- 故障不是洪水猛兽：聊聊智能运维的“自愈”体系该咋搭 故障不是洪水猛兽：聊聊智能运维的“自愈”体系该咋搭
- I. 合成控制法的基本理论与原理 反事实框架下的因果推断挑战在因果推断中，我们始终面临一个根本性问题：对于接受干预的处理组，我们无法同时观测到其接受干预和未接受干预的两种状态。合成控制法的核心思想是：通过对未接受干预的控制单元进行加权组合，构建一个与处理组在干预前特征尽可能相似的"合成控制组"，用这个合成控制组来模拟处理组在没有干预情况下的反事实结果。 经典案例：加利福尼亚州控烟政策的效果... I. 合成控制法的基本理论与原理 反事实框架下的因果推断挑战在因果推断中，我们始终面临一个根本性问题：对于接受干预的处理组，我们无法同时观测到其接受干预和未接受干预的两种状态。合成控制法的核心思想是：通过对未接受干预的控制单元进行加权组合，构建一个与处理组在干预前特征尽可能相似的"合成控制组"，用这个合成控制组来模拟处理组在没有干预情况下的反事实结果。 经典案例：加利福尼亚州控烟政策的效果...
- I. 统计推断基础概念 1.1 假设检验框架统计推断的核心是假设检验，这是一个基于数据对总体参数做出推论的系统性方法。在A/B测试中，我们通过比较两个组别的差异来做出决策。 1.1.1 零假设与备择假设每个A/B测试都始于两个相互竞争的假设：零假设 (H₀)：实验组和对照组之间没有真实差异，观察到的差异只是随机波动的结果备择假设 (H₁)：实验组和对照组之间存在真实差异import num... I. 统计推断基础概念 1.1 假设检验框架统计推断的核心是假设检验，这是一个基于数据对总体参数做出推论的系统性方法。在A/B测试中，我们通过比较两个组别的差异来做出决策。 1.1.1 零假设与备择假设每个A/B测试都始于两个相互竞争的假设：零假设 (H₀)：实验组和对照组之间没有真实差异，观察到的差异只是随机波动的结果备择假设 (H₁)：实验组和对照组之间存在真实差异import num...
- Wasserstein GAN提升图像生成质量的理论与实践生成对抗网络（GANs，Generative Adversarial Networks）自2014年由Ian Goodfellow等人提出以来，已经在图像生成、图像修复、图像转换等领域取得了巨大的进展。GAN的独特结构，即由生成器（Generator）和判别器（Discriminator）组成的对抗性训练过程，使其在生成逼真图像方面... Wasserstein GAN提升图像生成质量的理论与实践生成对抗网络（GANs，Generative Adversarial Networks）自2014年由Ian Goodfellow等人提出以来，已经在图像生成、图像修复、图像转换等领域取得了巨大的进展。GAN的独特结构，即由生成器（Generator）和判别器（Discriminator）组成的对抗性训练过程，使其在生成逼真图像方面...
