【金融风控】相关业务介绍及代码详解

金融风控相关业务介绍

【了解】项目整体介绍

1.风控业务和风控报表</span>
零售金融产品
相关的指标
风控建模流程
​
#2.特征工程
特征构造
特征筛选
​
3.评分卡模型构建
逻辑回归
集成学习 XGBoost LightGBM
模型评估
​
#4.样本不均衡问题/异常点检测

【了解】今日内容介绍

  • 知道常见信贷风险

  • 知道机器学习风控模型的优势

  • 知道信贷领域常用术语含义

  • 了解风控业务报表（SQL）

【理解】信贷&风控介绍

  • 信贷业务，就是贷款业务，是商业银行和互联网金融公司最重要的资产业务和主要赢利手段

    • 通过放款收回本金和利息，扣除成本后获得利润。

    • 贷款平台预测有信贷需求用户的还款情况，然后将本金借贷给还款概率大的用户

  • 信贷业务中的风险控制

    • 信贷业务中，使用信用来预支金钱，在小额贷业务中往往没有抵押物，那么贷款方就会承担一定风险（用户不还钱）

    • 风控就是对用户的信用风险进行管理与规避，对于预测信用较差的人，不向其放款，即便放款，也会是较小的贷款额度和较高的利率

    • 信贷领域有两类风险

      • 信用风险：借款人的的还款能力和还款意愿在贷款后出现问题的风险

      • 欺诈风险：借款人压根没想还钱，以诈骗为目的

    • 风控业务主要针对这两类风险

      • 信用评分系统：针对信用风险

      • 反欺诈系统：针对欺诈风险

    • 基于机器学习的人工智能风控模型对比传统人工审批

      • 人工审批：效率低，对人员业务能力要求高，不适合金融零售业务场景

      • 机器学习模型：批量，迅速，准确，同时处理大量贷款请求（几万，几十万，上百万/天）

申请中信信用卡的经验：

A，信用好，有征信纪录，没有预期，违约等，没有太多的申请纪录和拒绝的纪录，结果秒批。

B，信用很差，征信记录上有逾期，有其他网贷纪录，没有安全还款，结果秒拒。

C，信用好，但是他有很多网贷纪录，同时网贷纪录也保持按期还款，纪录良好，结果是人工打电话过来，审核通过。

综上，目前银行/互金公司，一般如上两种情况都有。

【理解】常见信贷产品及常见风险介绍

  • 信贷产品介绍

    个人信贷产品
    大额借贷房贷车贷
    小微企业贷
    小额借贷消费贷蚂蚁花呗，京东白条
    现金贷蚂蚁借呗，京东金条，微粒贷,各类网贷
    数据服务信用分服务芝麻信用分，京东小白分
    信用数据服务同盾数据，百融，集奥，大峰...

    • 现金贷

    申请借款->放款给客户->客户还款

    额度500~3000
    利率24%~36%
    期限714，30天
    放款形式借给现金，不限场景
    可选功能订单展期
    现金贷产品年化利率现金贷产品年化利率
    苏宁金融24%国美易卡34%
    蚂蚁借呗24%马上消费35%
    微粒贷24%招联金融36%
    有钱花24%桔子分期36%
    京东金条24%拍拍贷36%
    360借条24%趣店36%
    小米金融24%捷信36%
    美团生活费24%宜人贷44%
    分期乐24%玖富50%

