收藏 / 列表

candy_68fb0dfb0afd0 頭像

Candy - 讓機器學習更簡單的 8 個 Python 庫

Machine Learning 再也不神秘了。 你已經熟悉 scikit-learn、PyTorch 和 XGBoost。很好——現在別再重複造輪子，來看看我在需要更快的實驗、更安全的 models，或在招聘經理眼裏像魔法一樣的 features 時真正會用的 8 個庫。它們不是人人都在列的“trendy”清單——而是優雅地解決了我在 production 和 research 中遇到的

機器人 , 人工智能

selectdb 頭像

SelectDB技術團隊 - 數據無界、湖倉無界， Apache Doris 湖倉一體解決方案全面解讀（上篇）

導讀：湖倉一體架構融合了數據湖的低成本、高擴展性，以及數據倉庫的高性能、強數據治理能力，高效應對大數據時代的挑戰。為助力企業實現湖倉一體的建設，Apache Doris 提出了數據無界和湖倉無界核心理念，並結合自身特性，助力企業加速從 0 到 1 構建湖倉體系，降低轉型過程中的風險和成本。本文將對湖倉一體演進及 Apache Doris 湖倉一體方案進行介紹。 在過去的數年間，數據分析技術棧

github , 數據倉庫 , 架構設計 , 數據分析 , 數據湖

fannaodeshafa 頭像

煩惱的沙發 - Gemini CLI 核心命令指南，讓工作從從容容遊刃有餘

讓我看看，誰還沒有用上 Gemini CLI？ 免費額度：個人 Google 賬户可享受每分鐘 60 次請求的免費額度，足以滿足日常開發中的交互需求。 強大的模型支持：由 Gemini 2.5 Pro 模型驅動，擁有高達一百萬 token 的上下文窗口，能夠處理和理解大型代碼庫或複雜的文檔。 內置工具集：集成了多種實用工具，包括使用 Google 搜索來提供有時效性的回答、執行文件系統操

ai開發 , gemini-pro , 人工智能 , 後端 , 前端

aoshizhongshengdexiangjiao_bvx78q 頭像

傲視眾生的香蕉_bvX78Q - Claude Code與SEO優化：現實與期望的技術分析

引言：SEO的現實與神話 在數字營銷領域，經常會看到"24小時排名首頁"或"快速賺取數千美金"的承諾。作為技術從業者，我們需要以客觀、科學的態度來分析這些聲明的可行性，同時探討Claude Code等AI工具在SEO優化中的真實作用。 SEO基礎：搜索引擎排名的技術原理 Google排名算法的複雜性 Google的排名算法包含超過200個排名因素，主要分為以下幾個維度： 內容質量信號 內

seo , 編程工具 , 人工智能 , claude

huandanshendeshoushudao 頭像

慧星雲 - 一文看懂如何選最適合你的 DeepSeek:最快3分鐘上手可用！

DeepSeek DeepSeek系列模型的現象級爆火，引發國內外廣泛關注與討論熱潮，然而對許多想要投身AI這一風口的個人和企業來説，缺乏專業的技術支持與技術平台，缺少穩定高性價比的算力資源，正成為他們試圖踏入AI領域的重重障礙。 近日，專業AI算力雲平台與AI生產力平台「慧星雲」，重磅推出DeepSeek全面解決方案，以全棧能力釋放國產大模型潛力，助力企業和用户高效接入DeepSeek等

llm , 雲平台 , 部署 , 雲服務 , 人工智能

fabarta 頭像

Fabarta - 六問「大模型落地」— 如何打通企業智能化轉型最後一公里？

作者：張紅兵 楓清科技（Fabarta）合作人 ChatGPT 2022年底出現以來，大模型熱度持續不減，尤其是今年年初DeepSeek的爆火，更讓大模型走入更多人的視野。大模型除了在C端（個人用户）廣泛應用，在B端（企業）也有越來越多的企業在做落地。2025年8月26號， 國務院發佈《關於深入實施“人工智能+”行動的意見》，更將以大模型為主的人工智能技術放到更加突出的位置。“

開源軟件 , 數據 , 人工智能 , 深度學習

JavaEdge 頭像

JavaEdge - Embedding Atlas：Apple推出的開源Embedding可視化工具！

本文已收錄在Github，關注我，緊跟本系列專欄文章，咱們下篇再續！ 🚀 魔都架構師 | 全網30W技術追隨者 🔧 大廠分佈式系統/數據中台實戰專家 🏆 主導交易系統百萬級流量調優 車聯網平台架構 🧠 AIGC應用開發先行者 | 區塊鏈落地實踐者 🌍 以技術驅動創新，我們的征途是改變世界！ 👉 實戰乾貨：編程嚴

