- 综合排序
- 最热优先
- 最新优先
第七章 AI数据质量-4
医学影像：利用3D渲染技术生成各种病例的模拟医学影像，用于训练AI辅助诊断系统。 4. 视频监控：生成各种场景下的模拟监控画面，用于训练目标检测和行为识别模型。 这有助于提高AI模型的泛化能力，使其在不同环境下表现良好。 4. 数据标注：在3D渲染过程中，可以自动为生成的数据添加标签，如物体边界框、分割掩码等。这大大降低了手动标注数据的成本和时间。 5. 4. 基于物理的渲染限制：现有的3D渲染引擎可能无法完全模拟现实世界中的物理现象，如光传输、材质反射等。这可能导致生成的数据与现实世界存在差异，影响AI模型的性能。 5. 4. 生成大量图像：使用3D渲染引擎，我们可以生成大量的人脸图像。为了增加训练数据的多样性，我们可以随机改变3D模型的姿态、表情、场景和光照条件。 例如：在医学成像中，罕见疾病或不寻常的症状可能在合成数据中没有很好地被表示，导致AI模型在诊断这些情况时效果较差。 4.
60310编辑于 2025-04-15datawhale AI+数据分析 task3、4
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。 本数据集提供了关于影响学生考试成绩的多种因素的全面概述。数据集包含了有关学习习惯、出勤率、家长参与、资源获取等方面的信息。任务目标：分析数据理解如何提高学业表现和提供干预学生学习的策略。 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 2025-08-27- 来自专栏苏三说技术
AI圈必学数据库之Neo4j
前言 最近这两年，不管是做知识图谱还是智能推荐系统，或者 AI Agent 应用，图数据库这个词开始频繁出现在各种技术方案里。 有小伙伴跑来问：Neo4j 到底是什么？跟 MySQL 有啥区别？ 传统的关系型数据库（比如 MySQL、PostgreSQL）用表格（Excel 里那种二维表）来存数据，而 Neo4j 用节点和关系来存数据。 在 Neo4j 里，你连脑子都不用动，数据就是一目了然的网。 说人话：MySQL 擅长存“谁是谁”；Neo4j 擅长存“谁跟谁有什么关系”。 -v $HOME/neo4j/data:/data：数据持久化卷，把容器内 /data 挂载到宿主机。没这行，删容器后数据就丢了。 七、优缺点 Neo4j 的主要优点 关系查询性能极强：得益于原生图存储引擎，关系本身就是一种数据结构，图遍历通过指针完成，在深度关联查询场景下比关系型数据库快几个数量级。
88610编辑于 2026-06-08 - 来自专栏DotNet NB && CloudNative
AI应用实战课学习总结（4）医疗数据可视化
最近入坑黄佳老师的《AI应用实战课》，记录下我的学习之旅，也算是总结回顾。 今天是我们的第4站，通过一个经典的医疗数据集来进行数据可视化的实战。 下面就是该数据集所有的数据字段的介绍： 该数据集大约有569个样本，它的良性（健康）数据样本 和 恶性（确诊）数据样本相对来说是比较平均的（良性357个，恶性212个）。 针对该数据集，我们可以使用Matplotlib和Seaborn等可视化库快速做一些数据可视化的操作，帮助我们进行数据分析。 linestyle='--', linewidth=0.7, alpha=0.6) plt.tight_layout() plt.show() 前三个特征（平均半径、平均纹理和平均周长）的直方图效果如下： Step4 它不仅能反映数据的集中程度，还能展示数据的离散程度。简单来说，箱线图就是用来告诉你：你的数据分布是什么样的，以及它们是如何变化的。
68210编辑于 2025-02-27 ML-Master概览： AI4AI
ML-Master是近期流行且开源的AI4AI智能体框架，根据其宣传，他们将探索与推理做了整合，自主解决端到端的机器学习工程问题。 主要通过一个自适应记忆机制连接了两个关键模块： 1.