    • 消费贷

    信用卡，花呗，白条等产品，备用金(500)，有账单日，还款日

信用卡/花呗：假设账单日为每个月1号。出账单的日子。

还款日：15号是还款日。还款的日子。

13日还款，提前还款。

申请消费贷 -> 额度授信->客户使用消费贷消费

额度1000~10000
利率24%
账期30天
放款形式指定消费场景
可选功能最低还款，账单展期，账单分期，停息挂账，临时额度，备用金

  • 产品类型

    • 单期产品

    • 多期产品

    • 循环额度产品

  • 还款方式

    • 砍头息：短期产品（服务费）

    • 等额本金

      • 10w，10个月，每个月1w，1w+10w的利息，1w+9w的利息

      • 每个月还款额度依次递减

    • 等额本息

      • 利息多，本金少

      • 每个月还款是一样的，整个贷款利息要比等额本金多一些

  • 信贷领域风险类别

    • 信用风险：借款人的的还款能力和还款意愿在贷款后出现问题的风险

    • 欺诈风险：借款人压根没想还钱，以诈骗为目的

  • 常见风险形式

    • 冒名顶替，黑产骗贷

    • 多头借贷，借新还旧

      • 客户：工行信用卡，招商信用卡... n张信用卡，网贷平台1，网贷平台2，网贷平台n

      • 用新借来的钱还已有的负债： 负债变多 -> 需新借更多 -> 设法提额 -> 信用资质不够 -> 出现流动性风险 -> 逾期

      • 特点：第三方数据：多头申请记录

        APP安装：大量借款类APP

        短信：大量申请短信，提醒还款，催收短信

    • POS机套现，以少换多

      • 购买有支付牌照机构的POS机进行套现，手续费0.6%

    • 针对风控模型，制作数据

      • 使用花呗在天猫购物，对花呗账单做分期

      • 买入存金宝，一个礼拜后追加存金宝资金

      • 购买***元基金

      • 保持余额宝XXX元不动，余额宝累计收益做到 XX元

      • 购买XXXX保险

【理解】风控相关术语介绍

术语解释
DPDDay past due 逾期天数 DPD0为到期当日，DPD1为逾期一日，DPD7为逾期一周
FPDFirst time past due 首次逾期天数
F/S/T/QPD首次 二次 三次 四次 逾期天数
M1逾期 [1, 30)天 M 是英文“Months”的首写字母
M1+逾期[30, inf]天
default坏账
delinquency拖欠
flow rate流动率 一般指M1向M2，M2向M3转移的比例
bad rate坏账率 当月不良资产数/总资产数
vintage账龄分析

【实现】风控业务案例

案例背景介绍

  • 通过对业务数据分析了解信贷业务状况

  • 数据集说明

    • 从开源数据改造而来，基本反映真实业务数据

    • 销售，客服可以忽略

    • 账单周期，放款日期

    • 账单金额-实收金额 = 未收金额

    • 应付日期为还款时间

    • 账期分成两种：60天和90天

    • 实际到账日为空白，说明没还钱

  • 通过对贷后业务数据的分析要分析出如下内容

    • 每个季度账单金额和坏账率（逾期90天以上）

      • 所有未收金额/所有账单金额

      • 未收金额 = 账单金额-实收金额

    • 每个季度60天账期的入催率，90天账单的入催率

      • 入催率 = 入催金额/账单金额

    • 历史逾期天数的回款情况（回收账单数）

      • 历史逾期天数：历史有逾期，但是相对现在来说，钱已经还完了

      • 当前逾期天数：现在还欠着钱，也就是说钱没还完

代码实现

  • 加载数据

import pandas as pd
from pyecharts.charts import *
from pyecharts import options as opts
df1 = pd.read_excel('../data/业务数据.xlsx') 
#要使用原始数据构建新指标，所以保留原始数据，copy新的数据，在新的数据中创建新指标
df2 = df1.copy()
df2.head()

显示结果

销售账单状态账单周期账单金额开票金额实收金额未收金额预计付款日应付日期商务催收日期账期实际到账日开票日期客服
0s101未确认2019-0529805.0NaNNaNNaN2019-07-312019-07-312019-08-1560NaNNaNa201
1s102未确认2019-051572.6NaNNaNNaN2019-07-312019-07-312019-08-1560NaNNaNa202
2s103已确认2019-04487551.2487551.2NaN487551.22019-06-302019-06-302019-07-1560NaN05-16a203
3s104已确认2019-04378835.0378835.0NaN378835.02019-07-312019-07-312019-08-1590NaN05-08a204
4s105已确认2019-04326866.0326866.0NaN326866.02019-07-312019-07-312019-08-1590NaN05-10a205

  • 查看数据基本情况

df2.info()

