： 备考信息系统项目管理师-专栏介绍和目录 文章目录 论文一、全盘考虑，编制项目风险管理计划二、务实高效，做好项目的风险识别三、客观严谨，进行定性风险分析四、客观严谨，进行定量风险分析五、未雨绸缪，做好规划风险应对六、控制执行，实施风险应对七、做好…...
设计模式 结构型 外观模式（Facade Pattern）与 常见技术框架应用 解析
外观模式（Facade Pattern）是一种结构型设计模式，它的核心思想是将一个复杂的子系统封装在一个外观类中，为子系统提供一个统一的接口。通过这个接口，客户端可以简化对子系统的访问，而无需直接与子系统中的各…...
《learn_the_architecture_-_generic_interrupt_controller_v3_and_v4__lpisn》学习笔记
1.LPI（Locality-specific Peripheral Interrupts）是一种基于消息的中断（Message Signaled Interrupt，MSI），由中断翻译服务(ITS)提供翻译。这是因为LPI的设计目标是为系统中大量的设备提供高效的中断管理&am…...
java 常量池详解
目录 java 常量池详解一 静态常量池（Static Constant Pool）1.1 概述1.2 存储内容1.3 特点1.4 示例 二 运行时常量池（Runtime Constant Pool）2.1 概述2.2 存储内容2.3 特点2.4 示例 三 基础类型常量池（Primitive Type C…...
aardio —— 虚表 —— 模拟属性框
写了个简单的属性框例程，抛砖引玉，期待你做出更丰富强大的功能。 可折叠行、可输入文本、可下拉选择、支持下拉选择图片、颜色等功能。 只有想不到，没有做不到，发挥你的想象力吧。 import win.ui; import godking.comboboxEx im…...
企业微信——智能表格学习
智能表格 应用限制条件 获取 token https://developer.work.weixin.qq.com/document/10013#%E5%BC%80%E5%8F%91%E6%AD%A5%E9%AA%A4 开发步骤 你可以通过以下步骤，使用access_token来访问企业微信的接口。需要注意的是，所有的接口需使用Https协议、Js…...
2501d,jingo优化
原文 大家好,我重构和优化了一下jin.go这里: 我去掉了vibe.d依赖,因为它又慢又大,而且我无法与2版本交朋友.当仅运行1000个vibe纤程时,不仅应用崩溃,甚至图形系统驱动也崩溃一次,这需要重启笔记本电脑. 当前,我用小栈大小的本地流(4kb)解决. 我真很期待photon的稳定性,以恢复支…...
实景三维点云处理专业软件ArcGIS根据DSM生成地表点云集
常见的实景三维处理软件及其特色功能如下： 一、专业实景三维建模软件 Agisoft Metashape 高精度建模：能够生成高精度的三维模型，精度可以达到厘米级甚至毫米级，适用于需要详细测量和分析的项目，如文物保护和建筑测量。…...
山东大学人工智能导论期末复习概念汇总
人工智能概念汇总V2 —Nevertheless 简介 [!NOTE] 本文是在原版的基础上，面向期末而进行的删减版本 建议使用pdf版本，排版和图片显示完全。如有需要，可私信发送邮箱地址 PDF版本： 山东大学人工智能导论概念汇总pdf版 山东大学软…...
Ubuntu下安装Android Sdk
下载android sdk命令行工具 https://developer.android.com/studio?hlzh-cn#command-tools mkdir android-sdk cd android-sdk unzip commandlinetools-linux-11076708_latest.zip 添加环境变量到~/.bashrc export ANDROID_HOME$HOME/android-sdk export PATH$PATH:$ANDRO…...