- 综合排序
- 最热优先
- 最新优先
- 来自专栏Hank’s Blog
4-6 R语言函数 排序
#sort:对向量进行排序;返回排好序的内容 #order:返回排好序的内容的下标/多个排序标准 > x <- data.frame(v1=1:5,v2=c(10,7,9,6,8),v3=11:15,v4=c(1,1,2,2,1)) > sort(x$v2) [1] 6 7 8 9 10 > sort(x$v2,decreasing = TRUE) [1] 10 9 8 7 6 > order(x$v2) [1] 4 2 5 3 1 > x[order(x$v2),] v1 v
37140发布于 2020-09-16 - 来自专栏yuyy.info技术专栏
《代码整洁之道》笔记（4-6章节）
个人认为注释还是要写，算是对代码的中文翻译，因为我们的英语水平，命名习惯各不相同。
29310编辑于 2022-06-28 - 来自专栏全栈程序员必看
生物识别指纹_生物指纹识别技术
锁屏要使用指纹解锁，首先要注册指纹服务，我看过的一些大厂项目中，实际上是在KeyguardUpdate.java类中发起注册的，一般是根据当前状态，是不是已经处于上锁状态（侧边指纹机器，是不等上锁即进行指纹服务注册，屏下指纹需要等上锁后，才发起指纹服务注册）。
5.3K31编辑于 2022-09-22 - 来自专栏量子位
支持移动GPU、推断速度提升4-6倍
TensorFlow用于移动设备的框架TensorFlow Lite发布重大更新，支持开发者使用手机等移动设备的GPU来提高模型推断速度。
1.1K30发布于 2019-04-24 - 来自专栏企鹅号快讯
机器正在生物化＆生物正在工程化
机器，正在生物化；而生物，正在工程化。这并不意味着未来是灰色冰冷的钢铁世界；相反，未来朝向的正是一种新生物的文明。 自然一直在用她的血肉供养着人类，获取食物、衣着和居所。 很不幸，在KK成书之后“生物圈2号”并没有冒出。“生物圈2号”先后迎来两批居民，但是两次实验都以失败告终。 当然，这并不影响KK在20年前对于“生物圈2号”的延伸思考，而且仍然具有现实意义：生命是终极技术。机器技术只不过是生物技术的临时替代品而已。我们大可不必担心，机器技术将替代所有生物物种。 下个世纪将是生物学的世纪，注意不是仿生学，因为有机体和机器的混成物中，在天生和人造缓慢的混合过程中，最终获胜的总是生物逻辑——“机器的未来是生物”。 例如：生物无法将自己的DNA代码向其他生物体“广而告之”，以便它们获取信息并改变其代码，而在计算机环境中，你就能做到这一点。 多细胞生物本质上就是在宇宙尺度上运行大规模的并行代码。
2K00发布于 2017-12-28 - 来自专栏人人都是极客
支持移动GPU、推断速度提升4-6倍
虽然移动设备的处理能力和功率都有限。虽然TensorFlow Lite提供了不少的加速途径，比如将机器学习模型转换成定点模型，但总是会在模型的性能或精度上做出让步。
1.6K20发布于 2019-03-15 - 来自专栏igenome
20220519_生物信息平台搭建及生物信息软件安装
20220519_生物信息平台搭建及生物信息软件安装 01 基础软件安装 基础软件安装 ==================== rstudio.org/desktop/bionic/amd64/rstudio-1.3.1093-amd64.deb dpkg -i rstudio-1.3.1093-amd64.deb 02 常用生物信息软件安装
1.7K32编辑于 2022-05-19 - 来自专栏生信宝典
浓缩咖啡会降低2型糖尿病风险？
研究人员发现，每天增加一杯咖啡消费量与2型糖尿病的风险降低4-6％有关，过滤或浓缩咖啡效果更强。该研究由咖啡科学信息研究所(ISIC)资助 （利益相关？？？） （1）通过调查分析习惯饮用咖啡者体内的炎症和胰岛素耐药性，揭示了咖啡是如何通过身体内的炎症生物标志物降低2型糖尿病（T2D）的风险。 （2）两项大型前瞻性队列研究发现，每天仅多喝一杯咖啡，患T2D风险会降低4-6％。 （3）专家认为，对于大多数成年人，每天摄入不超过400毫克咖啡因（3-5杯咖啡）是合适且安全的。 研究人员证实，每天增加一杯咖啡，患T2D的风险会降低4-6%。 此外，我们使用线性回归模型研究了咖啡与亚临床炎症生物标志物（包括C-反应蛋白（CRP）和IL-13）以及脂肪因子（如脂连蛋白和瘦素）之间的关联。
28330编辑于 2023-08-30 - 来自专栏人工智能快报
生物识别新面貌
