【智能Agent场景实战指南 Day 18】Agent决策树与规划能力

开篇

欢迎来到"智能Agent场景实战指南"系列的第18天！今天我们将深入探讨智能Agent的核心能力之一：决策树与规划能力。在现代业务场景中，Agent需要具备类似人类的决策能力，能够根据环境变化和任务目标，自主选择最优行动路径。这种能力对于构建真正智能的Agent系统至关重要。

本文将系统讲解如何为Agent实现高效的决策树和规划能力，包括技术原理、架构设计、完整代码实现和业务应用案例。通过今天的学习，您将掌握：

  1. 决策树在Agent系统中的应用原理
  2. 规划算法的选择与实现技巧
  3. 如何将决策能力集成到现有Agent框架中
  4. 实际业务场景中的决策优化策略

场景概述

业务价值

决策与规划能力是智能Agent区别于简单自动应答系统的关键特征。在复杂业务场景中，Agent需要：

  • 评估多种可能的行动方案
  • 预测不同决策的后果
  • 选择最优执行路径
  • 动态调整计划以应对变化

这种能力在以下场景中尤为重要：

业务场景决策需求技术挑战
智能客服选择最佳解决方案路径实时性要求高
供应链优化多因素动态规划复杂约束条件
金融投资风险评估与策略选择不确定性管理
医疗诊断分诊与治疗方案选择知识复杂性

技术挑战

实现高效的Agent决策与规划面临以下技术挑战：

  1. 状态空间爆炸：随着决策点增加，可能的状态呈指数级增长
  2. 不确定性与风险：现实环境中存在大量不可预测因素
  3. 实时性要求：许多业务场景需要快速响应
  4. 多目标优化：需要平衡多个可能冲突的目标

技术原理

决策树基础

决策树是一种树形结构，其中：

  • 内部节点代表决策判断
  • 分支代表可能的判断结果
  • 叶节点代表最终决策或行动

在Agent系统中，决策树可以表示为：

class DecisionNode:
def __init__(self, name, condition=None, true_branch=None, false_branch=None, action=None):
self.name = name  # 节点名称
self.condition = condition  # 判断条件函数
self.true_branch = true_branch  # 条件为真时进入的分支
self.false_branch = false_branch  # 条件为假时进入的分支
self.action = action  # 叶节点对应的行动

规划算法

Agent常用的规划算法包括：

  1. 经典规划：基于状态空间搜索
  • 前向搜索
  • 后向搜索
  • 启发式搜索
  1. 分层规划：
  • HTN（层次任务网络）
  • 抽象层次分解
  1. 概率规划：
  • MDP（马尔可夫决策过程）
  • POMDP（部分可观察马尔可夫决策过程）

决策与规划集成

现代Agent系统通常采用分层架构集成决策与规划：

感知层 → 决策层 → 规划层 → 执行层

架构设计

系统架构

以下是Agent决策与规划系统的核心组件：

  1. 状态感知模块：收集环境信息并维护当前状态
  2. 知识库：存储领域知识和规则
  3. 决策引擎：评估当前状态并生成决策树
  4. 规划器：基于决策树生成可执行计划
  5. 执行监控：跟踪计划执行并反馈调整

组件交互流程

  1. Agent接收任务或感知环境变化
  2. 状态感知模块更新当前状态
  3. 决策引擎根据状态和知识库生成决策树
  4. 规划器将决策树转化为具体行动计划
  5. 执行模块执行计划并监控结果
  6. 根据执行反馈调整决策和规划

代码实现

决策树实现

class DecisionTree:
def __init__(self, root_node):
self.root = root_nodedef evaluate(self, context):
"""评估决策树并返回最终决策"""
current_node = self.root
while True:
if current_node.action is not None:
return current_node.action  # 到达叶节点，返回行动# 评估当前节点条件
result = current_node.condition(context)
if result:
current_node = current_node.true_branch
else:
current_node = current_node.false_branch# 示例：客服Agent决策树构建
def build_customer_service_tree():
# 定义条件判断函数
def is_urgent(context):
return context.get('urgency', 0) > 5def is_technical(context):
return context.get('issue_type') == 'technical'def is_billing(context):
return context.get('issue_type') == 'billing'# 构建决策树
root = DecisionNode(
"root",
condition=is_urgent,
true_branch=DecisionNode(
"urgent_issue",
action={"type": "escalate", "level": "high"}
),
false_branch=DecisionNode(
"normal_issue",
condition=is_technical,
true_branch=DecisionNode(
"technical_issue",
action={"type": "route", "team": "technical_support"}
),
false_branch=DecisionNode(
"non_technical",
condition=is_billing,
true_branch=DecisionNode(
"billing_issue",
action={"type": "route", "team": "billing"}
),
false_branch=DecisionNode(
"general_issue",
action={"type": "route", "team": "general_support"}
)
)
)
)
return DecisionTree(root)

