- 我们正在引入一种分析地球的新方法。Google 的卫星嵌入数据集利用人工智能的力量，将一年的多源卫星数据打包到每个 10 米像素中，从而实现更快、更强大的地理空间分析。欢迎来到 Earth Engine 中深度学习的未来。15 年前，我们推出了 Earth Engine，其使命是提供对地球观测图像和地理空间数据的广泛访问。随着我们在地球引擎数据目录中添加了数 PB 的公开数据，这一雄心勃勃的... 我们正在引入一种分析地球的新方法。Google 的卫星嵌入数据集利用人工智能的力量，将一年的多源卫星数据打包到每个 10 米像素中，从而实现更快、更强大的地理空间分析。欢迎来到 Earth Engine 中深度学习的未来。15 年前，我们推出了 Earth Engine，其使命是提供对地球观测图像和地理空间数据的广泛访问。随着我们在地球引擎数据目录中添加了数 PB 的公开数据，这一雄心勃勃的...
- 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...
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