据加拿大市场研究公司Ontario的生物特征研究小组报告，到2015年底，有6.5亿人在移动设备上使用生物识别技术。 美国普渡大学生物特征研究国际中心主任Stephen Elliott解释称：“我们注意到有多种生物识别技术在发展传播。” 当前，有一个很显然的结论是墨水、纸张和密码已经不能胜任安全任务。 银行、零售商和其他机构不需要改装自动取款机来接受指纹或其他生物识别技术。Stephen Elliott指出，基于智能手机的生物识别技术基本上不需要任何学习、培训或知识就可以使用。 如果原始的生物特征数据被窃取，个人将无法生成一个新的指纹或人脸；它将被永久破解。Jain说，当前也存在对隐私和不道德使用生物特征数据的关注。 然而，“如果使用多因素生物识别或行为生物识别技术，也许不需要实用原始数据。”
1.2K70发布于 2018-03-14 - 来自专栏yuyy.info技术专栏
《Go语言精进之路：从新手到高手的编程思想、方法和技巧1》4-6章笔记
醍醐灌顶到没有，别扭确实存在。当然这需要一段时间来适应，说下这段时间最难接受的点吧。 1、文件的单一职责做不好，一个文件里有多个结构体，想知道某个结构体有哪些方法，需要借助IDE 2、命名使用单字母，特定场景能理解，例如循环里的i，遍历map的k,v，但是很多单字母不是这种常见场景里的。代码整洁之道里说命名要见名知意，宁愿用长命名也不用无法表达清楚的短命名，这点go背道而驰。此书里说有时需要短命名加注释，而代码整洁之道里说注释就不应该存在，如果要用注释，说明写的代码无法准确清晰的表达意思。
1.1K20编辑于 2022-09-21 - 来自专栏新智元
【远古生物复活】深度学习与生物大数据处理
深度学习加速生物大数据处理速度 随着生命科学的迅猛发展，生物医学领域的数据量呈指数形式增长，生物医学数据表现为数据量大(Volume)、多样化(Variety)、有价值(Value)、高速(Velocity 曙光公司联合中科院计算机所，在生物医学处理方面取得了长足进展，大大加速了生物大数据处理速度。 生物医学大数据独具特色 生物医学领域数据有其自身特点。 1.数据量大：生物医学领域数据量十分庞大。 如今，只需几千美元和几个小时，即可完成一个人基因组的解析，低廉高效的研究方式得到生物科学家们的青睐，大量的物种得以测序解析，使得生物研究进入的生物数据的海洋，而积累的原始数据也必将迅速增长。 3.价值高：随着生物信息学的发展，越来越多有价值的信息从生物数据中挖掘出来，这些价值不仅体现在生物科研领域，而且已应用于农业、健康和医学等领域。 深度学习在生物领域取得的进展让人振奋。现阶段XSharp的应用主要集中在高维多模式生物图像分布式数据系统、海量生物图像数据的深度挖掘流程和生物图像处理数据密集型算法加速等项目中。
1.1K50发布于 2018-03-13 - 来自专栏desperate633
第4-6课 数据的过滤where子句操作符使用通配符进行过滤
实际查询中，通常不会检索所有行，需要对数据进行筛选过滤，选出符合我们需要条件的数据。
1.9K10发布于 2018-08-22 - 来自专栏微生态与微进化
Nature：原核生物基因的生物地理学研究
接下来很可能会进入“后组学”时代，系统化分析生物数据以解决核心科学问题为大势所趋。本篇文章系统地整理了全球不同生境的微生物组数据，并以此分析基因的生物地理。 Towards the biogeography of prokaryotic genes 原核生物基因的生物地理学研究 作者：Luis Pedro Coelho, RenatoAlves, Álvaro 这些基因目录被广泛应用于人类肠道、宿主相关或环境的微生物组研究。 主要结果 全球微生物基因目录 本文作者整合宏基因组和完整基因组，调查不同生境的原核生物基因来获得关于其全球分布和分子功能的认识。 根据本文的数据，这甚至对生物多样性非常高的栖息地来说也是可行的，比如土壤。
1K20编辑于 2022-05-05 - 来自专栏AI机器学习与深度学习算法
机器学习入门 4-6 网格搜索与k近邻算法中更多超参数
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍使用sklearn网格搜索寻找最好的超参数以及kNN计算两个数据点距离的其他距离定义。
78600发布于 2019-11-13 - 来自专栏人工智能与演化计算成长与进阶
15非监督学习异常检测4-6构建与评价异常检测系统
Note 对于异常检测问题而言，样本数据集往往是倾斜的，即 标记为 1 异常的数据往往很少，而标记为 0 即正常的数据往往很多 此时使用准确率等方法来进行判断一个模型的好坏往往是不合适的，所以通过 查准率和查全率以及 F1 分数能够很好的分析和判断这个问题
1.8K11发布于 2020-08-14 - 来自专栏生信菜鸟团
植物生物学与生物技术: 聚焦基因组学与生物信息学