规划器实现

class HTNPlanner:
def __init__(self, domain_knowledge):
self.domain = domain_knowledge  # 领域知识库def plan(self, task, context):
"""生成层次化任务网络计划"""
method = self._find_method(task, context)
if not method:
return [task]  # 原始任务subtasks = []
for subtask in method['subtasks']:
if isinstance(subtask, dict) and 'task' in subtask:
# 递归规划子任务
subtasks.extend(self.plan(subtask['task'], context))
else:
subtasks.append(subtask)
return subtasksdef _find_method(self, task, context):
"""找到适合当前上下文的分解方法"""
for method in self.domain.get(task, {}).get('methods', []):
if self._evaluate_preconditions(method.get('preconditions', []), context):
return method
return Nonedef _evaluate_preconditions(self, preconditions, context):
"""评估前提条件是否满足"""
for condition in preconditions:
if not condition(context):
return False
return True# 示例：客服领域知识
customer_service_domain = {
"handle_customer_query": {
"methods": [
{
"name": "route_by_issue_type",
"preconditions": [lambda ctx: "issue_type" in ctx],
"subtasks": [
{"task": "route_to_{issue_type}_team"},
{"task": "follow_up"}
]
},
{
"name": "default_handling",
"subtasks": [
"collect_customer_info",
"escalate_to_supervisor"
]
}
]
},
"route_to_technical_team": {
"methods": [
{
"subtasks": [
"verify_technical_details",
"assign_to_engineer"
]
}
]
}
}

关键功能

动态决策调整

Agent需要根据环境变化动态调整决策策略：

class AdaptiveDecisionMaker:
def __init__(self, initial_tree, learning_rate=0.1):
self.decision_tree = initial_tree
self.learning_rate = learning_rate
self.memory = []  # 存储决策历史def decide(self, context):
action = self.decision_tree.evaluate(context)
self.memory.append((context.copy(), action))
return actiondef update_tree(self, feedback):
"""根据反馈调整决策树"""
for context, action, reward in feedback:
# 简化版：根据奖励调整条件阈值
node = self._find_decision_node(context)
if node and hasattr(node.condition, 'threshold'):
if reward > 0:
node.condition.threshold *= (1 - self.learning_rate)
else:
node.condition.threshold *= (1 + self.learning_rate)def _find_decision_node(self, context):
"""查找影响当前决策的节点"""
# 简化实现，实际需要更复杂的搜索
current = self.decision_tree.root
while True:
if current.action is not None:
return Noneresult = current.condition(context)
if result:
if current.true_branch.action is not None:
return current
current = current.true_branch
else:
if current.false_branch.action is not None:
return current
current = current.false_branch

多目标决策优化

处理多个可能冲突的目标时，可以使用多目标优化技术：

def multi_objective_decision(context, objectives, candidates):
"""
多目标决策函数
:param context: 当前上下文
:param objectives: 目标列表，每个目标是一个(权重,评估函数)元组
:param candidates: 候选决策列表
:return: 最优决策
"""
scored_decisions = []
for decision in candidates:
scores = []
for weight, objective in objectives:
try:
score = weight * objective(context, decision)
scores.append(score)
except:
scores.append(0)  # 目标不可评估时得0分
# 使用加权分数
total_score = sum(scores)
scored_decisions.append((total_score, decision))# 返回最高分的决策
return max(scored_decisions, key=lambda x: x[0])[1]# 示例使用
objectives = [
(0.6, lambda ctx, d: d.get('customer_satisfaction', 0)),  # 客户满意度权重60%
(0.3, lambda ctx, d: -d.get('cost', 0)),  # 成本权重30%（负值表示越小越好）
(0.1, lambda ctx, d: d.get('speed', 0))  # 速度权重10%
]candidates = [
{'action': 'escalate', 'customer_satisfaction': 8, 'cost': 100, 'speed': 5},
{'action': 'auto_resolve', 'customer_satisfaction': 5, 'cost': 20, 'speed': 8},
{'action': 'route_to_team', 'customer_satisfaction': 7, 'cost': 50, 'speed': 6}
]best_decision = multi_objective_decision({}, objectives, candidates)
print(f"最优决策: {best_decision['action']}")

