- 综合排序
- 最热优先
- 最新优先
第七章 AI数据质量-3
7.5.3 基于扩散模型(Diffusion Model)合成数据 AI图像生成是2022年以来AIGC(Artificial Intelligence Generated Content：人工智能创作内容 输出：处理后的图片信息张量(Processed image information tensor) (3) 图片解码器（Image Decoder） 图像解码器通过前置的图片信息生成器得到的信息来生成图像 7-11 基于Stable Diffusion模型生成的测试样本 除了基于文生图外，我们还可以利用StableDiffusion的图生图(Img2Img)能力来生成相似的测试样本，代码示例如代码段7-3所示 代码段7-3：基于Stable Diffusion模型的图生图模型生成测试样本代码 import torch import requests from PIL import Image from io 下面我们将演示如何基于边缘检测和姿态检测生成相似AI样本数据。 1. 基于Canny边缘检测生成样本数据 Canny边缘检测是一种常用的边缘检测算法，它可以在图像中找到明显的边缘，并将其提取出来。
65010编辑于 2025-04-15- 来自专栏JNing的专栏
【3D人脸】AI Mesh 数据工程调研
业内的数据来源 synthetic data（合成数据） [2021，微软] Fake It Till You Make It: Face analysis in the wild using synthetic 开源的假图只给了70个2d点，不给模型） [2022，微软] 3D face reconstruction with dense landmarks（直接完全沿用了自家2021的数据，没有任何改进，不给模型 （没细看） [2015，中科院] Face alignment across large poses: A 3d solution（没细看） semi-automatic refined data（半3dmm geometry from monocular video on mobile GPUs（3w张真实人脸，用3DMM去fit出假标签，之后数据迭代清洗自循环：模型洗出脏数据，手动微调x和y，更干净的数据再反哺给模型 ，全程z不洗） [2020，谷歌] AttentionMesh（直接完全沿用了自家2019的数据，没有任何改进。
99020编辑于 2022-11-14 - 来自专栏用户2241938的专栏
3年专注心电图AI数据标注服务
人工智能技术的开发都需要大量的数据，这些数据就是人工智能技术的基础。 但是这些数据要想被利用起来，并适合于人工智能训练用的数据，则需要按照一定的规则加以处理和清洗，如果是医疗用的数据进一步需要专业医生的标注。 目前大量的以心电图设备为基础的的公司，为了训练识别心电图的AI模型都在同样重复的工作，第一找可靠的数据，第二标注数据。 策位信息公司历经3年多的磨砺，逐步形成了一套行之有效的方法，已经成功标注百万计的心电图数据。通过和大型专业软件公司的长期合作，摸索出一种适合于专业医生和普通人标注的一个大型平台。 三甲医院的主任医师标注数据是最高级，同时为了节省成本我们也与卫生学校合作，做简单的标注和数据清洗工作。 与我公司合作将会使你公司更加专注于AI技术的开发，省去其中大量的劳务管理费用，加速AI的开发。
1.3K00发布于 2020-09-02 - 来自专栏Android知识点总结
3-AI--Activity间的数据传递
零、前言 打开FromActivity，通过按钮以返回结果方式打开ToActivity，同时在intent中加入数据，在ToActivity的onCreate方法中使用数据填充到TextView上。 按返回按钮，将ToActivity数据传递给FromActivity，在onActivityResult方法中验证返回结果并将数据填充到TextView上。 ? Activity数据传递.gif 一、Java类 FromActivity.java public class FromActivity extends AppCompatActivity { Activity传递数据.png ---- 附录 Person.java public class Person implements Serializable { private String android.support.constraint.ConstraintLayout> 本文由张风捷特烈原创,转载请注明 更多安卓技术欢迎访问：https://www.jianshu.com/c/004f3fe34c94
78250发布于 2018-09-26 datawhale AI+数据分析 task3、4
task3思考题（遇到这个场景，你准备如何分析？希望分析出什么结果？)回答：我希望分析出大家最希望学习的主题以及最不希望学习的主题。我会先统计每一个主题所获得的票数，再进行排序。 修改提示词让ai理解sheet1和sheet2分别是一群和二群感兴趣的主题统计，数字分别代表一种活动。 task4日常使用ai对数据分析（根据公选课评价表格选出适合自己的公选课）提示词如下：这是一些课程的评价表格。给我推荐一些好老师和其公选课，分析指标包括对老师上课的评价。 将重要的数据关系用图表展示，并以此达成我们的目标。总结提示词可以分为主要三部分，对数据的解释、数据分析指标和研究目标。其他是否使用图表展示可有可无。 确定好主要的三部分内容的提示词，ai可以生成较好的数据分析。