显示结果

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 5257 entries, 0 to 5256
Data columns (total 14 columns):#   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  0   销售      5257 non-null   object 1   账单状态    5257 non-null   object 2   账单周期    5257 non-null   object 3   账单金额    5257 non-null   float644   开票金额    5010 non-null   float645   实收金额    4470 non-null   float646   未收金额    5010 non-null   float647   预计付款日   5256 non-null   object 8   应付日期    5257 non-null   object 9   商务催收日期  5257 non-null   object 10  账期      5257 non-null   int64  11  实际到账日   4387 non-null   object 12  开票日期    4996 non-null   object 13  客服      5257 non-null   object 
dtypes: float64(4), int64(1), object(9)
memory usage: 575.1+ KB

df2.describe()

显示结果

账单金额开票金额实收金额未收金额账期
count5.257000e+035.010000e+034.470000e+035.010000e+035257.000000
mean4.073241e+044.096896e+044.082419e+044.684636e+0364.539661
std8.176172e+048.007245e+047.970628e+042.888464e+0415.622765
min0.000000e+002.500000e+010.000000e+000.000000e+000.000000
25%5.103000e+035.300000e+035.112250e+030.000000e+0060.000000
50%1.436500e+041.486560e+041.434000e+040.000000e+0060.000000
75%4.178000e+044.220250e+044.170750e+040.000000e+0075.000000
max1.508796e+061.356215e+061.301665e+061.277098e+0690.000000

  • 数据处理，填充缺失值，将日期时间类型转换成datetime类型

# 获取最大的日期，作为当前时间
today_time = pd.to_datetime(df2.实际到账日.fillna('0').max())#给缺失值填充0
df2['实收金额'] = df2.实收金额.fillna(0)
df2['开票金额'] = df2.开票金额.fillna(0)
df2['未收金额'] = df2.未收金额.fillna(0)#把时间类型转换为datetime类型
df2['账单周期'] = pd.to_datetime(df2.账单周期)
df2['应付日期'] = pd.to_datetime(df2.应付日期)df2['实际到账日'] = pd.to_datetime(df2.实际到账日).fillna(today_time)

  • 为了后续计算，在原始数据基础上构造新的字段：是否到期，是否到期90天，未收金额2（校验原始数据中的未收金额），历史逾期天数，当前逾期天数

df2['是否到期'] = df2.apply(lambda x : 0 if x.应付日期 > today_time else 1,axis=1)#map可以看做是apply，效果类似
df2['是否到期90天'] =  ( today_time - df2.应付日期 ).map(lambda x : 1 if x.days >= 90 else 0)df2['未收金额2'] =  (df2.账单金额 - df2.实收金额)df2['历史逾期天数'] = df2.apply(lambda x : (x.实际到账日 -  x.应付日期).days if x.未收金额2 == 0  else  (today_time - x.应付日期).days,axis=1)df2['当前逾期天数'] = df2.apply(lambda x : (x.历史逾期天数) if x.未收金额2 > 0  else 0 ,axis = 1)

  • 查询实际到账日期字段得知当前最近的到账日为2019年5月17日，如果以2019年5月17日为观察点，有些贷款还没到还款日，没法统计DPD90的数据，所以，这里只统计2019年之前的情况，下面将对应时间段的数据取出

df3 =df2.copy()
#创建’账单季度‘字段，将日期转换成季度，to_period函数可以转换为季度信息
df3['账单季度'] = df3['账单周期'].map(lambda x : x.to_period('Q'))
#提取2017年3季度到2018年4季度数据
df3 = df3[(df3['账单季度']<='2018Q4') & (df3['账单季度']>='2017Q3')]
df3.shape

显示结果

(3856, 20)

  • 按照季度统计账单金额，到期金额，和逾期金额

#账单金额
fn1 = df3.groupby('账单季度')[['账单金额']].sum()
fn1.columns = ['账单金额']
fn1

显示结果

账单金额
账单季度
2017Q38247952.62
2017Q411643604.99
2018Q117149674.79
2018Q231097661.29
2018Q338292071.12
2018Q451963089.64
#90天到期金额
df4 = df3[(df3.是否到期90天 == 1)]
fn2 = df4.groupby('账单季度')[['账单金额']].sum()
fn2.columns = ['到期金额']
fn2

