- 什么是强化学习？强化学习是人工智能领域中的一种学习方式，其核心思想是通过一系列的试错过程，让智能体逐步学习如何在一个复杂的环境中进行最优的决策。这种学习方式的特点在于，智能体需要通过与环境的交互来获取奖励信号，从而逐步调整自己的行动策略，以期在长期的时间尺度下获得最大的总奖励。与其他的机器学习算法相比，强化学习最大的特点在于其能够处理连续的、实时的、具有不确定性的环境，因此在许多实际的应用... 什么是强化学习？强化学习是人工智能领域中的一种学习方式，其核心思想是通过一系列的试错过程，让智能体逐步学习如何在一个复杂的环境中进行最优的决策。这种学习方式的特点在于，智能体需要通过与环境的交互来获取奖励信号，从而逐步调整自己的行动策略，以期在长期的时间尺度下获得最大的总奖励。与其他的机器学习算法相比，强化学习最大的特点在于其能够处理连续的、实时的、具有不确定性的环境，因此在许多实际的应用...
- 高度可扩展的时间自适应反射率融合模型（HISTARFM）数据库HISTARFM数据库是一个高空间分辨率的月度反射率时间序列，并对云层数据缺口进行修正。该数据集是通过融合陆地卫星和中分辨率成像光谱仪（MODIS）的时间序列，以30米的分辨率创建的。该方法包括使用两个估计器，它们共同作用于消除随机噪声，并使Landsat光谱反射率的偏差最小化。第一个估计器是一个最佳内插器，它使用Landsat... 高度可扩展的时间自适应反射率融合模型（HISTARFM）数据库HISTARFM数据库是一个高空间分辨率的月度反射率时间序列，并对云层数据缺口进行修正。该数据集是通过融合陆地卫星和中分辨率成像光谱仪（MODIS）的时间序列，以30米的分辨率创建的。该方法包括使用两个估计器，它们共同作用于消除随机噪声，并使Landsat光谱反射率的偏差最小化。第一个估计器是一个最佳内插器，它使用Landsat...
- 进入ModelArts首先，进入华为云官网 https://www.huaweicloud.com/ , 点击“产品”，在左侧切换到“人工智能”，在右侧点击“AI开发平台ModelArts”进入“AI开发平台ModelArts”，在TAB页展开“功能模块”，点击“AI Gallary” 选择模型进入AI Gallary（资产集市）的主页切换到“资产集市”选项卡，然后点击“部署”栏的“模型”... 进入ModelArts首先，进入华为云官网 https://www.huaweicloud.com/ , 点击“产品”，在左侧切换到“人工智能”，在右侧点击“AI开发平台ModelArts”进入“AI开发平台ModelArts”，在TAB页展开“功能模块”，点击“AI Gallary” 选择模型进入AI Gallary（资产集市）的主页切换到“资产集市”选项卡，然后点击“部署”栏的“模型”...
- 数字地球非洲的耕地范围地图非洲2019年这些地图显示了2019年1月至12月期间以下国家耕地的估计位置，其中耕地被定义为至少0.01公顷（单个10米×10米像素）的土地，在播种/种植日期后的12个月内至少可收获一次。还指出，"这一定义将排除非种植的牧地和多年生作物，因为卫星图像可能难以将其与自然植被区分开来。"临时耕地范围地图的分辨率为10米，使用2019年的哥白尼哨兵-2号卫星图像建立。... 数字地球非洲的耕地范围地图非洲2019年这些地图显示了2019年1月至12月期间以下国家耕地的估计位置，其中耕地被定义为至少0.01公顷（单个10米×10米像素）的土地，在播种/种植日期后的12个月内至少可收获一次。还指出，"这一定义将排除非种植的牧地和多年生作物，因为卫星图像可能难以将其与自然植被区分开来。"临时耕地范围地图的分辨率为10米，使用2019年的哥白尼哨兵-2号卫星图像建立。...
- 1986-2010年NAFD森林扰动史本数据集提供的北美森林动态(NAFD)产品包括美国本土(CONUS)的25张年度和两张时间整合的森林干扰图，这些地图来自1986-2010年期间的Landsat图像。每张年度地图都有分类像素，显示水、无森林覆盖、森林覆盖、本年度无数据（数据缺口）以及该年度发生的森林干扰。时间整合的地图也有类似的分类，但在整个1986-2010年期间，第一个和最后一个森... 1986-2010年NAFD森林扰动史本数据集提供的北美森林动态(NAFD)产品包括美国本土(CONUS)的25张年度和两张时间整合的森林干扰图，这些地图来自1986-2010年期间的Landsat图像。每张年度地图都有分类像素，显示水、无森林覆盖、森林覆盖、本年度无数据（数据缺口）以及该年度发生的森林干扰。时间整合的地图也有类似的分类，但在整个1986-2010年期间，第一个和最后一个森...