27110编辑于 2025-08-27AI客流分析系统技术架构：从3D感知到边缘AI数据输出
AI客流分析系统本质上是一套实时目标检测与时空数据处理系统。输入端是传感器数据，输出端是结构化客流数据，中间经过人体检测、深度计算、目标跟踪、轨迹判断、属性识别和数据聚合。 本文按照系统架构拆解AI客流分析的完整数据链路。1. 获得深度之后，目标检测不再只有二维坐标：(x, y)还可以得到：(x, y, z)这就是3D客流分析与普通二维图像计数的重要技术区别之一。3. 人体检测层人体检测负责回答：当前数据中哪里存在人体目标？ 边缘AI为什么越来越常见传统架构可以采用：Camera ↓Network ↓Server ↓AI Processing边缘AI则可以变成：Sensor ↓Edge AI Device 数据处理层AI模型产生的数据还不能直接作为最终统计结果。
6400编辑于 2026-09-24- 来自专栏玉树芝兰
如何用 Llama 3 免费本地 AI 分析数据和可视化？
帮助你消除调用大模型 API 带来的数据安全烦恼。 模型 今天我们来探讨一个有趣的话题 —— 如何使用 Llama 3 免费地进行数据分析和可视化。 关于 700 亿参数的模型，我之前已经为你撰写了一篇文章《如何免费用 Llama 3 70B 帮你做数据分析与可视化？》，如果你感兴趣，欢迎点击链接阅读。 问题 只不过在利用 Llama 3 8B + Open Interpreter 执行数据分析过程中，你仍然会遇到一些障碍。 机构数据的安全性可以得到最大限度的保障。 小结 我们来总结一下，Llama 3 相对于前一代产品有了实质性的进步。这种进步现在还不完美。 祝 AI 辅助数据分析愉快！
2.2K10编辑于 2024-04-26 - 来自专栏Sign
数据分享3
这个算是最后一篇了，后续不打算再分享数据了。 原因后面说。 首先，小卜，out。 ? 这个世界真是残酷啊。 小卜巅峰的时候达到dau 8k+，眼看着就要越过1w的槛了，然后，被人拉下来，踢出去了。
54130发布于 2018-07-23 - 来自专栏大大的小数据
@@@全民AI写代码+数据分析？AI+WPS文档表格+AirScript3步搞定2024.3.14
1、打开WPS金山表格-效率-高级开发-AirScript脚本编辑器-新建脚本 2、点击WPS AI给AI写要求，写完了，插入代码 写代码，将Sheet1中的BC列，求平均值记录在D列，求和记录在E列， 计算和并赋值给E列单元格 const sum = WorksheetFunction.Sum(chineseTextB, chineseTextC) cellE.Value2 = sum } 3、
1.7K10编辑于 2024-03-25 - 来自专栏Hank’s Blog
3-3 数据框的子集
> x <- data.frame(v1=1:5,v2=6:10,v3=11:15) > x v1 v2 v3 1 1 6 11 2 2 7 12 3 3 8 13 4 4 9 14 5 5 10 15 > x$v3[c(2,4)] <- NA > x v1 v2 v3 1 1 6 11 2 2 7 NA 3 3 8 13 4 4 9 NA 5 5 10 15 > #找出第2列 > x[, 3 3 8 13 > x[x$v1>2,] #第1列大于2的所有元素 v1 v2 v3 3 3 8 13 4 4 9 NA 5 5 10 15 > x[which(x$v1>2),] #使用 which函数筛选第1列大于2的所有元素 v1 v2 v3 3 3 8 13 4 4 9 NA 5 5 10 15 > ? 和上面的操作一样,筛选第1列大于2的所有元素 v1 v2 v3 3 3 8 13 4 4 9 NA 5 5 10 15
95500发布于 2020-09-16 - 来自专栏Keegan小钢
AI+Web3实战营日志 #3 | Router合约
这是我的 AI + Web3 实战营的第三篇研发日志，前两篇如下： AI+Web3实战营日志 #1｜开营 AI+Web3实战营日志 #2 | 完成底层合约 另外，关于 AI + Web3 实战营的相关介绍则有如下几篇文章 ： 我要启动 AI + Web3 实战营了 再谈 AI+Web3 实战营：这到底能带给你什么？ AI+Web3实战营，9月15日正式开营 背景 上篇日志里我们完成了 BlockETFCore 底层合约，它能处理多资产按比例的申购赎回。 +V3 混合架构。 混合 DEX 集成 根据资产特性决定走 V2 还是 V3，比如： WBNB：走 V2 其他：走 V3 Router 内部做了自动判断，用户无感知。
29210编辑于 2025-11-12 - 来自专栏人工智能头条
AI 3 分钟：每周最新闻