显示结果

到期金额
账单季度
2017Q38247952.62
2017Q411643604.99
2018Q117149674.79
2018Q231097661.29
2018Q338292071.12
2018Q428265677.59
#当前逾期90+金额
df4 = df3[(df3.是否到期90天 == 1)]
fn3 = df4.groupby('账单季度')[['未收金额2']].sum()
fn3.columns = ['当前逾期90+金额']
fn3

显示结果

当前逾期90+金额
账单季度
2017Q363883.0
2017Q457380.0
2018Q164283.0
2018Q2106930.0
2018Q3412920.1
2018Q4304183.0

  • 合并数据计算坏账率

dfs = [fn1,fn2,fn3]
final1 = pd.concat(dfs,axis=1)
final1

显示结果

账单金额到期金额当前逾期90+金额
账单季度
2017Q38247952.628247952.6263883.0
2017Q411643604.9911643604.9957380.0
2018Q117149674.7917149674.7964283.0
2018Q231097661.2931097661.29106930.0
2018Q338292071.1238292071.12412920.1
2018Q451963089.6428265677.59304183.0
final1['90+净坏账率'] = round(final1['当前逾期90+金额'] / final1.到期金额,3)
final1

显示结果

账单金额到期金额当前逾期90+金额90+净坏账率
账单季度
2017Q38247952.628247952.6263883.00.008
2017Q411643604.9911643604.9957380.00.005
2018Q117149674.7917149674.7964283.00.004
2018Q231097661.2931097661.29106930.00.003
2018Q338292071.1238292071.12412920.10.011
2018Q451963089.6428265677.59304183.00.011

  • pyecharts绘图

bar = (Bar().add_xaxis(list(final1.index.values.astype(str))).add_yaxis("账单金额",list(final1.账单金额),yaxis_index=0,color="#5793f3",).set_global_opts(title_opts=opts.TitleOpts(title="90+净坏账率"),).extend_axis(yaxis=opts.AxisOpts(name="90+净坏账率",type_="value",min_=0,max_=0.014,position="right",axisline_opts=opts.AxisLineOpts(linestyle_opts=opts.LineStyleOpts(color="#d14a61")),axislabel_opts=opts.LabelOpts(formatter="{value}"),))
)
line = (Line().add_xaxis(list(final1.index.values.astype(str))).add_yaxis("90+净坏账率",list(final1['90+净坏账率']),yaxis_index=1,color="#675bba",label_opts=opts.LabelOpts(is_show=False),)
)
bar.overlap(line).render()

显示结果

  • 计算每个季度的60天账单金额、60天入催金额，90天账单金额、90天入催金额

#60天账期的账单金额
df4 = df3[(df3.账期 == 60)]
fn1 = df4.groupby('账单季度')[['账单金额']].sum()
fn1.columns = ['60天账期的账单金额']
#60天账期的入催金额
df4 = df3[(df3.账期 == 60)]
fn2 = df4.groupby('账单季度')[['未收金额2']].sum()
fn2.columns = ['60天账期的入催金额']
#90天账期的账单金额
df4 = df3[(df3.账期 == 90)]
fn3 = df4.groupby('账单季度')[['账单金额']].sum()
fn3.columns = ['90天账期的账单金额']
#90天账期的入催金额
df4 = df3[(df3.账期 == 90)]
fn4 = df4.groupby('账单季度')[['未收金额2']].sum()
fn4.columns = ['90天账期的入催金额']

  • 计算入催率

dfs = [fn1,fn2,fn3,fn4]
final2 = pd.concat(dfs,axis=1)
# final2 = fn1.merge(fn2,on='账单季度').merge(fn3,on='账单季度',how='left').merge(fn4,on='账单季度')
final2['60天账期入催率'] = round(final2['60天账期的入催金额'] / final2['60天账期的账单金额'],3)
final2['90天账期入催率'] = round(final2['90天账期的入催金额']/final2['90天账期的账单金额'],3)
final2

显示结果

60天账期的账单金额60天账期的入催金额90天账期的账单金额90天账期的入催金额60天账期入催率90天账期入催率
账单季度
2017Q34854770.9436983.02769264.01900.00.0080.001
2017Q46737327.9952750.03921491.00.00.0080.000
2018Q112106356.7962460.04244304.0800.00.0050.000
2018Q219234086.8713590.08427775.00.00.0010.000
2018Q322830710.42380265.19835629.08235.00.0170.001
2018Q426337959.52584789.517706430.0325141.00.0220.018

