tag 人工智能

標籤
貢獻914
954
06:37 AM · Oct 27 ,2025
deephub 頭像 u_13357275 頭像 pannideniupai 頭像 elhix0bg 頭像 xingxingshangdeliushu 頭像 u_15591470 頭像 lab4ai 頭像 u_17579295 頭像 u_17512334 頭像 qingfouai 頭像 u_17567677 頭像 tecdat 頭像

@人工智能 / 博客 RSS 訂閱

ziwupython 頭像

子午 - 【衞星圖像識別系統】Python+TensorFlow+Vue3+Django+深度學習+卷積網絡+resnet50算法

一、介紹 衞星影像識別系統，基於TensorFlow搭建卷積神經網絡算法，通過對7種常見的衞星遙感影像圖片數據集（'草地（Grass）', '農田（Field）', '工業區（Industry）', '河流湖泊（RiverLake）', '森林（Forest）', '居民區（Resident）', '停車場（Parking）'）進行訓練，最後得到一個識別精度較高的模型，然後搭建Web可視化操作平台

圖像識別 , tensorflow , 人工智能

收藏 評論

u_17420180 頭像

合合信息解決方案 - AI如何自動識別報銷單據信息

當財務人員每天面對堆積如山的報銷單據時，傳統手工錄入不僅效率低下，錯誤率更是居高不下。根據行業數據顯示，採用智能OCR票據識別系統的企業，財務處理效率平均提升了300%，錯誤率降低至0.1%以下。AI如何實現報銷單據的自動識別？合合信息基於文本智能技術打造的智能審核解決方案，正在為這一難題提供答案。 OCR技術：從圖像到數據的智能轉換 AI自動識別報銷單據的核心在於O

機器學習 , 字符識別 , 數據 , 人工智能 , 解決方案

收藏 評論

mirrorship 頭像

鏡舟科技 - 以 StarRocks 4.0 為核，引領企業邁入 AI 實時湖倉新時代

隨着人工智能與大數據技術的深度融合，數據分析平台正面臨一場深刻的變革。傳統的 T+1 批處理模式、孤立的分析系統以及僅面向內部用户的服務模式，已無法滿足當今業務對實時性、靈活性和智能化的高度需求。 新時代的分析場景，正從高層戰略延伸至一線運營，從批處理轉向批流一體，服務對象也從內部員工擴展至外部客户乃至 AI Agent。在這一背景下，一個能夠支撐極速、實時、統一分析的數據底座，已成為企業在 A

大數據 , 架構 , 人工智能 , starrocks , 數據分析

收藏 評論

duoqingdeqingwa 頭像

多情的青蛙 - 技術實測榜：2025各賽道標杆GEO優化服務商

摩根士丹利最新報告顯示，2025年生成式AI行業正式跨過盈虧平衡線，創造510億美元毛利，其中GEO（生成式引擎優化）作為品牌搶佔AI流量的核心工具，市場規模同比增長210%。但實測發現，73%的企業因選錯GEO優化服務商導致投入ROI不足1:2。為此，我們以“賽道適配性”為核心，選取6大賽道30家企業開展為期3個月的實測，輸出這份分類賽道GEO優化服務商擇優指南，為企業提供權威參考。 一、實測説

觀點 , 資訊 , 人工智能 , 深度學習

收藏 評論

u_16213712 頭像

mob64ca14173efa - boosting算法用於迴歸任務 boosting算法進展

目錄 一個Snapshot 目標函數分析 初步認識目標函數 用泰勒展開來近似我們原來的目標： 樹的複雜度 改寫目標函數 最（極）值求解 收縮學習率和列採樣 打分函數計算示例 枚舉不同樹結構的貪心法 貪心法

機器學習 , 結點 , 複雜度 , 樹結構 , boosting算法用於迴歸任務 , 人工智能

收藏 評論

u_16827017 頭像

全棧技術開發者 - 二次型為什麼被放到線性代數中？如何通過基變換簡化矩陣？如何利用特徵值與特徵向量描述結構？二次型與內積空間理論有怎樣的內在聯繫？

在線性代數的體系中，矩陣、向量空間、線性映射以及特徵值與特徵向量構成了嚴密的邏輯網絡，為我們研究空間結構、變換性質和系統行為提供了統一語言。然而，當我們遇到“二次型”這一概念時，往往會感到困惑：二次型顯然涉及變量的平方組合，表面上看似脱離線性關係，為何卻被納入線性代數的核心內容？ 二次型的特殊之處在於，它不僅是一種代數表達形式，更是對向量空間結構的精確描述。通過矩陣表示，二