每天 AI 新闻那么多？其实一周 3 分钟就够了。 平时都是讲技术讲干货，太费脑子。周一是一周最难熬的一天，所以我们今天聊点轻松的话题。 全文大约2000字。读完可能下面这首歌的时间 ? ? 新闻联播8分钟讲 AI 上周最大的新闻，恐怕就是新闻联播给了 AI 8 分钟的展示镜头。也就是说，新闻联播花了 27% 的篇幅，在说一件事情。 farmingvillein 大概算了一下成本： 4 颗云 TPUs ✖ 2美元/小时(preemptible) ✖ 24小时/天 ✖ 4天 = $768 (约合 5300 人民币) 16 颗云 TPUs = ~$3k 甚至百度还联合有关部门，将北京海淀公园打造成全球首个 AI 公园。阿里在杭州搞智慧城市，百度在北京搞 AI 公园，好！非常好！ 他们发了一篇 10w+ 的文章，大意是：“一个文科女生，没有博士学位，经过 Fast.ai 三个月的培训，直接入职 Google 大脑做 AI”。
2.9K30发布于 2018-12-06 - 来自专栏大数据实战演练
DeepSeek 开源周压轴大戏：3FS 处理数据堪比光速，引爆 AI 数据效率革命
我们一起来看： 开源周最后一天，DeepSeek 震撼发布了 3FS 并行文件系统。这个被誉为“AI 数据高速公路”的技术，究竟有什么特别之处？又将为我们的未来带来哪些改变？ 一、3FS 是什么？ 它像一个“超级数据仓库”，通过整合现代 SSD 的存储速度和 RDMA 网络的全带宽，让海量数据在 AI 模型训练和推理中“跑”得更快、更稳。 三、3FS 的意义：AI时代的“技术普惠” 3FS 的开源，不仅是技术突破，更是对AI行业的深远影响： 降低门槛提供标准文件接口和易用的数据处理框架 Smallpond，让普通开发者也能轻松驾驭 PB 加速创新从医疗影像分析到 AI 绘画，3FS 的高吞吐和强一致性为多领域提供底层支持，推动AI应用爆发。 想象一下，未来 AI 模型训练像“搭积木”一样简单，数据处理像“闪电取快递”一样快。3FS 正让这一愿景成为现实。无论是科研人员还是企业开发者，都能通过开源社区共同优化技术，让AI更普惠、更强大。
71000编辑于 2025-03-17 - 来自专栏火星娃统计
GEO数据挖掘3
数据挖掘3 sunqi 2020/7/11 概述 对下载好的基因初步分析，进行PCA分析和热图绘制 PCA 绘制 rm(list = ls()) options(stringsAsFactors = F file = 'step1-output.Rdata') table(group_list) ## group_list ## Control Vemurafenib ## 3 3 # 查看数据 dat[1:4,1:4] ## GSM1052615 GSM1052616 GSM1052617 GSM1052618 ## ZZZ3 11.26970 11.12560 ) # install.packages(c("FactoMineR", "factoextra")) library("FactoMineR") library("factoextra") # 数据处理 # 对数据进行归一化 # 因为是按照基因归一化，所以先进行转置，然后再转置回去 n=t(scale(t(dat[cg,]))) # 对绝对值大于2的数取绝对值2 # 使得最后的数据范围控制在2以内 n[
1.3K31发布于 2020-09-15 - 来自专栏网络收集
数据类型（3）
因此我们定义了 BigInteger/BigDecimal 类来保存这类数据，实际是以字符串形式在堆区存储。BigInteger 类主要用来操作比 long 类型更大的整型数字。 // 绝对值a.compareTo(b); // 比较大小// BigDecimal 类专用BigDecimal x = y.setScale(3, ，等到创建对象或调用方法时再明确数据类型。 编译过程中，由编译器检查类型安全，自动隐性地对类的数据类型进行强制转换（Object -> 指定数据类型）。编译后生成的 字节码文件(.class) 将不再含有泛型。 Test{ static void main(String[] args){ Box<Integer> myBox = new Box<>(); myBox.set(3)
51340编辑于 2022-08-03 - 来自专栏生信菜鸟团
TCGA数据整理-3
另一个数据集的整理 GSE162550 下载这两个文件 建立工作目录 rm(list = ls())proj = "DHA"#1.获取表达矩阵dat = data.table::fread("GSE162550 顺便看下表达矩阵，空的dim(exprs(eSet))save(exp,Group,proj,clinical,file = paste0(proj,".Rdata")) 差异分析 三种差异分析函数比较： 输入数据都是 = topTable(fit, coef=2, n=Inf)DEG3 = na.omit(DEG3) k1 = (DEG3$P.Value < pvalue_t)&(DEG3 $logFC < -logFC_t)k2 = (DEG3$P.Value < pvalue_t)&(DEG3$logFC > logFC_t)DEG3$change = ifelse(k1,"DOWN" ="NOT"]cg3 = rownames(DEG3)[DEG3$change !