  • pyecharts绘图

line = (Line().add_xaxis(list(final1.index.values.astype(str))).add_yaxis("60天账期入催率",list(final2['60天账期入催率']),yaxis_index=0,color="#675bba",label_opts=opts.LabelOpts(is_show=False),).set_global_opts(title_opts=opts.TitleOpts(title="不同账期入催率"),).add_xaxis(list(final1.index.values.astype(str))).add_yaxis("90天账期入催率",list(final2['90天账期入催率']),yaxis_index=0,color="#d14a61",label_opts=opts.LabelOpts(is_show=False),)
)
line.render()

显示结果

  • 历史逾期天数的回收情况（回收账单数）

df5 = df3[(df3.未收金额2 == 0)&(df3.是否到期 == 1)].copy()
#使用cut，讲数据按照逾期天数分箱，然后添加分箱之后结果标签
df5['历史逾期天数'] = pd.cut(df5['历史逾期天数'],bins=[-999,0,5,10,15,20,30,60,90,999],right=True,labels=['0','1-5','6-10','11-15','16-20','21-30','31-60','61-90','91+'])
final3 = df5.groupby('历史逾期天数')[['账期']].count()
final3.columns = ['回收账单数']
final3

显示结果

回收账单数
历史逾期天数
02400
1-5358
6-10235
11-15215
16-2092
21-30189
31-60156
61-9060
91+88

  • pyecharts绘图

ydata = final3['回收账单数'].values.tolist()
bar = (Bar().add_xaxis(list(final3.index.values.tolist())).add_yaxis("收回账单数",ydata,yaxis_index=0,color="#675bba").set_global_opts(title_opts=opts.TitleOpts(title="不同逾期天数的已收回账单数"),)
)
bar.render()

显示结果

业务解读

  • 从数据中看出，在2018年Q2季度之前，运营策略比较保守，坏账金额和入催率都比较低，

  • 2018年Q2之后，有可能是由于运营策略调整，给更多的人放贷，但坏账率和入催率均在3%一下，在合理范围内

  • 不同逾期天数收回账单的数据看，30天内能收回绝大部分账单

【理解】信贷业务涉及部门

市场：获客 (新客, 老客)

风控：把逾期率控制在合理范围，尽可能提高通过率

催收：回款(内催 , 外催)

小结

  • 知道常见信贷风险

    • 信用风险

    • 欺诈风险

  • 知道机器学习风控模型的优势

    • 批量，迅速，准确，同时处理大量贷款请求

    • 在零售信贷业务场景下，与人工审核相比优势显著

  • 知道信贷领域常用术语含义

    • DPD 逾期天数

    • FPD 首次逾期天数

    • bad rate 坏账率

    • M1 逾期一个月以内

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/diannao/59540.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

Late Chunking×Milvus：如何提高RAG准确率

Late Chunking×Milvus：如何提高RAG准确率

01. 背景 在RAG应用开发中&#xff0c;第一步就是对于文档进行chunking&#xff08;分块&#xff09;&#xff0c;高效的文档分块&#xff0c;可以有效的提高后续的召回内容的准确性。而对于如何高效的分块是个讨论的热点&#xff0c;有诸如固定大小分块&#xff0c;随机大小分…
阅读更多...
蓝桥杯备赛（持续更新）

蓝桥杯备赛（持续更新）

16届蓝桥杯算法类知识图谱.pdf 1. 格式打印 %03d&#xff1a;如果是两位数&#xff0c;将会在前面添上一位0 %.2f&#xff1a;会保留两位小数 如果是long&#xff0c;必须在数字后面加上L。 2. 进制转化 2.1. 十进制转任意进制&#xff1a; 十进制转任意进制时&#xff…
阅读更多...
责任链模式 Chain of Responsibility

责任链模式 Chain of Responsibility

1 意图 使多个对象都有机会处理请求&#xff0c;从而避免请求的发送者和接收者之间的耦合关系。将这些对象连成一条链&#xff0c;并沿着这条链传递该请求&#xff0c;直到有一个对象处理它为止。 2 结构 Handler 定义一个处理请求的接口;(可选)实现后继链。 ConcreteHandler …
阅读更多...
SQL Server 2008 R2 详细安装教程及错误解决教程