17310编辑于 2026-06-01AI与科学的双向革命：AI4Science与Science4AI如何重塑未来？
这不仅是对传统科研体系的颠覆，更宣告 AI与科学融合进入"双向赋能"新阶段 ：AI4Science（人工智能加速科学发现）与Science4AI（科学理论反哺AI创新）形成螺旋上升的结构性协同，重塑人类认知世界的方式 https://agents4science.stanford.edu/ 一、AI4Science：当人工智能成为科学发现的"超级引擎" 生物医疗领域：从"十年磨一药"到"数月出成果" 2025年5月， 该系统能分析海量材料数据，精准预测新材料特性，在小数据环境下也能开发出具有特定目标特性的新材料[2024年回顾:AI大模型在科学研究中的十大应用案例]。 数据与理论的融合：新科研范式的诞生，科学第四范式 《科学智能白皮书2025》指出，AI4Science正推动科研范式从"假设-验证"向" 数据-发现 "转变。 这种融合既发挥了AI处理海量数据的优势，又保留了科学理论的指导作用 四、挑战与未来：这场革命将如何改变我们的生活？ 当前面临的三大挑战 数据瓶颈 ：高质量数据的稀缺性与AI的饥渴需求形成断层。
2.6K10编辑于 2025-08-27AI视频创作（4合1）【AI漫剧】
AI视频创作全指南：从文本到成片的完整实战一、前言2024年以来，AI视频生成技术迎来爆发式增长。 二、AI视频创作全景图2.1传统视频vsAI视频环节传统方式AI方式效率提升脚本人工撰写LLM生成10x素材拍摄/采购AI生成100x配音录音棚TTS合成50x配乐版权采购AI作曲20x剪辑手动剪辑AI 自动5x字幕手动打轴语音识别20x2.2AI视频创作完整流程展开代码语言：TXTAI代码解释创意构思↓[1]脚本生成（LLM）↓[2]分镜设计（LLM+图像生成）↓[3]关键帧生成（文生图）↓[4]视频片段生成 悬念式："我花了3年才明白这个道理"数据式："只用5分钟，效率提升10倍"2.分镜节奏控制视频类型平均镜头时长节奏口播5-10秒中剧情2-5秒快教程5-15秒慢广告1-3秒极快3.提示词模板库展开代码语言 ,subtitles,"with_subs.mp4")#3.加BGMassembler.add_bgm("with_subs.mp4","bgm.mp3","final.mp4")8.2Whisper自动字幕展开代码语言
19110编辑于 2026-09-16- 来自专栏嵌入式iot
BeagleBone AI VS Raspberry 4评测
BeagleBone AI VS Raspberry 4评测 1.本文概述 2.主控与外设 2.1 主控 2.2 外设 3.上手把玩与定位 3.1树莓派上手流程 3.2 狗板AI上手方法1 3.3 狗板 AI上手方法2 3.4 狗板AI上手方法3 4.对比总结 1.本文概述 最近一直在研究树莓派4和BeagleBone AI。 如果是个深度的玩家，那么两者的玩法和定位其实不太一样，树莓派4更像一个电脑PC，而狗板更倾向于去做PC与MCU之间可以做的的事情，而狗板AI则具有TI的C66x数字信号处理器（DSP）内核。 BeagleBone AI的图示如下所示： ? 树莓派4的实物图如下： ? 两者的外形设计都比较精致，便携性和可玩性都很高。 2.2 外设 树莓派4和狗板AI的外设对比如下： 配置 树莓派4 狗板AI WIFI+蓝牙 802.11ac(2.4/5GHz)蓝牙5.0 802.11ac(2.4/5GHz)蓝牙5.0 USB USB2.0x2
2.5K10发布于 2020-11-17 - 来自专栏FunTester
关于 AI 的 4 点感悟
AI 要真正进入研发测试流程，就必须知道当前环境部署了什么版本、配置是否一致、依赖是否可用、测试数据是否准备完成。如果这些信息散落在不同系统里，AI 很难发挥稳定价值。 所以，AI 落地不是把一个聊天窗口接进团队就结束了。它需要稳定的数据来源、清晰的系统边界、可追溯的操作记录，以及能被机器理解的研发资产。 团队基础设施越完善、数据越规范、系统连接越清晰，AI 能发挥的空间就越大。 安全形势更加严峻 AI 提升效率的同时，也放大了安全风险。 首先是数据安全。我们在使用 AI 时，很容易把日志、代码、接口信息、配置内容甚至业务数据复制给模型。如果缺少边界，就可能造成敏感信息泄露。 因此，AI 使用规范也应该成为安全体系的一部分。哪些数据可以输入，哪些必须脱敏，哪些操作需要人工确认，哪些输出必须经过审查，都需要明确边界。
19600编辑于 2026-07-13 AI Coding 4条铁律
AI Coding 时代, 程序员最该掌握的4条铁律 进入 AI coding 时代, 似乎人人都可以编程了, 但为什么还有人说 AI coding 不行呢? 今天就重点说说“Karpathy（AI教父级人物）的Claude提示词模板”. https://github.com/forrestchang/andrej-karpathy-skills 你能想象就一个 CLAUDE.md 可以理解为项目概览或说明书, 也可以在里面写入该项目的编程规范, 是指导你的 AI Agent (claude) 思考和行动的指南. https://mp.weixin.qq.com /s/nU7nwqgsKVgbJgqUXmJr2g AI Coding 时代，程序员最该掌握的 4 条铁律 ——来自15年经验的忠告 你是否也这样？ 让AI写代码，它给你200行，你实际只需要50行。 让AI重构，它把隔壁没问题的代码也改了。 让AI修bug，它越修越多…… 不是AI不行，是你没给它定规矩。 铁律一：先想清楚，再动手 "别猜。
