- DevOps 不香了？可能是你还没用上“智能运维”！ DevOps 不香了？可能是你还没用上“智能运维”！
- ACT-America: L1 DAOD Measurements by Airborne CO2 Lidar, Eastern USA简介该数据集提供了通过多功能光纤激光雷达（MFLL；哈里斯公司）在 2016 年夏季、2017 年冬季、2017 年秋季和 2018 年春季在美国中部和东部地区开展的大气碳和输送（ACT-America）项目机载观测期间进行的 1 级（L1）遥感差分吸收... ACT-America: L1 DAOD Measurements by Airborne CO2 Lidar, Eastern USA简介该数据集提供了通过多功能光纤激光雷达（MFLL；哈里斯公司）在 2016 年夏季、2017 年冬季、2017 年秋季和 2018 年春季在美国中部和东部地区开展的大气碳和输送（ACT-America）项目机载观测期间进行的 1 级（L1）遥感差分吸收...
- 人工智能在语言学习中的实践：从 Duolingo 到自研系统的深度剖析 1. 引言：当 AI 成为语言教师的“第二大脑” 1.1 语言学习的三大痛点反馈延迟：传统课堂无法做到“随问随答”内容同质化：教材更新缓慢，难以匹配个人兴趣遗忘曲线：缺乏科学复习节奏，导致“学得快忘得更快”Duolingo 用 AI 解决的正是这三个问题：实时语法纠错（NLP）个性化习题推荐（Bandit + 强化学习... 人工智能在语言学习中的实践：从 Duolingo 到自研系统的深度剖析 1. 引言：当 AI 成为语言教师的“第二大脑” 1.1 语言学习的三大痛点反馈延迟：传统课堂无法做到“随问随答”内容同质化：教材更新缓慢，难以匹配个人兴趣遗忘曲线：缺乏科学复习节奏，导致“学得快忘得更快”Duolingo 用 AI 解决的正是这三个问题：实时语法纠错（NLP）个性化习题推荐（Bandit + 强化学习...
- HMM模型 4.7 HMM模型API介绍 集成学习进阶 5.1 xgboost算法原理 5.4 otto案例介绍 -- Otto Group Product Classification Challenge【xgboost实现】 数据变化可视化 5.5 lightGBM 5.9 stacking算法基本思想 5.10 住房月租金预测 向量与矩阵的范数 朗格朗日乘子法 Huber HMM模型 4.7 HMM模型API介绍 集成学习进阶 5.1 xgboost算法原理 5.4 otto案例介绍 -- Otto Group Product Classification Challenge【xgboost实现】 数据变化可视化 5.5 lightGBM 5.9 stacking算法基本思想 5.10 住房月租金预测 向量与矩阵的范数 朗格朗日乘子法 Huber
- 在构建现代自然语言处理模型时，像 GPT 这样的预训练模型已经成为了必不可少的基础。这些模型的训练成本高昂，但在完成预训练之后，通过引入 Adapter 模块可以使得在不同任务中的微调更加高效。 Adapter 简介Adapter 是一种小型的神经网络模块，通常在模型的每一层 Transformer 之后被引入，以减少微调大规模预训练模型的计算和存储成本。Adapter 模块的主要思路是将一... 在构建现代自然语言处理模型时，像 GPT 这样的预训练模型已经成为了必不可少的基础。这些模型的训练成本高昂，但在完成预训练之后，通过引入 Adapter 模块可以使得在不同任务中的微调更加高效。 Adapter 简介Adapter 是一种小型的神经网络模块，通常在模型的每一层 Transformer 之后被引入，以减少微调大规模预训练模型的计算和存储成本。Adapter 模块的主要思路是将一...