SQL Server 2008 R2 详细安装教程及错误解决教程

SQL Server 2008 R2 详细安装教程及错误解决教程 文章目录 SQL Server 2008 R2 详细安装教程及错误解决教程1.装载或解压ISO文件2. 运行setup程序3. 下载并安装.NET Framework3.54.选择全新安装或向现有安装添加功能5.输入秘钥同意条款6.选择安装类型7.设置角色8.功能选择9.实例…
阅读更多...
国际版JAVA同城打车源码同城服务线下结账系统源码适配PAD支持Android+IOS+H5

国际版JAVA同城打车源码同城服务线下结账系统源码适配PAD支持Android+IOS+H5

架构分析 导航栏&#xff1a;位于界面上方&#xff0c;包含了“数据中心”、“消息”、“用户中心”等主要功能模块的入口&#xff0c;方便用户快速访问。左侧功能模块&#xff1a;在界面的左侧&#xff0c;以列表形式展示了多个功能模块&#xff0c;如“数据中心”、“消息中…
阅读更多...
营销页面设计：精准触达目标群体的艺术

营销页面设计：精准触达目标群体的艺术

在当今数字化的商业世界中&#xff0c;营销页面设计扮演着至关重要的角色。成功的营销页面设计不仅仅是美观那么简单&#xff0c;它需要结合场景设计、精准定位目标群体、巧妙运用设计元素以及精心策划的色彩搭配&#xff0c;共同编织出一张引人入胜的视觉网络。 今天就以洋河…
阅读更多...
gdb和make工具

gdb和make工具

gdb工具&#xff1a; GDB的主要功能 断点设置&#xff1a;允许开发者在特定的代码行设置断点&#xff0c;当程序执行到该行时会自动暂停&#xff0c;方便开发者进行调试和分析。 变量查看与修改&#xff1a;在程序运行过程中&#xff0c;可以查看和修改变量的值&#xff0c;以…
阅读更多...
爬虫-------字体反爬

爬虫-------字体反爬

目录 一、了解什么是字体加密 二. 定位字体位置 三. python处理字体 1. 工具库 2. 字体读取 3. 处理字体 案例1：起点 案例2：字符偏移： 5请求数据 - 发现偏移量 5.4 多套字体替换 套用模板 版本1 版本2 四.项目实战 1. 采集目标 2. 逆向结果 一、了解什么是…
阅读更多...
web实操3——servlet

web实操3——servlet

课程链接b站&#xff1a;第12课 https://www.bilibili.com/video/BV1qv4y1o79t?spm_id_from333.788.videopod.episodes&vd_source05a3c1275b87b47507d869e9349ee3cd&p233 为什么只要写一个实现Servlet的类就可以被调用 tomcat根据url去web.xml里定位到我们写的类后&…
阅读更多...
HTML 基础标签——分组标签 ＜div＞、＜span＞ 和基础语义容器

HTML 基础标签——分组标签 ＜div＞、＜span＞ 和基础语义容器

文章目录 1. `<div>` 标签特点用途示例2. `<span>` 标签特点用途示例3. `<fieldset>` 标签特点用途示例4. `<section>` 标签特点用途示例5. `<article>` 标签特点用途示例总结HTML中的分组（容器）标签用于结构化内容，将页面元素组织成逻辑区域…
阅读更多...
NPU 可不可以代替 GPU

NPU 可不可以代替 GPU

结论 先说结论&#xff0c;GPU分为可以做图形处理的传统意义上的真GPU&#xff0c;做HPC计算的GPGPU和做AI加速计算的GPGPU&#xff0c;所以下面分别说&#xff1a; 对于做图形处理的GPU&#xff0c;这个就和NPU 一样&#xff0c;属于DSA&#xff0c;没有替代性。当然&#xf…
阅读更多...
2024年无线领夹麦克风十大品牌推荐，衣领麦克风哪个品牌好