24610编辑于 2026-07-10- 来自专栏火星娃统计
GEO数据挖掘4
GEO数据挖掘4 sunqi 2020/7/12 概述 对GEO数据进行差异分析 简单比较 rm(list = ls()) options(stringsAsFactors = F) options(digits = 4) #设置全局的数字有效位数为4 load(file = 'step1-output.Rdata') #导入的数据中，dat为表达矩阵，group_list为分组信息 #按照group_list "jco", add = "jitter") # 添加p值 p + stat_compare_means()# 添加比较函数，默认使用wilcox } # 对4个样本的箱式图绘制 bp(dat[4,]) ? 结束语 这里对GEO数据的差异分析已经结束，后续为kegg和go分析 love&peace
1.4K20发布于 2020-09-15 AI搜索引用机制的数据分析：4个品牌被AI推荐的案例拆解
AI引擎不是靠关系选信源的，而是靠一套包含权威性、内容可引用度和时效性的评估机制。我花了4个月时间做测试，跑了十几篇文章，拆了12个AI高频引用的品牌案例，整理出一套数据规律。 本文不讲理论，不讲方法论，只基于真实测试数据，拆解4个AI高频引用的品牌案例，分析它们获得推荐的数据逻辑。 4个AI高频引用的品牌案例知乎：结构化优势驱动的高引用率Kimi和豆包在回答中文问题时，顶部来源栏经常出现「来源：知乎」。 这个数据表明，AI搜索引用优化不是大型平台的专利，中小品牌也能通过技术手段获得一席之地。3个机制的叠加效果与数据对比从实测数据来看，三个维度中任何一个短板都会显著降低AI引用概率。 AI引擎看的不是「别人怎么链接你」，而是「你值不值得信任」。AI搜索引用优化的4个技术步骤第一步，诊断当前AI引用状态。
28300编辑于 2026-07-23- 来自专栏Python与算法之美
4，数据的获取
sklearn 数据集一览 类型 获取方式 自带的小数据集 sklearn.datasets.load_... 在线下载的数据集 sklearn.datasets.fetch_... 计算机生成的数据集 sklearn.datasets.make_... svmlight/libsvm格式的数据集 sklearn.datasets.load_svmlight_file(...) mldata.org 自带的小数据集： 鸢尾花数据集：load_iris() 可用于分类 和 聚类 乳腺癌数据集：load_breast_cancer() 可用于分类 手写数字数据集：load_digits() 可用于分类 糖尿病数据集：load_diabetes() 可用于分类 波士顿房价数据集：load_boston() 可用于回归 体能训练数据集： load_linnerud() 可用于回归 图像数据集： load_sample_image 二，计算机生成的数据集 使用计算机生成数据集的优点： 非常灵活：可以控制样本数量，特征数量，类别数量，问题难易程度等等。 无穷无尽：妈妈再也不用担心我没有数据集了。
1.2K20发布于 2020-07-20 数据智能：大型语言模型赋能数据系统（LLM4Data）与数据管理驱动AI（Data4LLM）的原理、架构与未来
第三部分：未来展望 - 数据与AI的协同设计LLM4Data和Data4LLM两个方向的演进，最终将汇聚于一点：数据与AI的协同设计（Data + LLM Co-design）。 数据编织提供一个统一的数据访问接口和语义目录，使AI能够无缝、实时地访问异构数据源。数据飞轮则构建一个持续改进的反馈闭环，通过数据增强、特征增强和反馈优化，使模型和数据共同迭代进化。 最终，数据系统与AI模型将不再是两个独立的实体。它们将在一个统一的“数据+AI基础设施”上被共同设计和运维（Data+AI Ops）。 在那里，你可以获取AI相关的各类市场分析报告、技术论文书籍、应用实践指南等等，主题涵盖生成式AI、大模型、AIGC、AI芯片和机器人等技术、应用和市场，并与同侪一起深入探讨如何使用人工智能大模型和智能体来为工作增效 这种迭代式的协同设计，辅以强大的“知识运营”（Ch 10.3）体系，将数据的高效管理与AI的强大智能深度融合，共同推动下一代智能数据系统的发展。
1K10编辑于 2025-12-16- 来自专栏一臻AI
人人都会AI｜Python基础应用（4）
一起 AI 创富 人人都会AI。好比历史浪潮中工业时代过渡到互联网阶段时，从"电脑是什么"到"人人都会上网"，AI正在蜕变为每个人的必备技能。 世界正在被代码改写。 假设你是一名数据分析师，需要处理大量的销售数据。 ['1月', '2月', '3月', '4月', '5月'], '销售额': [12000, 15000, 18000, 22000, 25000], '成本': [8000, 10000 在AI时代，掌握Python就像是给自己装上了一对翅膀，让你能够自由地在数字世界翱翔。 在接下来的学习中，我们将继续探索更多AI和Python的高级特性和实际应用场景。
60610编辑于 2025-03-06 - 来自专栏Android知识点总结
4-AI--Activity跳转动画
android:duration="500" android:fromXDelta="0%p" android:toXDelta="100%p"/> </set> 4.