- 本文记录企业级法务知识库RAG系统的多AI协同开发实战：面对2万份格式混杂、含15%模糊扫描件的法律文档，14天交付需3秒响应精准查询的系统，构建Kiln AI、LlamaIndex、Helicone协同矩阵。Kiln AI完成数据清洗（有效信息密度提至85%）、合成训练样本及模型微调，使专业术语识别准确率达92%；LlamaIndex搭建三层检索架构，融合语义与关键词检索，匹配错误率降至5%。 本文记录企业级法务知识库RAG系统的多AI协同开发实战：面对2万份格式混杂、含15%模糊扫描件的法律文档，14天交付需3秒响应精准查询的系统，构建Kiln AI、LlamaIndex、Helicone协同矩阵。Kiln AI完成数据清洗（有效信息密度提至85%）、合成训练样本及模型微调，使专业术语识别准确率达92%；LlamaIndex搭建三层检索架构，融合语义与关键词检索，匹配错误率降至5%。
- 深度强化学习（Deep Reinforcement Learning, DRL）作为人工智能领域的一个重要分支，已广泛应用于智能控制系统中。从无人驾驶到机器人控制，DRL通过模拟和训练智能体，能够在复杂环境中做出决策并执行控制任务。本文将探讨DRL在智能控制系统中的应用、所面临的挑战以及如何克服这些挑战。 深度强化学习（Deep Reinforcement Learning, DRL）作为人工智能领域的一个重要分支，已广泛应用于智能控制系统中。从无人驾驶到机器人控制，DRL通过模拟和训练智能体，能够在复杂环境中做出决策并执行控制任务。本文将探讨DRL在智能控制系统中的应用、所面临的挑战以及如何克服这些挑战。
- Files containing only extrapolated orbital metadata, to be read via SDP Toolkit, Binary Format简介AM1EPHNE 是 Terra 近实时 (NRT) 2 小时航天器外推星历数据文件，采用原生格式。文件名格式如下：AM1EPHNE.Ayyyyddd.hhmm.vvv.yyyydddhhmmss，其... Files containing only extrapolated orbital metadata, to be read via SDP Toolkit, Binary Format简介AM1EPHNE 是 Terra 近实时 (NRT) 2 小时航天器外推星历数据文件，采用原生格式。文件名格式如下：AM1EPHNE.Ayyyyddd.hhmm.vvv.yyyydddhhmmss，其...
- 视频动作识别算法的核心是从视频的时空数据中提取运动特征与空间特征，并对人类或物体的动作类别进行分类。一、传统方法（基础参考，已较少用于主流场景）传统方法依赖手工设计特征，虽精度有限，但原理简单，适合资源极度受限或简单场景：HOG+SVM/BoW：原理：将视频帧拆分为块，提取HOG（方向梯度直方图） 描述空间纹理，结合光流（Optical Flow） 描述运动，再用BoW（词袋模型） 聚合特征... 视频动作识别算法的核心是从视频的时空数据中提取运动特征与空间特征，并对人类或物体的动作类别进行分类。一、传统方法（基础参考，已较少用于主流场景）传统方法依赖手工设计特征，虽精度有限，但原理简单，适合资源极度受限或简单场景：HOG+SVM/BoW：原理：将视频帧拆分为块，提取HOG（方向梯度直方图） 描述空间纹理，结合光流（Optical Flow） 描述运动，再用BoW（词袋模型） 聚合特征...
- 图像增强的核心目标是提升图像质量（如清晰度、对比度）、突出关键信息，或为后续任务（如目标检测、医学影像分析、遥感解译）优化数据。根据技术原理，可分为空域增强、频域增强、深度学习增强三大类。一、空域增强：直接操作像素域（最基础、应用最广）空域增强通过修改图像像素的灰度值或空间位置实现，无需转换到其他域，计算效率高，适合实时场景（如监控、手机拍照）。1. 灰度变换：调整像素灰度分布（提升对比度 ... 图像增强的核心目标是提升图像质量（如清晰度、对比度）、突出关键信息，或为后续任务（如目标检测、医学影像分析、遥感解译）优化数据。根据技术原理，可分为空域增强、频域增强、深度学习增强三大类。一、空域增强：直接操作像素域（最基础、应用最广）空域增强通过修改图像像素的灰度值或空间位置实现，无需转换到其他域，计算效率高，适合实时场景（如监控、手机拍照）。1. 灰度变换：调整像素灰度分布（提升对比度 ...
- 当AI遇上癌症：聊聊个性化治疗的新可能 当AI遇上癌症：聊聊个性化治疗的新可能
- 数据才是真救命的：聊聊如何用大数据提升灾难预警的精准度 数据才是真救命的：聊聊如何用大数据提升灾难预警的精准度
- 梯度下降（Gradient Descent）是机器学习和深度学习中最常用的优化算法之一，其目标是通过迭代更新模型参数以最小化损失函数。反向传播（Backpropagation）为梯度计算提供了高效的实现方式，而随机梯度下降（Stochastic Gradient Descent, SGD）则通过随机采样显著提升了大规模数据集上的训练效率。本文将深入探讨梯度下降、反向传播和SGD的核心原理、技... 梯度下降（Gradient Descent）是机器学习和深度学习中最常用的优化算法之一，其目标是通过迭代更新模型参数以最小化损失函数。反向传播（Backpropagation）为梯度计算提供了高效的实现方式，而随机梯度下降（Stochastic Gradient Descent, SGD）则通过随机采样显著提升了大规模数据集上的训练效率。本文将深入探讨梯度下降、反向传播和SGD的核心原理、技...
