作者文章归档：course
工程化（Engineering） 和 产品化（Productization） 是两个在技术和业务开发中非常重要的概念，尤其在软件开发、机器学习、硬件开发等领域，它们有着不同的重点和目标。
工程化 是指将技术、理论或原型转化为可操作、可实现的系统或方案的过程。它侧重于如何将某个概念或想法从设计阶段转化为实际可用的解决方案，通常关注的是技术实现、质量控制、效率和可维护性。
Nose 是一个 Python 测试框架，它是基于 unittest（Python 标准库中的测试模块）之上的，旨在使测试变得更加简洁和易于使用。Nose 自动发现测试，并支持许多扩展和插件，帮助开发者更高效地编写和执行测试。
Nose 的主要特点是自动化测试发现、灵活的测试插件和与 unittest 兼容，能够让开发者快速上手并提高测试效率。
不过，值得注意的是，nose 已经不再积极维护，许多社区成员推荐转向其他更现代的框架，如 pytest。但是，nose 仍然有一些遗留项目在使用，因此它在历史上仍然是一个重要的测试框架。
Tox 是一个用于自动化 Python 项目测试的工具，特别是在多环境、多版本下的测试。它能够让你在多个虚拟环境中运行自动化测试，帮助开发者在不同的 Python 版本和依赖环境中检查代码的兼容性。
Tox 的主要作用是为 Python 项目提供一个统一的方式来执行单元测试、集成测试、代码质量检查等任务，并确保这些任务能够在多个环境中运行而不出现不兼容的问题。
Tox 自动创建和管理虚拟环境，并在这些虚拟环境中执行测试。它通过 tox.ini 文件来配置测试环境和执行步骤。每个测试环境可以使用不同版本的 Python 和依赖库。
stock股票.获取股票数据,计算股票指标,识别股票形态,综合选股,选股策略,股票验证回测,股票自动交易,支持PC及移动设备。
InStock股票系统，抓取每日股票、ETF关键数据，计算股票各种指标，识别K线各种形态，综合选股，内置多种选股策略， 支持选股验证回测，支持自动交易，支持批量时间，运行高效，支持PC、平板、手机移动设备显示， 同时提供Docker镜像方便安装，是量化投资的好帮手
...知识问答（Knowledge-Based Question Answering，KBQA）是指通过自然语言处理（NLP）和知识库的结合，自动从结构化或半结构化的知识库中提取答案并提供给用户的技术。与传统的基于信息检索的问答系统不同，知识问答系统不仅要理解问题的语义，还要从知识图谱、数据库或其他结构化数据源中提取具体的信息来回答用户的问题。
知识问答通常涉及两种类型的数据：
BERT（双向编码器表示的变换器）是由Google于2018年提出的一种自然语言处理（NLP）预训练模型，它基于Transformer架构，旨在通过双向上下文的理解来提升文本理解能力，解决传统NLP模型在处理上下文信息时的局限性。
BERT的提出极大地推动了NLP领域的进步，特别是在问答系统、文本分类、命名实体识别等任务中，它的出现使得NLP模型能够通过理解上下文的方式提高理解准确度，并且在多个NLP任务上设立了新的性能基准。
语义搜索是一种通过理解查询的含义和上下文来改进搜索结果的技术，它不仅仅依赖于关键词的匹配，还考虑到查询意图、上下文、同义词和相关语义信息，从而提供更准确和相关的搜索结果。
与传统的基于关键词的搜索不同，语义搜索能够理解用户查询的真正意图，处理模糊和复杂的查询，并返回更符合语义需求的结果，通常用于处理自然语言查询。
语义搜索的核心在于理解用户的查询意图，而不仅仅是匹配关键词。例如，查询“如何做意大利面？”不仅仅是查找包含“意大利面”和“做法”的网页，而是要理解用户的真实需求——寻找意大利面的做法...