42110编辑于 2024-07-11 - 来自专栏Android开发指南
3.数据存储
还有缓存中一般是存放一些内存中一些直接读取的数据。 3. 储存步骤 得到了SharedPreferences对象之后， 就可以开始向SharedPreferences文件中存储数据了，主要可以分为三步实现。 1. 向 SharedPreferences.Editor 对象中添加数据，比如添加一个布尔型数据就使用 putBoolean方法，添加一个字符串则使用 putString()方法，以此类推。 3. 调用 commit()方法将添加的数据提交，从而完成数据存储操作。
1.4K70发布于 2018-05-14 - 来自专栏R语言 / Linux
GEO数据挖掘—3
GEO数据挖掘—3 富集分析 （一）GO富集分析（用差异基因做富集） 输入数据 #(1)输入数据 gene_up = deg$ENTREZID[deg$change == 'up'] gene_down save(ego,ego_BP,file = f) } #(3)可视化 #条带图 barplot(ego) barplot(ego, split = "ONTOLOGY", font.size = 10 , #layout = "star", color.params = list(foldChange = gl), showCategory = 3) organism = 'hsa') save(kk.diff,kk.down,kk.up,file = f2) } load(f2) #(3) 复杂数据及其分析 1.多分组数据：示例GSE474 2.多数据联系分析：例如GSE83521_ and_ GSE89143 批次效应
65700编辑于 2023-03-20 - 来自专栏企鹅号快讯
AI需要大数据，而大数据也需要AI
美国知名AI作家Bernard Marr 说过：“过去，由于有限的数据集、非实时的数据和无法在数秒内分析大量数据，而导致AI发展受阻。 今天，可以实时访问数据和工具，实现快速分析，从而推动了AI和机器学习，并允许向数据优先的方法过渡。我们的技术现在已经足够灵活，可以访问这些庞大的数据集，以快速推进AI和机器学习应用程序。” AI和大数据形成了一种真正的共生关系，彼此需要。 然而，Manchett警告说，AI尚不足以满足非技术业务的需求。“为了实现大数据和AI的目标，你仍然需要理解提取、转换和加载的概念，以及机器学习是什么，可以做什么。” 数据占据了中心位置。 “通过云计算，任何人都可以轻而易举地获得数据，大数据和AI的可能性在我们的生活中变得越来越真实。”然后，AI和机器学习将变得司空见惯。
904100发布于 2018-01-18 AI数据分析可信度验证：从数据溯源到结论核查的3级评估框架
第一级：数据溯源——AI用的数据从哪来可信度的起点，是回答一个最基本的问题：AI得出这个结论，依据的是哪些数据？这听起来简单，但在实际场景中远比想象中复杂。 AI不应该访问超出用户权限范围的数据。这不是功能层面的加分项，而是企业数据治理的底线。好的产品会在给出结论时让用户感知到"这是在你权限范围内能看到的全部数据"，而不是让用户去猜测AI有没有越权。 第二级：过程可解释——AI的分析路径是否经得起追问数据溯源解决了"数据从哪来"的问题，但用户更关心的是：AI是怎么从数据得出这个结论的？这对应着AI问数产品中最核心的能力——分析过程的可解释性。 ● 第二级（过程可解释）→ L2模型层：可查看分析涉及的数据模型、表关系、维度关联，AI的分析路径在模型层面是透明的 ● 第三级（结论可核查）→ L3数据层：可查看原始数据表、行数、更新时间，用户可基于这些信息独立验证 、指标体系和权限体系，在已有资产上增加AI Agent能力——这意味着企业在第一级"数据溯源"上的投入（指标定义、口径管理、权限体系）可以无缝延续到AI阶段，不需要为了AI重新做一遍数据治理。
20200编辑于 2026-08-21
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