tag 機器學習

標籤
貢獻433
440
05:25 PM · Oct 25 ,2025
deephub 頭像 tecdat 頭像 qingfouai 頭像 chaoshenjinghyperai 頭像 u_17420180 頭像 u_17061379 頭像 lab4ai 頭像 u_15214399 頭像 youyudetusi 頭像 aigoto 頭像 u_15690955 頭像 MrVolleyball 頭像

@機器學習 / 博客 RSS 訂閱

chaoshenjinghyperai 頭像

超神經HyperAI - 入選ICML 2025，Meta/劍橋/MIT提出全原子擴散Transformer框架，首次實現週期性與非週期性原子系統統一生成

在當今科學研究與工業應用的前沿領域，原子系統三維結構的生成建模正展現出顛覆性潛力，有望徹底重塑新型分子和材料的逆向設計版圖。從精準的結構預測到靈活的條件生成，當前最先進的擴散模型及流匹配模型已在生物分子解析、新材料研發及基於結構的藥物設計等關鍵任務中嶄露頭角，成為科研人員突破技術瓶頸的核心工具。 然而，在這一蓬勃發展的領域背後，一個關鍵難題始終制約着技術躍遷——現有模型缺乏跨系統的通用性。 儘管所

機器學習 , 資訊 , tensorflow , 人工智能 , 深度學習

收藏 評論

u_16099245 頭像

遊俠小影 - PID為4且進程名為System

2016-02-02 進程控制 進程標識 每個進程都有一個非負整型的唯一的進程id，因為進程id表示服總是唯一的，常將其用作其他標識符的一部分以保證其唯一性。 有某些專用的進程：進程id為0是調度進程，常常被稱為交換進程。該進程不執行任何磁盤上的程序，它是內核的一部分，因此也被稱為系統進程。進程id 1通常是init進程，在自舉過

機器學習 , 父進程 , 子進程 , waitpid最後以一個參數設為0 , unix , PID為4且進程名為System , 人工智能

收藏 評論

leafgood 頭像

leafgood - 一.機器學習基礎與特徵工程

1.機器學習基礎 1.1 數學基礎 需要的數學知識： 高等數學、線性代數、概率與統計。 當然一開始不用深入進去，可以在學習過程中逐步積累。 1.2 編程語言 人工智能領域很火的領域的自然是Python，門檻也低，可以作為機器學習入門的首選語言。 有精力的話，再學習C/C++，多一門語言傍身不是壞事。 1.3 機器學習的開發流程 1）從公司原有的數據庫或者爬蟲等途徑獲得原始數據

機器學習

收藏 評論

tech 頭像

青雲交技術圈 - Java 大視界 -- Java 大數據機器學習模型在自然語言處理中的對抗訓練與魯棒性提升

(centerJava 大視界 -- Java 大數據機器學習模型在自然語言處理中的對抗訓練與魯棒性提升/center) 引言 嘿，親愛的 Java 和 大數據愛好者們，大家好！我是CSDN（全區域）四榜榜首青雲交！自然語言處理（NLP）作為人工智能領域的核心技術，在智能客服、智能寫作、信息檢索等場景中廣泛應用。然而，隨着應用的深入，對抗攻擊帶來的威脅日益凸顯。惡意攻擊者通過精心

機器學習 , spark , 魯棒性 , 大數據 , yyds乾貨盤點 , 數據 , Java大數據 , JAVA

收藏 評論

u_15690955 頭像

出手吧Glen - 開源最強數字人HeyGem，威力加強版！

大家好，我是立志替大家出手的AI區UP主格倫Glen。 友友們！以前提起 “數字人”，總覺得是影視大佬、科技巨頭的專屬玩法 —— 動輒幾小時建模、幾天渲染，還得有專業技術加持，普通人想碰？想都別想！ 但今天必須給大家安利一個顛覆數字人行業的狠活：硅基智能推出的HeyGem！這款開源數字人神器，直接把 “數字人制作” 從 “高端局” 拉到 “新手