测试与优化

测试方法

  1. 单元测试：验证每个决策节点和规划步骤
  2. 场景测试：模拟完整业务流程
  3. 压力测试：评估决策系统在高负载下的表现
  4. A/B测试：比较不同决策策略的效果

性能指标

指标类型具体指标评估方法
决策质量准确率、收益离线评估/在线测试
响应速度决策延迟性能测试
适应性策略调整速度变更响应测试
可扩展性节点处理能力负载测试

优化策略

  1. 决策树剪枝：移除对结果影响小的分支
  2. 缓存决策结果：对相似状态缓存决策
  3. 并行评估：同时评估多个决策路径
  4. 近似算法：对复杂问题使用近似解法
def optimize_decision_tree(tree, samples, max_depth=5):
"""通过样本数据优化决策树结构"""
# 实现简化版的决策树优化
optimized_nodes = []def _optimize_node(node, depth):
if depth >= max_depth or node.action is not None:
return node# 评估当前节点的分割效果
sample_counts = {'true': 0, 'false': 0}
for sample in samples:
result = node.condition(sample['context'])
if result:
sample_counts['true'] += 1
else:
sample_counts['false'] += 1# 如果某个分支样本极少，则考虑剪枝
if sample_counts['true'] < len(samples) * 0.1:
return _optimize_node(node.false_branch, depth+1)
elif sample_counts['false'] < len(samples) * 0.1:
return _optimize_node(node.true_branch, depth+1)# 递归优化分支
new_node = DecisionNode(
node.name,
condition=node.condition,
true_branch=_optimize_node(node.true_branch, depth+1),
false_branch=_optimize_node(node.false_branch, depth+1),
action=node.action
)
return new_nodereturn DecisionTree(_optimize_node(tree.root, 0))

案例分析：智能客服决策系统

业务需求

某电商平台需要升级其客服系统，实现：

  1. 自动分类客户问题
  2. 智能路由到最佳处理渠道
  3. 动态调整处理策略
  4. 实时监控解决效率

解决方案

我们设计了一个基于决策树和分层规划的智能Agent系统：

  1. 决策层：使用多级决策树分类问题
  2. 规划层：根据问题类型生成处理流程
  3. 执行层：协调不同系统执行具体操作

核心实现

class CustomerServiceAgent:
def __init__(self):
self.decision_tree = build_customer_service_tree()
self.planner = HTNPlanner(customer_service_domain)
self.state = {}def handle_query(self, query):
# 更新上下文状态
self._update_context(query)# 决策阶段
decision = self.decision_tree.evaluate(self.state)# 规划阶段
if decision['type'] == 'route':
task = f"route_to_{decision['team']}_team"
else:
task = decision['type']plan = self.planner.plan(task, self.state)# 执行阶段
results = []
for step in plan:
if isinstance(step, str) and step.startswith('route_to_'):
team = step.replace('route_to_', '').replace('_team', '')
results.append(self._route_to_team(team))
elif step == 'follow_up':
results.append(self._follow_up())
elif step == 'escalate_to_supervisor':
results.append(self._escalate())
else:
results.append(self._execute_generic_step(step))return {
'decision': decision,
'plan': plan,
'results': results
}def _update_context(self, query):
"""从查询中提取信息更新上下文状态"""
self.state.update({
'issue_type': self._classify_issue(query),
'urgency': self._assess_urgency(query),
'customer_tier': query.get('customer_tier', 'standard')
})def _classify_issue(self, query):
"""简化版问题分类"""
text = query.get('text', '').lower()
if 'payment' in text or 'bill' in text:
return 'billing'
elif 'login' in text or 'error' in text:
return 'technical'
return 'general'def _assess_urgency(self, query):
"""评估问题紧急程度"""
text = query.get('text', '')
if 'urgent' in text.lower() or 'immediately' in text.lower():
return 8
elif 'not working' in text.lower():
return 6
return 3def _route_to_team(self, team):
"""路由到指定团队"""
print(f"Routing to {team} team")
return {'status': 'success', 'team': team}def _follow_up(self):
"""跟进处理"""
print("Scheduling follow-up")
return {'status': 'scheduled'}def _escalate(self):
"""升级处理"""
print("Escalating to supervisor")
return {'status': 'escalated'}def _execute_generic_step(self, step):
"""执行通用步骤"""
print(f"Executing step: {step}")
return {'status': 'completed', 'step': step}# 使用示例
agent = CustomerServiceAgent()
query = {
'text': "I can't login to my account and this is urgent!",
'customer_id': "12345",
'customer_tier': "premium"
}
result = agent.handle_query(query)
print(result)