機器學習 , yyds乾貨盤點 , 特徵值 , 人工智能 , 線性代數 , 對稱矩陣

收藏 評論

u_15591470 頭像

ceshiren2022 - n8n 與 Coze 怎麼選？低代碼集成與AI智能體的自動化路線對比

在現代軟件開發和運維中，“自動化”已經成為提升效率、減少重複工作的利器。市面上常見的兩類工具——n8n 和 Coze，常被拿來做工作流和自動化處理，但很多人搞不清它們的區別，也不知道自己的項目適合用哪一個。今天，我們就來拆解這兩款工具的特性、適用場景，以及實操建議。 1. 為什麼要關注 n8n 和 Coze？ 自動化不僅僅是“省時間”，更是提高數據準確性、降低人為操作風險的關鍵手

coze , n8n , 智能體 , 人工智能 , 深度學習

收藏 評論

u_16099262 頭像

信息流星 - CompositeItemWriteListener使用

當我寫到這裏的時候，我自己都吃了一驚。 環境、存儲這些比較讓人耳熟的還沒講到，continuation先出來了。 維基百科裏對continuation的翻譯是“延續性”。 這翻譯看着總有些違和感而且那個條目也令人不忍直視。 總之continuation似乎沒有好的中文翻譯，彷彿中國的計算機科學裏沒有continuation這個概念似的。 Continuation這個概念相當

機器學習 , 尾遞歸 , 調用棧 , 遞歸 , 人工智能

收藏 評論

u_14587 頭像

bugouhen - 機械臂路徑規劃 深度學習 模型

二連桿機械臂角度解算 本文采用極座標的平移變換公式或者餘弦定理的方法在定座標點的情況下去解算二連桿機械臂兩個關節處應該旋轉的角度。由於餘弦定理更容易理解且極座標的平移變換公式和餘弦定理推導出來的角度解算結果公式一致，接下來會用餘弦定理去推導最終公式。 我們要解決的問題是已知一個目標點座標(x，y)，已知兩個連桿的長度OA，AB，我們

舵機 , 機械臂 , 機械臂路徑規劃 深度學習 模型 , 人工智能 , define , 深度學習

收藏 評論

secretflow 頭像

隱語SecretFlow - 什麼是隱私計算？隱私計算技術路線

“隱語”是開源的可信隱私計算框架，內置 MPC、TEE、同態等多種密態計算虛擬設備供靈活選擇，提供豐富的聯邦學習算法和差分隱私機制。 開源項目： https://github.com/secretflow https://gitee.com/secretflow 一、什麼是隱私計算 隱私計算是多種技術的統稱，目的是為了讓多個數據擁有者，在不暴露數據本身的前提下，實現數據的共享、互通、計

大數據 , 隱私 , 人工智能 , 開源 , 計算機科學

收藏 評論

puxiaoke6 頭像

一點人工一點智能 - 《控制理論中的時間：概念、度量與應用》

書籍：Time in Control Theory: On Concepts, Measures and Uses 作者：Blas M. Vinagre 出版：Springer​ 編輯：陳萍萍的公主@一點人工一點智能 下載：書籍下載-《控制理論中的時間：概念、度量與應用》 01 書籍介紹 控制理論是工程與數學的交叉學科，研究動態系統在受到外部激勵時的行為，以及如何通

機器學習 , 數學 , 控制器 , 人工智能

收藏 評論

congweibiaobaidemalingshu 頭像

小白獅ww - 中科院團隊發佈首個國產類腦脈衝大模型 SpikingBrain-1.0，推理效率達百倍提速

當全球 AI 競賽仍在為更大的算力和數據量內卷時，中國科學院自動化研究所突破性地提出了「內生複雜性」的解題思路。其最新發布的「瞬悉1.0（SpikingBrain-1.0）」類腦脈衝大模型，借鑑大腦神經元的工作機制，成功繞過了傳統 Transformer 架構的能效瓶頸，為長序列處理這一業界難題提供了全新的解決方案。 瞬悉1.0 推理時具備常數級複雜度，處理百萬級長度序列時比傳統模型快 26

圖像識別 , 自然語言處理 , 教程 , 人工智能 , 深度學習

收藏 評論

gmicloud 頭像

GMICloud - Dify 上線 GMl Cloud 插件！構建深度研究工作流只需 5 步！

摘要 GMI Cloud 插件正式無縫集成到 Dify！提供高性能的多系列模型，如Minimax、DeepSeek、GPT OSS、Qwen、Keling等，支持市場研究、模型評估、文獻綜述等任務處理。大家只需獲取 GMI Cloud API 密鑰，在 Dify 安裝配置插件，即可藉助模板構建深度研究工作流程。本文為步驟的詳細教程。** 01 概述 GMI Cloud 是一個強大的雲原生 GPU