聚類 , yyds乾貨盤點 , 數據 , 人工智能 , 深度學習 , 開發者

u_17583190 頭像

fangpin - 從 0 搭建 LLM 不再難！這個 PyTorch 項目幫你吃透大模型底層邏輯

如果你曾想深入理解大語言模型（LLM）的 “五臟六腑”，卻被框架封裝的黑盒接口、複雜的源碼結構勸退；如果你希望親手實現 Transformer 的每一個組件，而非單純調用transformers庫 —— 那麼今天推薦的這個開源項目，絕對能成為你的 LLM 學習 “腳手架”。 它就是 GitHub 上的 llm-from-scratch（項目地址），一個基於 PyTorch、專為教育設

AIGC二三事 , llm , BPE , 人工智能 , transformer , 深度學習 , 大模型

u_16970152 頭像

求知上進 - 瞭解 Python 集合的無限可能

1. 集合概述 1.1 什麼是集合？ Python 的集合（set）是一個無序、可變、不允許重複元素的容器，用於存儲唯一的數據項。集合基於哈希表實現，提供 O(1) 平均時間複雜度的成員檢查和插入操作。Python 還提供不可變的集合變體——凍結集合（frozenset），適用於需要不可變鍵的場景（如字典鍵）。 關鍵特性： 無序性：集合中的元素沒

數據集 , 集合運算 , 人工智能 , 深度學習 , Python

u_16060192 頭像

HyperAI超神經 - 從9,874篇文獻到1.5萬晶體結構，MOF-ChemUnity重構MOF全景知識，推動材料發現進入「可解釋AI」時代

在材料科學領域，金屬有機框架（Metal–Organic Frameworks，MOFs）堪稱科學家們的「瑞士軍刀」：它們具有高比表面積、化學可調性和結構多樣性，在氣體分離與儲存、催化以及傳感等領域具有廣泛應用。然而，對於科研人員而言，MOF 的世界極其龐大且複雜——目前已有超過 12.5 萬種 MOF 框架被合成，並計算預測了數百萬種可能的結構。 雖然人工智能（AI）已經深刻改變了

人工智能 , 深度學習 , 材料科學

u_13303 頭像

colddawn - 神經網絡自適應控制仿真matlab 自適應 神經網絡

Adaptively Connected Neural Networks Paper link: Adaptively Connected Neural Networksarxiv.org Code link: wanggrun/Adaptively-Connected-Neural

神經網絡自適應控制仿真matlab , 自適應 , 卷積 , 數據 , 神經網絡 , 人工智能

ivorysql_xiaozhuli 頭像

IvorySQL - PostgreSQL 18 異步 I/O（AIO）調優指南

導語：PostgreSQL 18 中最大的變化是引入了異步 I/O (AIO) 子系統，這引出了一個問題：如何根據工作負載調整它？Tomas Vondra 這篇博客提供瞭如何設置 AIO 配置，並根據你的工作負載進行測試的實用指南。 PostgreSQL 18 已正式發佈，該版本包含大量改進。其中一項重大架構變更是異步 I/O（Asynchronous I/O，簡稱 AIO） ——它支持對 I/O

數據庫 , SQL

huizhudev 頭像

HuiZhu - 每週8小時耗在會議上，但73%的會議紀要根本沒人看

數據顯示，職場人平均每週花費8小時在各類會議上，但調研發現：73%的會議紀要在發出後根本沒人仔細讀，92%的行動項沒有被有效追蹤。 更尷尬的是，38%的職場人承認自己"從不寫會議紀要"，原因不是懶，而是不知道該怎麼記錄才有用。 這就是會議紀要的真實現狀：會開了，時間花了，但價值沒沉澱下來。 會議紀要為什麼淪為"形式主義"？ 真正的問題不是寫不寫，而是寫了沒人用。我見過太多這樣的紀要： 會議紀要 -

generative-ai , 教程 , chatgpt , 人工智能 , prompt

chunzhendexiaogou 頭像

PoloAPI - Windows 系統安裝與使用 Claude Code 全攻略

Claude Code 作為一款高效的 AI 編程輔助工具，深受開發者青睞，但由於其本身不支持 Windows 文件系統，在 Windows 系統上使用需要藉助 WSL（適用於 Linux 的 Windows 子系統）。下面為你詳細介紹在 Windows 系統上安裝和使用 Claude Code 的完整流程。 什麼是 WSL WSL（Windows Subsystem for Linux，適用於

