- ACT-America: L2 In Situ Atmospheric CO2, CO, CH4, and O3 Concentrations, Eastern USA简介该数据集提供了大气中二氧化碳 (CO2)、一氧化碳 (CO)、甲烷 (CH4)、水蒸气 (H2O) 和臭氧 (O3) 的浓度，这些浓度是在大气碳和运输-美国 (ACT-America) 项目开展的空中活动期间收集的。ACT... ACT-America: L2 In Situ Atmospheric CO2, CO, CH4, and O3 Concentrations, Eastern USA简介该数据集提供了大气中二氧化碳 (CO2)、一氧化碳 (CO)、甲烷 (CH4)、水蒸气 (H2O) 和臭氧 (O3) 的浓度，这些浓度是在大气碳和运输-美国 (ACT-America) 项目开展的空中活动期间收集的。ACT...
- 本文由AI产品专家三桥君探讨了AI从被动响应到主动决策的演进路径，重点分析了函数调用和RAG技术在构建AI Agent中的关键作用。文章梳理了大模型能力的迭代（原生能力与涌现能力），技术演进的三个阶段（提示工程→函数调用→RAG），并提出AI Agent需具备环境感知、推理决策和行动执行的核心要素。三桥君认为，未来AGI需突破跨领域学习、实时更新和安全性挑战，最终实现如"贾维斯"般的智能伙伴。 本文由AI产品专家三桥君探讨了AI从被动响应到主动决策的演进路径，重点分析了函数调用和RAG技术在构建AI Agent中的关键作用。文章梳理了大模型能力的迭代（原生能力与涌现能力），技术演进的三个阶段（提示工程→函数调用→RAG），并提出AI Agent需具备环境感知、推理决策和行动执行的核心要素。三桥君认为，未来AGI需突破跨领域学习、实时更新和安全性挑战，最终实现如"贾维斯"般的智能伙伴。
- 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（...
上滑加载中
推荐直播
-
华为云码道Agent集成与鸿蒙实战2026/08/11 周二 19:00-21:00
王一男-华为云码道产品规划专家；李炎-华为云码道产品专家；彭江敏-华为云鸿蒙端云一体化开发专家
本次直播带你解读华为云码道7月份产品新特性、新功能。更有专家演示码道Agent Space × 钉钉机器集成实战，从0到1打通消息通道；码道鸿蒙端云一体化实战，快速搭建员工签到系统。
回顾中 -
华为云开发者AI素养直播课·第五期2026/09/04 周五 16:00-18:00
林华鼎-华为云AI开发者运营负责人；蒋春阳-华为云AI开发者案例开发专家
本期直播内容： AI工具体验营 · 第5-8课连讲。Agent-Team 多智能体协作完成毕业设计实践
回顾中 -
华为云开发者AI素养ClassRoom·第六期2026/09/08 周二 19:00-20:00
樊渊-2026华为软件挑战赛冠军
高手来了：看软挑高手解析二维排样问题—从工业难题到算法突破
回顾中
热门标签