機器學習 , 數字人 , 建模 , 離線 , 上傳 , 人工智能

收藏 評論

deephub 頭像

deephub - 告別低效代碼：用對這10個Pandas方法讓數據分析效率翻倍

對於 Python 數據處理的初學者而言，早期的 Pandas 代碼往往充斥着基礎的 .head() 、 .dropna() 調用以及大量的在線搜索。然而，掌握一些核心的處理模式後，Pandas 將展現出其快速、表達力強且優雅的特性。 本文將介紹 10 個在數據處理中至關重要的 Pandas 技術模式。這些模式能夠顯著減少調試時間，提升代碼的可維護性，並構建更加清晰的數據處理流水線。 使用

機器學習 , 數據挖掘 , 人工智能 , pandas , Python

收藏 評論

u_14152 頭像

feiry - windows安裝emqx下載

硬盤安裝xubuntu-8.04 於是，我下載了ubuntu-8.04.1-alternate-i386.iso，直接放到C盤。 然後硬盤安裝，刻盤安裝的同學跳過此段。 1、查看C盤，保證裏面沒有menu.lst文件(當然也可以是別的盤，不過C盤在Linux裏面是（hda0,0）第一個硬盤 的第一個分區，比較好記。D盤是(hda0,4)，E盤是(hda0,

機器學習 , windows安裝emqx下載 , 人工智能 , 重新啓動 , desktop , Ubuntu

收藏 評論

digitalocean 頭像

DigitalOcean - DigitalOcean AI 智能體評估功能全新升級：更快速，更深入

評估 AI 智能體並非易事，尤其當現有工具無法契合你的思維和工作方式時。為此，我們很高興宣佈，DigitalOcean Gradient™ AI 平台中的智能體評估功能現已全面升級。新版本將幫助你更快速、更輕鬆地評估 AI 智能體、理解結果並定位問題。 智能體評估功能有哪些更新？ 原有的評估功能雖然強大，但存在一些影響開發者使用體驗的痛點。本次升級正是為了徹底解決這些問題： 按目標歸類的評估指

機器學習 , 資訊 , 人工智能 , 深度學習

收藏 評論

chaoshenjinghyperai 頭像

超神經HyperAI - 幾乎覆蓋元素週期表！Meta 發佈開源 OMat24 數據集，含 1.1 億 DFT 計算結果

隨着全球對可再生能源需求的日益增長，儲能技術作為一種能夠將能量儲存起來並在需要時釋放的解決方案，正受到越來越多的關注。但許多再生能源存儲技術初期投資成本高，運維困難，目前仍處於研發或示範階段。 針對於此，彼時還未更名的 Facebook 人工智能研究實驗室 (FAIR) 聯合卡耐基梅隆大學，於 2020 年發起了 Open Catalyst Project 項目，其目標是利用 AI 探尋用於可再生

機器學習 , 數據集 , 人工智能 , meta , 深度學習

收藏 評論

deephub 頭像

deephub - 分佈式機器學習系統：設計原理、優化策略與實踐經驗

人工智能領域正在經歷一場深刻的變革。隨着深度學習模型的規模呈指數級增長，我們正面臨着前所未有的計算挑戰。當前最先進的語言模型動輒包含數千億個參數，這種規模的模型訓練已經遠遠超出了單機系統的處理能力。在這個背景下，分佈式機器學習系統已經成為支撐現代人工智能發展的關鍵基礎設施。 分佈式機器學習的演進 在深度學習早期，研究人員通常使用單個GPU就能完成模型訓練。隨着研究的深入，模型架構變得越來越複雜，參

機器學習 , 人工智能 , 分佈式系統 , Python

收藏 評論

u_16099289 頭像

編程小匠人傳奇 - js 設置1rem等於10px

當 x=’1’時， x+1 x-1 +x -x ++x typeof(x+1) typeof(x-1) typeof(+x) typeof(-x) typeof(++x) 　　的結果分別是多少？ 答案: x+1 //’11’ x-1 //0 +x//1 -x//-1 ++x //2 typeof(x+1) //’string’ typ