編程 , 人工智能 , 深度學習 , 後端 , 前端

aloudata 頭像

Aloudata大應科技 - Aloudata 亮相 2025 DACon 數智大會，為企業打造可信智能的 Data Agent

10 月 24 日，由國內知名大數據與人工智能技術社區 DataFun 主辦的 2025 DACon 數智大會在北京隆重舉行。此次大會以“大模型時代，Data + AI 的變與不變”為主題，聚焦大數據、大模型技術動態及 AI 應用實踐，涵蓋了汽車製造、金融、保險、電商、消費、零售、物流、軟件開發等行業領域。 Aloudata 大應科技產品專家趙禕祺受邀參會，帶來了《以 NoETL 指標語義層為核心

agent , 大數據 , etl , 人工智能 , 數據分析

matrixorigin 頭像

MatrixOrigin - 視頻+教程 | 解鎖 RAG 深度搜索應用潛能：Deerflow 與 MOI 融合實戰指南

前言 本教程旨在為開發者提供一份清晰、詳盡的指南,説明如何將開源 RAG (Retrieval-Augmented Generation) 應用開發引擎 Deerflow 與 MOI 的 RAG 服務進行集成。通過本教程,讀者將掌握 Deerflow 的部署方法、在 MOI 中創建數據處理工作流的技能,並最終實現兩者連接,以構建一個強大的、可定製的深度檢索增強生成應用。 一、 Deerflow 簡

機器學習 , 數據挖掘 , 算法 , 人工智能 , 深度學習

u_17580222 頭像

mb691327edb400f - AI面試智能體

培訓預算削減的背後，是時候重新審視招聘的真正成本。 年底覆盤，不少HR對着培訓報表愁眉不展：預算花了近百萬，員工滿意度剛過及格線，業務部門還抱怨“培訓沒用”。降本增效的要求之下，培訓預算首當其衝被壓縮。問題真的出在培訓本身嗎？或許，根源在於招聘環節——選錯人，才是企業最大的成本浪費。 01 培訓無效的背後：選錯人是最昂貴的成本 當業務部門抱怨“培訓沒用”時，他們

沉浸式 , 一對一 , 人工智能 , 深度學習

u_16349720 頭像

短短同學 - 對象住哪裏?——深入剖析JVM內存結構與對象分配機制

對象住哪裏？—— 深入剖析 JVM 內存結構與對象分配機制 在 Java 程序運行時，我們創建的每一個對象（如new User()）都需要佔用 JVM 內存，但這些對象究竟 “居住” 在哪個內存區域？為何有的對象很快被回收，有的卻能長期存活？要解答這些問題，必須先理清 JVM 的內存結構劃分，再深入對象從創建到銷燬的全生命週期分配邏輯 —— 這不僅是面試高頻考點，更是理解

User , jvm , 人工智能 , 深度學習 , 常量池

u_16380863 頭像

未聞花名AI - 構建AI智能體：十三、大數據下的“搭積木”：N-Gram 如何實現更智能的語義搜索

一、什麼是 N-gram 核心定義：N-gram 是來自給定文本或語音序列的N 個連續項（如單詞、字符）的序列。它是一種通過查看一個項目的前後文來建模序列的概率模型。 N：代表連續項的數量。 項（Item）：通常是單詞（Word），也可以是字符（Character）或音節。 核心思想：N-gram 模型基於一個簡化的假設：一個詞的出現概

Ngram , yyds乾貨盤點 , 數據 , 似然函數 , NLP , 自定義 , 人工智能

shujuxiaowanzi 頭像

數據小玩子 - 【營銷數據洞察系列6】營銷活動全局ROI：除了當期銷量，如何衡量活動的長期價值？

成功的營銷活動不僅要關注短期銷售額，更要兼顧品牌資產積累（如品牌認知、用户留存）等長期價值，實現短期收益與長期增長的平衡。利用助睿BI搭建活動全景看板，關聯活動期間銷量、品牌搜索量、官網自然流量、新客留存率等指標，既能核算當期收益，也能追蹤長期品牌影響力，實現活動價值的全維度評估。 助睿BI鏈接：https://www.zhurui.com/

數據挖掘 , bi , 人工智能 , 數據分析

writers 頭像

思否編輯部 - 昇騰，邀開發者上場

9月20日，華為昇騰計算業務總裁張迪煊站在華為全聯接大會的舞台上，闡述的重點已從幾天前發佈的新一代芯片性能，轉向一個更核心的議題：如何讓這些軟硬件能力真正為開發者所用。台下，人們捕捉到一個明確的信號：昇騰，正邀請開發者上場。 張迪煊用接下來的時間，清晰地勾勒出了一條清晰的路徑，即通過徹底的共享奠定基礎，通過開放的共創激發活力，最終與開發者共同定義未來的技術範式。 共享：從資源普惠到底層代碼的全面開

雲計算 , 人工智能 , 開發者