95920发布于 2018-09-26 - 来自专栏python前行者
python crawl4ai基本用法
github：https://github.com/unclecode/crawl4aiCrawl4AI是一个强大的网页爬取和内容提取库，专门为AI应用设计。 以下是其主要用法和核心功能：安装bash#Installthepackagepipinstall-Ucrawl4ai#Forprereleaseversionspipinstallcrawl4ai--pre #Runpost-installationsetupcrawl4ai-setup#Verifyyourinstallationcrawl4ai-doctor基本用法1.简单爬取pythonfromcrawl4aiimportWebCrawlerwithWebCrawler HTMLhtml_content=result.html#Markdown格式markdown_content=result.markdown#分块内容（如果启用分块）chunks=result.chunks#元数据 crawl4ai解析方法crawl4ai有三种解析方法：修剪内容过滤器（PruningContentFilter），BM25内容过滤器，LLM内容过滤器（LLMContentFilter）由于LLM需要调用
94610编辑于 2025-10-08 - 来自专栏逍遥剑客的游戏开发
UE4学习笔记(七): AI
对于AI来说, 是派生AIController来实现自定义的AI行为 与UE3不同的地方, 一是Blueprint可以代替很多原来脚本所做的事情. 另外, UE3中更多的是依赖脚本中的内建状态机(state)进行AI行为控制, UE4则引入了BehaviourTree 基本的运作思路是: AIController里在Blackboard中记录一些数据状态什么的 , 然后运行一个BehaviourTree, BT中的各个结点根据相关条件控制流程分支, 运行相应的Task 基中有几个概念: Blackboard: 保存了AIController实例及BT所需要的数据 , 可以看做是一个在BP之间共享数据的地方, 可以通过Key-Value的方式进行查询/修改 Selector: 按顺序运行每个子结点, 直到某个结果是success, 然后返回success. Blackboard的应用是一个亮点, 数据交互和状态管理方便多了. 由于在BP中可以用事件的方式触发BT, 相对于传统的BT性能也会好一些.
1.2K60发布于 2018-05-21 - 来自专栏月色的自留地
从锅炉工到AI专家(4)
数据规范化 数据规范化（Normalization）也称为数据归一化（Regularization），都是翻译的词汇，明白意思就好。前面第一个例子的时候已经讲过一些，这里需要再重点讲一下。 数据预处理 由数据规范化带来的数据预处理问题往往很复杂，几乎每一个机器学习系统中都可能有不同的实现。而机器学习本身的内核翻来覆去不过就那几个算法，类似前两年一个神经网络就包打了天下。 MNIST的数据 非常幸运，毕竟TensorFlow官方文档只是为了介绍机器学习框架的工作，所以提供的数据样本是已经完成预处理和规范化的。 看一眼我们的数据 TensorFlow官方文档帮我们简化了数据的规范化过程，这省了一大把力气。 这个例子中，新用户在读取数据集那一行属于碰到问题最多，主要原因是我们在国内一个网络高度不稳定的环境下。我的办法是采用其它方式获得了数据文件，保存在指定目录，省去启动后再次下载数据。
91170发布于 2018-06-20 Docker本地部署Crawl4AI
之前本地部署的firecrawl无法正常运行了，于是今天来部署github另外一个高star的爬虫项目：Crawl4AI# Pull the release candidate (recommended for latest features)docker pull unclecode/crawl4ai:0.6.0-r1# Or pull the latest stable versiondocker pull unclecode/crawl4ai:latest如果要使用LLM，准备一个.llm.env文件# Create a .llm.env file with your API keyscat \ --shm-size=1g \ unclecode/crawl4ai:latestWith LLM support:# Make sure .llm.env is in the current \ unclecode/crawl4ai:latest配置部署成功http://10.213.151.220:11235
1.6K10编辑于 2025-06-13
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