機器學習 , 運算符 , 字符串 , 操作數 , 人工智能 , js 設置1rem等於10px

收藏 評論

u_16213619 頭像

mob64ca14010a69 - 微信小程序中使用globaldata

小程序裏常見的取值有以下幾種，一個完整的項目寫下來，用到的概率幾乎是100%。 列表index下標取值 頁面傳值 form表單取值 1. 列表index下標取值 實現方式是：data-index="{{index}}"挖坑及e.curr

機器學習 , ico , 取值 , 人工智能 , 頁面傳值 , 微信小程序中使用globaldata

收藏 評論

u_16099231 頭像

半夜未央好 - 能執行功能模塊 MB_CREATE_GOODS_MOVEMENT

使用NSIS製作可執行程序的安裝包： 1，NSIS下載地址：https://pan.baidu.com/s/1GzzQNXgAlJPJWgjBzVwceA 下載完成之後解壓縮，打開安裝程序，默認安裝即可。 2，打開NSIS，點擊“可視化腳本編輯器(VNISEdit)”。 3，選擇“使用腳本嚮導創建新的腳本文件(S)”，單擊“確定”。

機器學習 , NSIS , 應用程序 , 人工智能 , 安裝程序

收藏 評論

u_16099329 頭像

數據狂徒 - less 強制不轉換rem

PHP強制類型轉換 PHP 中的強制類型轉換和其他語言很類似 可以在要轉換的變量之前加上用括號括起來的目標類型（例如$var = (int)3.1415;） 也可以使用具體的類型轉換函數（例如 intval()、floatval()、strval() 等）或者 settype() 來轉換類型。 轉換變量的方法

機器學習 , 浮點型 , 字符串 , php , 整型 , 人工智能 , less 強制不轉換rem

收藏 評論

wenzhibinbinderiguangdeng 頭像

北京宏哥 - 🔥全程不用寫代碼，我用 AI 程序員寫了一個飛機大戰

前言 還在為寫代碼薅頭髮嗎？還在為給出的需求無處下手而發愁嗎？今天宏哥分享一款開發工具的插件，讓你以後的編程變得簡單起來。 作為一個遊戲編程小白，能完成自己工作就不錯了，還能玩別的，這在以前想都不敢想，現在就可以輕鬆實現了。來跟隨宏觀的腳步，通過簡單幾步成功開發出了一款飛機大戰小遊戲！ 是的，你沒聽錯，就是那種你可以控制一架小飛機，在屏幕上閃躲子彈，擊敗敵人的遊戲。聽起來是不是很酷呢！ 1.環境準

機器學習 , 遊戲開發 , pycharm , 人工智能 , Python

收藏 評論

lab4ai 頭像

Lab4AI - NeurIPS 2025！電子科大同濟等提出Table2LaTeX-RL：表格轉 LaTeX 精準度再突破

論文標題：Table2LaTeX-RL: High-Fidelity LaTeX Code Generation from Table Images via Reinforced Multimodal Language Models 作者團隊：電子科技大學、浙江實驗室科學數據樞紐研究中心、同濟大學 發佈時間：2025年9月22日 👉一鍵直達論文 👉Lab4AI大模型實驗室論文閲讀 ✅Lab

機器學習 , llm , 人工智能

收藏 評論

u_17061379 頭像

AI編程社區 - Qoder 官方答疑時間 | Qoder CLI 專場

在 Qoder CLI 推出後，我們也收到了許多用户的反饋。我們整理了最高頻的問題，在本期內容中為大家逐一解答。 Q：Qoder CLI 和 Qoder IDE 怎麼選？ A：Qoder CLI 和 Qoder IDE 是 Qoder 的兩款重點產品，都是Agentic平台的一部分，未來Qoder還會發布更多的產品形態來滿足開發者的需求。Qoder CLI 可

code , 機器學習 , 答疑活動 , cli , 人工智能 , 開發者

收藏 評論

u_16213702 頭像

mob64ca1414c613 - stm32cubemx變量

一、最近在玩stm32，用庫（V3.5.0）開發，被 stm32的變量定義搞的暈頭轉向，決心將其弄清楚。 在 stdint.h 文件裏，我們可以清楚的看到： typedef signed char int8_t; typedef signedshort int int16_t; typedef