实施效果

该解决方案实现了：

  1. 问题分类准确率提升40%
  2. 平均处理时间缩短35%
  3. 客户满意度提高25%
  4. 人工干预需求减少60%

实施建议

最佳实践

  1. 渐进式部署：
  • 先在小范围业务流中测试
  • 逐步扩大应用范围
  • 建立回滚机制
  1. 知识维护：
  • 建立决策知识版本控制
  • 定期审核和更新决策规则
  • 实现知识热更新机制
  1. 监控体系：
  • 实时跟踪决策质量
  • 监控规划执行效率
  • 建立异常预警机制

注意事项

  1. 决策可解释性：
  • 记录完整决策路径
  • 提供决策依据说明
  • 实现决策追溯功能
  1. 风险管理：
  • 设置高风险决策的人工审核环节
  • 实现决策安全边界控制
  • 建立应急干预机制
  1. 性能平衡：
  • 在决策质量和响应速度间取得平衡
  • 对复杂决策设置时间上限
  • 实现分级决策机制

总结

在今天的学习中，我们深入探讨了Agent决策树与规划能力的实现方法，包括：

  1. 决策树构建：如何构建和优化决策树结构
  2. 规划算法：分层任务网络等规划技术的实现
  3. 系统集成：将决策和规划能力整合到Agent架构中
  4. 实战案例：完整实现了一个智能客服决策系统

关键设计思想：

  • 分层决策：将复杂问题分解为多个决策层次
  • 动态调整：根据反馈持续优化决策策略
  • 多目标平衡：综合考虑多个业务指标

明天我们将探讨【Day 19: Agent工具使用与API调用】，学习如何让Agent有效利用外部工具和API扩展其能力。

参考资料

  1. Decision Tree Learning - Wikipedia
  2. Hierarchical Task Network Planning
  3. Markov Decision Processes in AI
  4. Multi-Agent Decision Making
  5. Practical Decision Making for AI Agents

文章标签：AI Agent, 决策树, 规划算法, 智能决策, 业务自动化, 人工智能应用

文章简述：本文是"智能Agent场景实战指南"系列的第18篇，深入讲解了如何为智能Agent实现高效的决策树和规划能力。文章从业务场景出发，系统介绍了决策树构建、规划算法选择、系统架构设计等核心技术，并提供了完整的代码实现和优化策略。通过一个智能客服系统的实际案例，展示了如何将这些技术应用于真实业务场景，解决复杂决策问题。开发者可以从中学习到构建具有高级决策能力Agent的实用方法和技术。

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.pswp.cn/pingmian/90554.shtml
繁体地址，请注明出处：http://hk.pswp.cn/pingmian/90554.shtml
英文地址，请注明出处：http://en.pswp.cn/pingmian/90554.shtml

如若内容造成侵权/违法违规/事实不符，请联系英文站点网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

AI 编程工具 Trae 重要的升级。。。

AI 编程工具 Trae 重要的升级。。。

大家好&#xff0c;我是樱木。 今天打开 Trae &#xff0c;已经看到它进行图标升级&#xff0c;之前的图标&#xff0c;国际和国内版本长得非常像&#xff0c;现在做了很明显的区分&#xff0c;这点给 Trae 团队点个赞。 自从 Claude 使出了压力以来&#xff0c;Cursor 锁区&…
阅读更多...
排序算法，咕咕咕

排序算法，咕咕咕

1.选择排序void selectsort(vector<int>& v) { for(int i0;i<v.size()-1;i) {int minii;for(int ji1;j<v.size();j){if(v[i]>v[j]){minij;}}if(mini!i)swap(v[i],v[mini]); } }2.堆排序void adjustdown(vector<int>& v,int root,int size) { int …
阅读更多...
数据库查询系统——pyqt+python实现Excel内查课