- 巴西33年次生林年龄基准图v3（1986-2019）到2030年恢复和重新造林1200万公顷的森林，是《巴黎协定》规定的巴西国家确定贡献目标中减少碳排放的主要缓解战略之一。了解森林覆盖率的动态（1985年至2018年期间巴西全国森林覆盖率急剧下降）对于估计全球碳平衡和量化生态系统服务的提供至关重要。了解次生林的长期增量、范围和年龄至关重要；然而，这些变量的量化程度还很低。前言 – 床长人工... 巴西33年次生林年龄基准图v3（1986-2019）到2030年恢复和重新造林1200万公顷的森林，是《巴黎协定》规定的巴西国家确定贡献目标中减少碳排放的主要缓解战略之一。了解森林覆盖率的动态（1985年至2018年期间巴西全国森林覆盖率急剧下降）对于估计全球碳平衡和量化生态系统服务的提供至关重要。了解次生林的长期增量、范围和年龄至关重要；然而，这些变量的量化程度还很低。前言 – 床长人工...
- 目录1、使用机器学习模型时，一般怎么处理数据集2、什么是训练误差和测试误差3、什么是过拟合与欠拟合?怎么解决4、机器学习当中的回归模型有哪些5、机器学习当中的分类模型有哪些6、回归和分类模型的评价指标都有哪些1、使用机器学习模型时，一般怎么处理数据集离散值的处理： 因为离散值的差值是没有实际意义的。比如如果用0,1,2代表红黄蓝，1-0的差值代表黄-红，是没有意义的。因此，我们往往会把拥有d... 目录1、使用机器学习模型时，一般怎么处理数据集2、什么是训练误差和测试误差3、什么是过拟合与欠拟合?怎么解决4、机器学习当中的回归模型有哪些5、机器学习当中的分类模型有哪些6、回归和分类模型的评价指标都有哪些1、使用机器学习模型时，一般怎么处理数据集离散值的处理： 因为离散值的差值是没有实际意义的。比如如果用0,1,2代表红黄蓝，1-0的差值代表黄-红，是没有意义的。因此，我们往往会把拥有d...
- 评估模型的泛化误差的时候通过会使用测试误差来近似泛化误差； 因为测试数据只能用一次，这样太费数据了；实际上我们使用的是验证集 验证集通常是从训练集中出来的 在验证集上，可以对模型进行多次评估来进行模型的选择 验证集需要跟真实的测试数据（部署后接收的数据）要尽量相似；特别是，对于非随机性的数据时，要预测未来时，也要保证训练集和验证集要在具有过去未来的关系。 评估模型的泛化误差的时候通过会使用测试误差来近似泛化误差； 因为测试数据只能用一次，这样太费数据了；实际上我们使用的是验证集 验证集通常是从训练集中出来的 在验证集上，可以对模型进行多次评估来进行模型的选择 验证集需要跟真实的测试数据（部署后接收的数据）要尽量相似；特别是，对于非随机性的数据时，要预测未来时，也要保证训练集和验证集要在具有过去未来的关系。
- 数据的质与量要做权衡； 数据质量：数据的多样性：产品所关心的方方面面都要考虑；无偏差：数据不能只是偏向于一个方面；公平性：不区别对待数据。 大数据的管理是一件很难的事情：存储；快速处理；版本控制；数据安全 。 数据的质与量要做权衡； 数据质量：数据的多样性：产品所关心的方方面面都要考虑；无偏差：数据不能只是偏向于一个方面；公平性：不区别对待数据。 大数据的管理是一件很难的事情：存储；快速处理；版本控制；数据安全 。
- 使用ChatGPT帮我们写一篇论文，最后查重的重复率会是多少？ChatGpt一经发布就大火，迅速应用在各个领域，尤其在程序圈自动帮我们写代码着实是圈了一大波粉。那么它用在科研领域会出现怎样的效果呢，当我们写论文纠结几个关键词不知如何表达的时候GPT能否帮助我们生成想要的语句呢？因此，我们就随便找个题目进行测试，先让GPT生成论文大纲，然后一步步逐步细问每一个大纲的具体内容，不断去补充，生成... 使用ChatGPT帮我们写一篇论文，最后查重的重复率会是多少？ChatGpt一经发布就大火，迅速应用在各个领域，尤其在程序圈自动帮我们写代码着实是圈了一大波粉。那么它用在科研领域会出现怎样的效果呢，当我们写论文纠结几个关键词不知如何表达的时候GPT能否帮助我们生成想要的语句呢？因此，我们就随便找个题目进行测试，先让GPT生成论文大纲，然后一步步逐步细问每一个大纲的具体内容，不断去补充，生成...