機器學習 , 寫訪問 , stm32cubemx變量 , 固件庫 , 人工智能 , define

收藏 評論

u_17420180 頭像

合合信息解決方案 - 文檔分塊時，如何避免把表格或關鍵段落割裂？

在 RAG 知識庫構建、大模型文檔問答等場景中，文檔分塊是影響信息檢索準確性與回答質量的關鍵環節，而表格與關鍵段落的割裂問題，已成為行業普遍面臨的核心痛點，其難點集中體現在三方面： ● 複雜元素結構識別難：真實場景中的文檔往往包含雙欄表格、無線圖表、跨行合併表格、嵌套表格等非標準化元素，傳統 OCR 工具無法精準判斷這些複雜元素的結構邏輯與內容順序，分塊時易將完

機器學習 , 分塊 , 上傳 , 人工智能 , 嵌套

收藏 評論

u_16099327 頭像

AI智行者 - emby 連不上

隨着現在新內核的EasyGBS、EasyNVR以及EasyCVR的使用場景越來越廣泛，這些平台也被運用在大小不同的很多實際項目中。在功能上，基本都能滿足大部分用户的需求，也有少部分項目需要進行功能的定製。 有的時候有用户可能會遇到EasyGBS在正常運行，但是密碼輸入正確卻無法登錄頁面的情況。這種情況我們之前進行過簡單的分析，一般會有兩個原因，這裏我們把兩個原因總結和大家講

機器學習 , emby 連不上 , windows , 服務器存儲 , 人工智能 , ios

收藏 評論

deephub 頭像

deephub - Python離羣值檢測實戰：使用distfit庫實現基於分佈擬合的異常檢測

傳感器監控、安全運營、欺詐檢測——這些場景都需要及時發現異常狀況。但是問題在於，異常樣本出現頻率低導致標註數據稀缺，監督學習模型難以構建。雖然異常(anomaly)和新穎性(novelty)這兩個概念經常混用，但它們在建模假設和處理流程上存在本質差異。 本文會先講清楚異常檢測的核心概念，分析anomaly和novelty的區別，然後通過實際案例演示如何用概率密度擬合方法構建單變量數據集的無監督異常

機器學習 , 人工智能 , 異常處理 , Python

收藏 評論

u_13479 頭像

jkfox - freemarker ftl文件加css樣式

如今的XML，在文檔生成方面可謂大紅大紫。使用XML + XSLT可以動態生成HTML文檔和表單。而XML + XSL +FO更可以動態生成PDF/RTF文檔。 所謂動態生成，就是在運行，才將數據放到具有指定DTD/schema的XML文檔中，使用預定義的XSL文檔生成可供瀏覽或打印的文檔。 一般來説，生成HTML和PDF的XSLT要分別定義

機器學習 , xml , firefox , 人工智能 , XSL , HTML , ie

收藏 評論

u_17588526 頭像

圍爐聊科技 - 當AI成為“大腦”：人類如何在機器時代找到不可替代的價值？

一、從“下意識”到“大模型”：我們正在重新定義智能 最近，我常常思考一個問題：如果將當前的大語言模型比作人類的“大腦”，那麼人類那些看似“不經思考”的下意識行為，又該對應什麼呢？ 下意識行為是否就是AI系統中的一套快速響應機制：規則引擎、緩存系統、輕量級模型協同工作，共同構建出“自動化”的表象？ 我猜測人類與AI的智能機制，其實存在驚人的相似性，並且這個相似性可

機器學習 , 人工智能

收藏 評論