数据库查询系统——pyqt+python实现Excel内查课

一、引言 数据库查询系统处处存在&#xff0c;在教育信息化背景下&#xff0c;数据库查询技术更已深度融入教务管理场景。本系统采用轻量化架构&#xff0c;结合Excel课表&#xff0c;通过PythonPyQt5实现跨平台桌面应用&#xff0c;以实现简单查课效果。 二、GUI界面设计 使用…
阅读更多...
base64魔改算法 | jsvmp日志分析并还原

base64魔改算法 | jsvmp日志分析并还原

前言 上一篇我们讲了标准 base64 算法还原&#xff0c;为了进一步学习 base64 算法特点&#xff0c;本文将结合 jsvmp 日志&#xff0c;实战还原出 base64 魔改算法。 为了方便大家学习&#xff0c;我将入参和上篇文章一样&#xff0c;入参为 Hello, World!。 插桩 在js代码中&…
阅读更多...
vue3笔记（2）自用

vue3笔记（2）自用

目录 一、作用域插槽 二、pinia的使用 一、Pinia 基本概念与用法 1. 安装与初始化 2. 创建 Store 3. 在组件中使用 Store 4. 高级用法 5、storeToRefs 二、Pinia 与 Vuex 的主要区别 三、为什么选择 Pinia&#xff1f; 三、定义全局指令 1.封装通用 DOM 操作&#…
阅读更多...
大模型面试回答，介绍项目

大模型面试回答，介绍项目

1. 模型准备与转换&#xff08;PC端/服务器&#xff09;你先在PC上下载或训练好大语言模型&#xff08;如HuggingFace格式&#xff09;。用RKLLM-Toolkit把模型转换成瑞芯微NPU能用的专用格式&#xff08;.rkllm&#xff09;&#xff0c;并可选择量化优化。把转换好的模型文件拷…
阅读更多...
Oracle 19.20未知BUG导致oraagent进程内存泄漏

Oracle 19.20未知BUG导致oraagent进程内存泄漏

故障现象查询操作系统进程的使用排序&#xff0c;这里看到oraagent的物理内存达到16G&#xff0c;远远超过正常环境&#xff08;正常环境在19.20大概就是100M多一点&#xff09;[rootorastd tmp]# ./hmem|more PID NAME VIRT(kB) SHARED(kB) R…
阅读更多...
尝试几道算法题，提升python编程思维

尝试几道算法题，提升python编程思维

一、跳跃游戏题目描述&#xff1a; 给定一个非负整数数组 nums&#xff0c;你最初位于数组的第一个下标。数组中的每个元素代表你在该位置可以跳跃的最大长度。判断你是否能够到达最后一个下标。示例&#xff1a;输入&#xff1a;nums [2,3,1,1,4] → 输出&#xff1a;True输入…
阅读更多...
【菜狗处理脏数据】对很多个不同时间序列数据的文件聚类—20250722

【菜狗处理脏数据】对很多个不同时间序列数据的文件聚类—20250722

目录 具体做法 可视化方法1&#xff1a;PCA降维 可视化方法2、TSNE降维可视化&#xff08;非线性降维&#xff0c;更适合聚类&#xff09; 可视化方法3、轮廓系数评判好坏 每个文件有很多行列的信息&#xff0c;每列是一个驾驶相关的数据&#xff0c;需要对这些文件进行聚类…
阅读更多...
Qwen-MT：翻得快，译得巧

Qwen-MT：翻得快，译得巧

我们再向大家介绍一位新朋友&#xff1a;机器翻译模型Qwen-MT。开发者朋友们可通过Qwen API&#xff08;qwen-mt-turbo&#xff09;&#xff0c;来直接体验它又快又准的翻译技能。 本次更新基于强大的 Qwen3 模型&#xff0c;进一步使用超大规模多语言和翻译数据对模型进行训练…
阅读更多...
在 OceanBase 中，使用 TO_CHAR 函数 直接转换日期格式，简洁高效的解决方案

在 OceanBase 中，使用 TO_CHAR 函数 直接转换日期格式，简洁高效的解决方案

SQL语句SELECT TO_CHAR(TO_DATE(your_column, DD-MON-YY), YYYY-MM-DD) AS formatted_date FROM your_table;关键说明&#xff1a;核心函数&#xff1a;TO_DATE(30-三月-15, DD-MON-YY) → 将字符串转为日期类型TO_CHAR(..., YYYY-MM-DD) → 格式化为 2015-03-30处理中文月份&a…
阅读更多...
pnpm运行electronic项目报错，npm运行正常。electronic项目打包为exe报错

pnpm运行electronic项目报错，npm运行正常。electronic项目打包为exe报错

pnpm运行electronic项目报错 使用 pnpm 运行 electronic 项目报错&#xff0c;npm 运行正常&#xff0c;报错内容如下 error during start dev server and electron app: Error: Electron uninstallat getElectronPath (file:///E:/project/xxx-vue/node_modules/.pnpm/elect…
阅读更多...
8️⃣ 高级特性—— 列表生成式