- 传统的机器学习训练模型需要大量的标签数据，而且每一个模型是为了解决特定任务设计的，所以当面对全新领域问题就显得无能为力，因此采用迁移学习来解决不同领域之间知识迁移问题，能达到“举一反三”的作用，使学习性能显著提高。 传统的机器学习训练模型需要大量的标签数据，而且每一个模型是为了解决特定任务设计的，所以当面对全新领域问题就显得无能为力，因此采用迁移学习来解决不同领域之间知识迁移问题，能达到“举一反三”的作用，使学习性能显著提高。
- 零样本文本分类应用：基于UTC的医疗意图多分类，打通数据标注-模型训练-模型调优-预测部署全流程。 零样本文本分类应用：基于UTC的医疗意图多分类，打通数据标注-模型训练-模型调优-预测部署全流程。
- 图片分类应用开发第3节 云服务器环境申请&AI应用体验第1单元 本节学习目标了解如何使用代金券申请云环境，并在云环境中快速体验一个样例的运行。第2单元 申请云环境操作视频 1．获取华为云帐号名以及项目 ID ，以便课程接口人给您推送云环境镜像。 2.使用代金券购买 ECS 云环境，以便获取到编译、运行应用的环境。 购买 ECS 云环境成功后，您可以获取到一个服务器 IP 地址， SSH 方式... 图片分类应用开发第3节 云服务器环境申请&AI应用体验第1单元 本节学习目标了解如何使用代金券申请云环境，并在云环境中快速体验一个样例的运行。第2单元 申请云环境操作视频 1．获取华为云帐号名以及项目 ID ，以便课程接口人给您推送云环境镜像。 2.使用代金券购买 ECS 云环境，以便获取到编译、运行应用的环境。 购买 ECS 云环境成功后，您可以获取到一个服务器 IP 地址， SSH 方式...
- 近年来，人工智能取得了长足的进步。从计算摄影到自动驾驶汽车，我们已经看到该技术开启了新的可能性并颠覆了整个行业。现在，我们似乎正处于 ChatGPT 的另一场革命的风口浪尖，它能够生成具有近乎完美语法的类人文本。顾名思义，它甚至可以进行来回对话。因此，在本文中，让我们仔细了解一下 ChatGPT，了解它的工作原理，以及将来您可能会在哪些地方看到它的集成。什么是聊天 GPT？ChatGPT 是... 近年来，人工智能取得了长足的进步。从计算摄影到自动驾驶汽车，我们已经看到该技术开启了新的可能性并颠覆了整个行业。现在，我们似乎正处于 ChatGPT 的另一场革命的风口浪尖，它能够生成具有近乎完美语法的类人文本。顾名思义，它甚至可以进行来回对话。因此，在本文中，让我们仔细了解一下 ChatGPT，了解它的工作原理，以及将来您可能会在哪些地方看到它的集成。什么是聊天 GPT？ChatGPT 是...
- 加拿大森林生态系统的高分辨率年度林地覆盖图（1984-2019）¶森林土地覆盖图的年度时间序列在全国范围内（整个 6.5 亿公顷森林生态系统），代表了从 1984 年到 2019 年的逐年土地覆盖特征。这些时间序列土地覆盖图是从每年的时间制作的 - 一系列 Landsat 图像合成、森林变化信息以及辅助地形和水文数据，遵循 Hermosilla 等人描述的框架。 (2022)，它建立在 H... 加拿大森林生态系统的高分辨率年度林地覆盖图（1984-2019）¶森林土地覆盖图的年度时间序列在全国范围内（整个 6.5 亿公顷森林生态系统），代表了从 1984 年到 2019 年的逐年土地覆盖特征。这些时间序列土地覆盖图是从每年的时间制作的 - 一系列 Landsat 图像合成、森林变化信息以及辅助地形和水文数据，遵循 Hermosilla 等人描述的框架。 (2022)，它建立在 H...
上滑加载中
推荐直播
-
码道新技能，AI 新生产力——从自动视频生成到开源项目解析2026/04/08 周三 19:00-21:00
童得力-华为云开发者生态运营总监/何文强-无人机企业AI提效负责人
本次华为云码道 Skill 实战活动，聚焦两大 AI 开发场景：通过实战教学，带你打造 AI 编程自动生成视频 Skill，并实现对 GitHub 热门开源项目的智能知识抽取，手把手掌握 Skill 开发全流程，用 AI 提升研发效率与内容生产力。
回顾中 -
华为云码道：零代码股票智能决策平台全功能实战2026/04/18 周六 10:00-12:00
秦拳德-中软国际教育卓越研究院研究员、华为云金牌讲师、云原生技术专家
利用Tushare接口获取实时行情数据，采用Transformer算法进行时序预测与涨跌分析，并集成DeepSeek API提供智能解读。同时，项目深度结合华为云CodeArts（码道）的代码智能体能力，实现代码一键推送至云端代码仓库，建立起高效、可协作的团队开发新范式。开发者可快速上手，从零打造功能完整的个股筛选、智能分析与风险管控产品。
回顾中 -
华为云码道全新升级，多会话并行与多智能体协作2026/05/08 周五 19:00-21:00
王一男-华为云码道产品专家；张嘉冉-华为云码道工程师；胡琦-华为云HCDE；程诗杰-华为云HCDG
华为云码道4月份版本全新升级，此次直播深度解读4月份产品特性，通过“特性解读+实操演示+实战案例+设计创新”的组合，全方位展现码道在多会话并行与多智能体协作方面的能力，赋能开发者提升效率
正在直播
热门标签