- ### 问题背景知乎上一个问题：> 为什么数据集仅仅加了40个但模型拟合所需训练次数却大幅度增加?> 我是手搓的transformer。一开始数据集的数量只有40个，大概训练个六七十次就可以拟合，但是我现在把数据集加到了70多个想要训练到拟合就需要几百次才行。这是为什么啊### 数据集增加如何影响模型拟合在机器学习和深度学习的训练过程中，模型的训练速度和拟合能力常常取决于数据集的复杂性和规模... ### 问题背景知乎上一个问题：> 为什么数据集仅仅加了40个但模型拟合所需训练次数却大幅度增加?> 我是手搓的transformer。一开始数据集的数量只有40个，大概训练个六七十次就可以拟合，但是我现在把数据集加到了70多个想要训练到拟合就需要几百次才行。这是为什么啊### 数据集增加如何影响模型拟合在机器学习和深度学习的训练过程中，模型的训练速度和拟合能力常常取决于数据集的复杂性和规模...
- 基于YOLOv8的无人机位置捕捉识别项目｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！源码包含：完整YOLOv8训练代码+数据集(带标注)+权重文件+直接可允许检测的yolo检测程序+直接部署教程/训练教程 项目摘要本项目集成了 YOLOv8无人机目标检测模型 与 PyQt5图形界面工具，实现了对无人机在图像或视频中的精准位置识别和可视化操作。支持图片、视频、摄像头、文件夹批量... 基于YOLOv8的无人机位置捕捉识别项目｜完整源码数据集+PyQt5界面+完整训练流程+开箱即用！源码包含：完整YOLOv8训练代码+数据集(带标注)+权重文件+直接可允许检测的yolo检测程序+直接部署教程/训练教程 项目摘要本项目集成了 YOLOv8无人机目标检测模型 与 PyQt5图形界面工具，实现了对无人机在图像或视频中的精准位置识别和可视化操作。支持图片、视频、摄像头、文件夹批量...
- 1 简介原生 map 类型不是线程安全的，尤其在高并发或大批量写入场景下，如果多个 goroutine 同时对同一 map 执行写操作（或读写混合），往往会导致程序 panic、写入失败或不确定行为。Go 1.24 中引入了 Swiss Table 作为 map 数据类型的新底层实现，这是 Go 语言发展中的一个重要改进。这个实现借鉴了现代编程语言（如 C++ 和 Rust）中的哈希表优化... 1 简介原生 map 类型不是线程安全的，尤其在高并发或大批量写入场景下，如果多个 goroutine 同时对同一 map 执行写操作（或读写混合），往往会导致程序 panic、写入失败或不确定行为。Go 1.24 中引入了 Swiss Table 作为 map 数据类型的新底层实现，这是 Go 语言发展中的一个重要改进。这个实现借鉴了现代编程语言（如 C++ 和 Rust）中的哈希表优化...
- ACT-America: L2 Remotely Sensed Column-average CO2 by Airborne Lidar, Eastern USA简介该数据集提供了二级（L2）遥感柱状平均二氧化碳（CO2）浓度，这些浓度是在 2016 年夏季、2017 年冬季、2017 年秋季和 2018 年春季为大气碳和输送（ACT-America）项目在美国中部和东部地区开展的空中观测... ACT-America: L2 Remotely Sensed Column-average CO2 by Airborne Lidar, Eastern USA简介该数据集提供了二级（L2）遥感柱状平均二氧化碳（CO2）浓度，这些浓度是在 2016 年夏季、2017 年冬季、2017 年秋季和 2018 年春季为大气碳和输送（ACT-America）项目在美国中部和东部地区开展的空中观测...
- 当量子力学遇上人工智能：科幻照进现实了吗？ 当量子力学遇上人工智能：科幻照进现实了吗？
- PEFT（Parameter-Efficient Fine-Tuning）是一种对大模型部分参数进行调整的方法，训练快消耗少。通过PEFT在特定领域提升大模型的能力。假设有这样题目：“一组数字 [19, 36, 55, 7]，要求通过加减乘除最后得出65”，让我们看看QWen2.5-0.5B的模型会不会做。from transformers import pipelinepipe = pip... PEFT（Parameter-Efficient Fine-Tuning）是一种对大模型部分参数进行调整的方法，训练快消耗少。通过PEFT在特定领域提升大模型的能力。假设有这样题目：“一组数字 [19, 36, 55, 7]，要求通过加减乘除最后得出65”，让我们看看QWen2.5-0.5B的模型会不会做。from transformers import pipelinepipe = pip...