- 在深度学习领域，优化算法对于模型的训练和性能提升起着至关重要的作用。梯度下降、反向传播以及随机梯度下降（SGD）是其中最为基础和关键的算法。本文将详细介绍这三种算法的基本概念、原理、计算过程以及它们之间的关系，并通过示例和图表来帮助读者更好地理解。 一、引言深度学习模型通常包含大量的参数，需要在训练数据上进行多次迭代以调整这些参数，使得模型的预测结果与真实标签尽可能接近。梯度下降及其相关变种... 在深度学习领域，优化算法对于模型的训练和性能提升起着至关重要的作用。梯度下降、反向传播以及随机梯度下降（SGD）是其中最为基础和关键的算法。本文将详细介绍这三种算法的基本概念、原理、计算过程以及它们之间的关系，并通过示例和图表来帮助读者更好地理解。 一、引言深度学习模型通常包含大量的参数，需要在训练数据上进行多次迭代以调整这些参数，使得模型的预测结果与真实标签尽可能接近。梯度下降及其相关变种...
- 机器学习项目中至关重要的三重境界——特征提取（Feature Extraction）、特征选择（Feature Selection）和特征工程（Feature Engineering）。特征提取将原始数据转化为有意义的数值表示，特征选择从冗余特征中筛选关键信息，而特征工程则通过创造性变换提升模型性能。文章结合计算机视觉、自然语言处理等领域的经典案例，解析各环节的核心方法论与实战技巧，并提供可... 机器学习项目中至关重要的三重境界——特征提取（Feature Extraction）、特征选择（Feature Selection）和特征工程（Feature Engineering）。特征提取将原始数据转化为有意义的数值表示，特征选择从冗余特征中筛选关键信息，而特征工程则通过创造性变换提升模型性能。文章结合计算机视觉、自然语言处理等领域的经典案例，解析各环节的核心方法论与实战技巧，并提供可...
- 线性回归、逻辑回归和支持向量机（SVM）作为统计学习与机器学习的三大基石，一直广泛应用于回归预测、分类决策及异常检测等领域。本文从算法原理出发，深入解析三者的模型假设、损失函数与求解方法，随后给出统一的端到端实践流程（含流程图），并通过对比实验总结它们在不同场景下的优劣势，为工程落地提供参考。算法原理概述1.1 线性回归– 模型假设：y≈wᵀx+b– 损失函数：最小二乘 L(w,b)=1/2... 线性回归、逻辑回归和支持向量机（SVM）作为统计学习与机器学习的三大基石，一直广泛应用于回归预测、分类决策及异常检测等领域。本文从算法原理出发，深入解析三者的模型假设、损失函数与求解方法，随后给出统一的端到端实践流程（含流程图），并通过对比实验总结它们在不同场景下的优劣势，为工程落地提供参考。算法原理概述1.1 线性回归– 模型假设：y≈wᵀx+b– 损失函数：最小二乘 L(w,b)=1/2...
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
关于RISC-V生态发展的思考2025/09/02 周二 17:00-18:00
中国科学院计算技术研究所副所长包云岗教授
中科院包云岗老师将在本次直播中，探讨处理器生态的关键要素及其联系，分享过去几年推动RISC-V生态建设实践过程中的经验与教训。
回顾中 -
一键搞定华为云万级资源，3步轻松管理企业成本2025/09/09 周二 15:00-16:00
阿言 华为云交易产品经理
本直播重点介绍如何一键续费万级资源，3步轻松管理成本，帮助提升日常管理效率！
回顾中
热门标签