植物生物信息学---面向转录组测序数据分析和机器学习方法的应用新趋势 植物生物学与生物技术: 聚焦基因组学与生物信息学 分析植物适应环境变化和胁迫反应的分子机制对植物生物技术至关重要。 其中关键方法包括生物信息学方法、高通量测序和后基因组技术。测序和系统生物学方法提供了从分子到细胞、器官和种群水平的植物生长的全面视图。 ），及在俄罗斯-bgrs举行的一系列生物信息学会议之后发表的相关期刊(https://bgrssb.icgbio.ru/2022/)和关于基因表达生物信息学的一系列最新杂志期刊(https://www.mdpi.com 基于总结概述当前植物生物信息学面向转录组测序数据分析和机器学习方法应用的趋势。利用新的生物信息学工具，集中研究了植物基因表达调控以及植物发育和胁迫反应的潜在分子机制。 在参与大分子细胞代谢和有机生物合成过程以及生物体应激反应的基因中，发现了与西伯利亚落叶松适应性相关的单核苷酸多态性。
49010编辑于 2024-06-11 - 来自专栏天意云&天意科研云&天意生信云
首个多模态生物序列对话模型，生物版ChatGPT来了！
首个多模态生物AI对话模型来了，用聊天对话的方式就能分析基因序列！ 大语言模型目前正广泛应用在各个领域，然而在生物学领域中，大语言对话模型难以理解DNA、RNA、蛋白质等生物序列。 InstaDeep公司研发的ChatNT能将多个生物学任务整合进一个统一的框架中，通过对话去分析生物序列，无需编程。 随着生物技术进步和研究需求的增加，ChatNT能否应对更复杂的生物学分析任务是众多科研人员关心的问题，为了让大家进一步了解ChatNT，小编整理了一些常见问题和解答： 问：ChatNT在分析不同物种的特定基因变异 问：未来ChatNT能否进一步整合多种生物信息学数据，变为更全面的生物学分析工具？
41910编辑于 2025-06-12 - 来自专栏生信菜鸟团
系统生物学 | 第01章 生物系统 | 读书笔记
解释系统生物学的目标。 识别还原论与系统生物学的互补作用。 列出那些仅凭直觉无法解决的系统生物学挑战。 讨论跨学科交流的重要性。 为系统生物学领域整理出一份"待办事项"清单。 para 生物系统许多特征的存在已为人所知相当长一段时间，同样地，系统生物学的许多概念和方法也植根于其成熟的母学科，包括生理学、分子生物学、生物化学、数学、工程学和计算机科学。 生物学与数学、计算机科学和工程学保持了距离，主要是因为生物现象被认为过于复杂，难以进行严格的数学分析，而数学被认为只适用于几乎没有生物学意义的小型系统。 从零开始设计生物系统是不可能的，而新兴的计算机科学领域除了提供基本的数据管理外，并未对生物学做出太多贡献。 para 那么，为什么系统生物学突然变得如此重要？ 应对这一挑战的唯一真正解决方案是培养双语教育的系统生物学家，他们能够将生物现象转化为数学和计算机代码，并能解释如果一个特征值的实部为正，这对生物系统究竟意味着什么。
53600编辑于 2025-05-02 - 来自专栏博文视点Broadview
从生物工程到生物“打印”，3D打印颠覆想象
3D 生物打印开启了大门。 因此，生物学开始频繁地与“工程”这个字眼联系起来，在20 世纪70、80 年代，由此发展出一门新兴的综合性应用学科：生物工程。 所谓生物工程，是以生物学的理论为基础，利用遗传、生物化学及细胞学的各种实验技术，结合机械和电子计算机等现代工程技术，操纵遗传物质，改造生物功能，快速创造新物种。 生物工程包括基因工程、细胞工程、发酵工程、生化工程、生物反应器工程等五大工程类，它们的成果为人类社会提供了巨大的经济效益，而其他各种技术的发展，尤其是计算机技术的发展，又为生物工程手段的研究和应用注入了新的动力 在生物工程发展了几十年之后的今天，我们才有了谈及“3D生物打印”的可能性。 本文摘自《喷头下的世界：漫谈3D打印》
89310发布于 2020-06-11 - 来自专栏科技记者
Biobanks生物银行知多少
随着一批国家的生物银行的完成和结果公布，多个 Biobank 的 GWAS summary statistics 文件已经公开，这里列下不同国家的相关资源，这些资源基本是使用开源的pheweb工具进行数据公开的 之前列过几个可以用来进行基因型填充的参考： 中国人的 GWAS 填充参考之南医大和女娲参考 在线 snp imputation 网站知多少（三个中国人参考） SNP2HLA HAN.MHC 参考的使用[1] UKB 英国生物银行 FinnGen results[3] BBJ 日本生物银行 这个也应该是大家相对熟悉的一个项目，去年正式发表的，其主要采用了 bolt-lmm 这个软件进行的分析。 PheWeb.jp[4] KoGES 韩国基因组和流行病学研究 来自 KoGES（韩国国家生物银行）的 76 种表型的全基因组关联 日本生物样本库（BBJ）对 32 种表型的荟萃分析 使用 SPACox 然后用 IMPUTE2 软件输入由来自 1000 个基因组第三阶段(n=504)的东亚人群和来自台湾生物库(n=1,451)的全基因组测序数据组成的合并参考小组。
1.9K31编辑于 2022-11-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号