- AI批改作文的准确性与局限性分析关键词：作文自动评分、AES、BERT、微调、可解释性、数据偏差 1. 背景与问题定义 1.1 为什么需要AI批改作文传统人工批改成本高、一致性差、反馈滞后，而大规模写作教学（如托福/雅思、K12作文、企业内训）需要及时、可扩展、标准化的评分与诊断。自动作文评分（Automated Essay Scoring, AES）系统应运而生，核心任务包括：整体评分（... AI批改作文的准确性与局限性分析关键词：作文自动评分、AES、BERT、微调、可解释性、数据偏差 1. 背景与问题定义 1.1 为什么需要AI批改作文传统人工批改成本高、一致性差、反馈滞后，而大规模写作教学（如托福/雅思、K12作文、企业内训）需要及时、可扩展、标准化的评分与诊断。自动作文评分（Automated Essay Scoring, AES）系统应运而生，核心任务包括：整体评分（...
- 智能教育平台如何实现个性化学习推荐？——从算法到落地代码的全景解析 为什么个性化学习推荐是教育数字化的“圣杯”传统教育平台以“班级”为单位推送统一内容，导致“优生吃不饱、差生跟不上”。据 HolonIQ 2024 报告显示，个性化学习可使学习效率平均提升 30–50%，并显著降低辍学率。实现个性化推荐的核心难点在于：教育数据稀疏：学生-习题交互矩阵极度稀疏（<0.5%）。知识状态动态演化：... 智能教育平台如何实现个性化学习推荐？——从算法到落地代码的全景解析 为什么个性化学习推荐是教育数字化的“圣杯”传统教育平台以“班级”为单位推送统一内容，导致“优生吃不饱、差生跟不上”。据 HolonIQ 2024 报告显示，个性化学习可使学习效率平均提升 30–50%，并显著降低辍学率。实现个性化推荐的核心难点在于：教育数据稀疏：学生-习题交互矩阵极度稀疏（<0.5%）。知识状态动态演化：...
- 深度强化学习在异构环境中AI Agent行为泛化能力研究随着人工智能技术的迅猛发展，AI Agent 在游戏、智能制造、自动驾驶等场景中已逐步展现出强大的自适应能力。特别是深度强化学习（Deep Reinforcement Learning, DRL）的引入，使得智能体能够通过与环境的交互，自动学习最优的行为策略。本文将系统性地探讨基于深度强化学习的AI Agent行为决策机制，并结合代码... 深度强化学习在异构环境中AI Agent行为泛化能力研究随着人工智能技术的迅猛发展，AI Agent 在游戏、智能制造、自动驾驶等场景中已逐步展现出强大的自适应能力。特别是深度强化学习（Deep Reinforcement Learning, DRL）的引入，使得智能体能够通过与环境的交互，自动学习最优的行为策略。本文将系统性地探讨基于深度强化学习的AI Agent行为决策机制，并结合代码...
- 本项目集成了 YOLOv8纸板破损缺陷检测模型 与 PyQt5图形界面工具，支持对工厂包装纸箱表面出现的多种破损瑕疵（如撕裂、压痕、孔洞等）进行快速准确识别。检测逻辑精准，界面操作便捷，适用于工厂自动质检、流水线布控系统等实际场景。 本项目集成了 YOLOv8纸板破损缺陷检测模型 与 PyQt5图形界面工具，支持对工厂包装纸箱表面出现的多种破损瑕疵（如撕裂、压痕、孔洞等）进行快速准确识别。检测逻辑精准，界面操作便捷，适用于工厂自动质检、流水线布控系统等实际场景。
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