8️⃣ 高级特性—— 列表生成式

文章目录&#x1f9e0; 总结1. 基本语法2. 加筛选条件&#x1f501; 双层循环&#xff08;全排列&#xff09;&#x1f4c2; 遍历目录&#x1f511; 遍历字典&#x1f521; 转小写3. if 和 if...else 的区别4. 练习题&#x1f9e0; 总结 特性用法示例基础语法[x for x in iter…
阅读更多...
DocC的简单使用

DocC的简单使用

DocC的简单使用 在写3GShare中&#xff0c;由于刚开始使用MVC模式来写东西&#xff0c;对很多东西都不是很熟&#xff0c;经常写着写着就忘了自己在写什么&#xff0c;所以学了一下DocC来加快开发进度 什么是DocC 简单来说&#xff0c;DocC就是更高级的注释&#xff0c;虽然…
阅读更多...
深入理解C语言快速排序与自省排序（Introsort）

深入理解C语言快速排序与自省排序（Introsort）

排序算法是计算机科学中最基础也是最重要的知识之一。快速排序&#xff08;Quicksort&#xff09;因其平均时间复杂度为 O(n log n) 而广受欢迎&#xff0c;但在最坏情况下会退化到 O(n)。为了克服这一缺点&#xff0c;自省排序&#xff08;Introsort&#xff09; 应运而生&…
阅读更多...
C#编程基础：运算符与结构详解

C#编程基础：运算符与结构详解

目录 一.关系运算符 常见关系运算符 二.逻辑运算符 常见逻辑运算符 1. 逻辑与&#xff08;&& 或 and&#xff09; 2. 逻辑或&#xff08;|| 或 or&#xff09; 3. 逻辑非&#xff08;! 或 not&#xff09; 运算符优先级 三.if语句 1.c#程序的三大结构 1.顺序…
阅读更多...
嵌入式学习-土堆目标检测（3）-day27

嵌入式学习-土堆目标检测（3）-day27

再学一个labelme在labelstudio环境中再pip install labelme安装好后直接输入 labelme之后点击保存&#xff0c;选择保存文件地址还有一个就是将labelme的格式转化为yolo格式还是在labelstudio这个环境里面安装pip install labelme2yolo
阅读更多...
Qt OpenGL 集成：开发 3D 图形应用

Qt OpenGL 集成：开发 3D 图形应用

Qt 提供了完善的 OpenGL 集成方案&#xff0c;使开发者能够在 Qt 应用中高效开发 3D 图形应用。通过 Qt 的 OpenGL 模块&#xff0c;可简化 OpenGL 上下文管理、窗口渲染和跨平台适配&#xff0c;同时结合现代 OpenGL 特性&#xff08;如着色器、顶点缓冲、纹理等&#xff09;实…
阅读更多...
【NLP舆情分析】基于python微博舆情分析可视化系统(flask+pandas+echarts) 视频教程 - 热词评论查询功能实现

【NLP舆情分析】基于python微博舆情分析可视化系统(flask+pandas+echarts) 视频教程 - 热词评论查询功能实现

大家好&#xff0c;我是java1234_小锋老师&#xff0c;最近写了一套【NLP舆情分析】基于python微博舆情分析可视化系统(flaskpandasecharts)视频教程&#xff0c;持续更新中&#xff0c;计划月底更新完&#xff0c;感谢支持。今天讲解热词评论查询功能实现 视频在线地址&#…
阅读更多...
使用 Google Earth 的 DEM — 教程。

使用 Google Earth 的 DEM — 教程。

数字高程模型 (DEM)描绘了已知高程点之间的表面高程。本教程将向您展示如何使用 Google Earth 的高程数据生成 DEM。在当今世界&#xff0c;DEM 主要用于 GIS 应用。 当然&#xff0c;我们可以从美国地质调查局 (USGS) 网站下载数字高程模型 (DEM)。但如果我们想知道某个地点的…
阅读更多...
最新文章

Copyright @ 2022~2023