2024年无线领夹麦克风十大品牌推荐，衣领麦克风哪个品牌好

声音&#xff0c;是沟通的桥梁&#xff0c;是信息的载体。在信息爆炸的时代&#xff0c;如何让自己的声音脱颖而出&#xff0c;成为了每个人都需要思考的问题。无线领夹麦克风&#xff0c;以其小巧便携、无线传输的特点&#xff0c;成为了众多声音爱好者的首选。市场上无线领夹…
阅读更多...
杨传辉：云+AI 时代的一体化数据库｜OceanBase发布会实录

杨传辉：云+AI 时代的一体化数据库｜OceanBase发布会实录

在 2024 OceanBase 年度发布会 上&#xff0c; OceanBase CTO 杨传辉进行了主题为《云和 AI 时代的一体化数据库战略思考》的演讲&#xff0c;本文为演讲实录&#xff0c;欢迎阅读。 视频观看可点击&#xff1a;https://www.oceanbase.com/video/9001825 各位 OceanBase 的客…
阅读更多...
[大模型]视频生成-Sora简析

[大模型]视频生成-Sora简析

参考资料&#xff1a; Sora技术报告https://openai.com/index/video-generation-models-as-world-simulators/4分钟详细揭密&#xff01;Sora视频生成模型原理https://www.bilibili.com/video/BV1AW421K7Ut 一、概述 相较于Gen-2、Stable Diffusion、Pika等生成模型的前辈&am…
阅读更多...
【docker入门】docker的安装

【docker入门】docker的安装

目录 Centos 7 添加docker 官方仓库到yum源 将 Docker 的官方镜像源替换为国内可以的 Docker 镜像源 安装docker 配置docker加速源 Ubuntu 创建 gpg key 目录 下载 gpg key 添加国内可用镜像源到 系统的 APT 仓库中 安装docker 配置加速源 Centos 7 添加docker 官方仓…
阅读更多...
2024年【汽车修理工（高级）】考试总结及汽车修理工（高级）试题及解析

2024年【汽车修理工（高级）】考试总结及汽车修理工（高级）试题及解析

题库来源&#xff1a;安全生产模拟考试一点通公众号小程序 汽车修理工&#xff08;高级&#xff09;考试总结是安全生产模拟考试一点通总题库中生成的一套汽车修理工&#xff08;高级&#xff09;试题及解析&#xff0c;安全生产模拟考试一点通上汽车修理工&#xff08;高级&a…
阅读更多...
vscode的一些使用心得

vscode的一些使用心得

问题1&#xff1a;/home目录空间有限 连接wsl或者remote的时候&#xff0c;会在另一端下载一个.vscode-server&#xff0c;vscode的插件都会安装进去&#xff0c;导致空间增加很多&#xff0c;可以选择更换这个文件的位置 参考&#xff1a;https://blog.csdn.net/weixin_4389…
阅读更多...
Qt（openCV的应用）

Qt（openCV的应用）

1. OpenCV简介 OpenCV&#xff08;Open Source Computer Vision Library&#xff09;是一个开源的计算机视觉库&#xff0c;它提供了丰富的图像处理和计算机视觉功能。该库由英特尔公司发起&#xff0c;并在 BSD 许可证下发布&#xff0c;因此它是免费的&#xff0c;且开放源代…
阅读更多...
【大语言模型】ACL2024论文-06 探索思维链COT在多模态隐喻检测中的应用

【大语言模型】ACL2024论文-06 探索思维链COT在多模态隐喻检测中的应用

【大语言模型】ACL2024论文-06 探索思维链COT在多模态隐喻检测中的应用 目录 文章目录 【大语言模型】ACL2024论文-06 探索思维链COT在多模态隐喻检测中的应用目录摘要研究背景问题与挑战如何解决创新点算法模型1. 知识总结模块&#xff08;Knowledge Summarization Module&…
阅读更多...
【Android】时区规则库tzdata更新

【Android】时区规则库tzdata更新

1 背景&#xff1a; 最近我遇到墨西哥城时区&#xff0c;会出现夏令时&#xff0c;而墨西哥城在2022年底都已经取消夏令时了。 看起来是要更新RK3588上的时区库&#xff0c;我的还是2021a&#xff0c;而现在都已经2024年了 这样能看版本号&#xff1a; cat /system/usr/sha…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023