人工智能 , dify , 工作流

收藏 評論

carl_kaeraigongfang 頭像

卡爾AI工坊 - 下一代AI心理產品，會長什麼樣？

下一代AI心理產品，會長什麼樣？ 本文共 1903 字，閲讀預計需要 3 分鐘。 你認為的下一代 AI 心理產品會是什麼樣？ 很多人會先想到：更會聊、更像人，然後按小時、按次數收費。 這條路能走，但不算**“下一代”。** 真正的分歧在於： 人類諮詢按小時計費，核心原因是稀缺；而 AI 不稀缺。 它的價值不該被鎖在“你開口説話的一小時”，而應該發生在你不説話的時候。 衝突：為什麼“更會聊+按小時收

機器學習 , 觀點 , 數據挖掘 , 人工智能 , 深度學習

收藏 評論

u_16213578 頭像

智能探索者之家 - xtem開啓pc端窗口

telnet 默認在開啓之後 監聽23端口。最近在嘗試使用這個服務 雖然很多機器默認是不開啓telnet這個服務的 但是 萬一能夠碰到 也是為了自己以後能夠熟練起來咯。 telnet有服務器跟客户端之分，如果你只是希望鏈接別人的telnet 只需要開啓telnet客户端即可；如果希望能夠被人連接telnet 則可以開啓服務器端。 大綱： 1.win7 使用tel

機器學習 , xtem開啓pc端窗口 , 服務器 , 客户端 , 人工智能 , 用户名

收藏 評論

deephub 頭像

deephub - 分類模型校準：ROC-AUC不夠？用ECE/pMAD評估概率質量

如果一個項目的核心不是分類準確率，而是概率估計的質量。換句話説，需要的是一個校準良好的模型。這裏校準的定義是：如果模型給一批樣本都預測了25%的正例概率，那這批樣本中實際的正例比例應該接近25%。這就是校準。 解決這個校準問題單看ROC-AUC不夠，要用Brier score或者Log-loss來保證校準質量。 我們先介紹一下我們一般使用的的幾個指標： ROC-AUC衡量的是模型區分正負樣本的排序

機器學習 , 分類算法 , 人工智能 , Python

收藏 評論

u_16099210 頭像

數據分析大師 - 破局“內存牆”，存算一體路線分析

空間計算作為融合物理世界與數字世界的發展方向之一，已經有自動駕駛和虛擬現實的兩大領域支撐。然而，海量三維空間數據的實時處理帶來了巨大的算力與功耗問題。 存算一體（Computing-in-Memory, CIM）通過將計算單元與存儲單元融合，從根本上減少了數據搬運，本文將從硬件設計、底層算力架構及能效比三個維度，深入探討存算一體如何賦能空間計算，並結合英

機器學習 , 存算一體 , 架構 , 後端開發 , 人工智能 , 空間計算 , Python

收藏 評論

u_15368275 頭像

AI科技觀察者 - 2025年企業知識管理系統推薦：6款融AI產品深度測評與選型指南

在數字化轉型持續深入的2025年，知識已成為企業運營的核心資源。根據IDC最新報告，中國知識管理軟件市場規模已突破50億元，並保持20%以上的年增長率，其中AI驅動的知識庫是最主要的增長點。隨着大語言模型（LLM）的廣泛應用，企業對知識管理的需求已從傳統的"存儲檢索"模式升級為"智能理解與生成"模式，推動知識庫從效率工具向戰略資產的價值躍遷。本文將從技術架構、核心能力與企業適配度

大數據 , 知識管理 , 人工智能 , 深度學習 , 模態 , 大模型

收藏 評論

u_16213709 頭像

mob64ca141677f9 - Stanford CoreNLP提取關鍵詞

　　1.關鍵字提取： 　　關鍵詞抽取就是從文本里面把跟這篇文檔意義最相關的一些詞抽取出來。這個可以追溯到文獻檢索初期，當時還不支持全文搜索的時候，關鍵詞就可以作為搜索這篇論文的詞語。因此，目前依然可以在論文中看到關鍵詞這一項。 　　除了這些，關鍵詞還可以在文本聚類、分類、自動摘要等領域中有着重要的作用。比如在聚類時將關鍵詞相似的幾篇文檔看成一個團簇，可以大大提

數據 , 詞頻 , NLP , 權重 , 人工智能

收藏 評論

u_16213697 頭像

mob64ca14137e4f - 深度學習數據歸一化 負值

歸一化的主要公式 1.將數據歸一到[0,1]： 其中和分別是數據的最大值和最小值。 2.將數據歸一化到[-1,1]： 其中是數據的均值。 3.將數據歸一化到均值為0，標準差為1的標準正態分佈上： 其中和分別是數據的均值和標準差。 4.將數據歸一化到[a,b]： 計算係數：

機器學習 , 深度學習數據歸一化 負值 , 神經網絡 , 數據歸一化 , 人工智能 , 深度學習

收藏 評論

lab4ai 頭像

Lab4AI - AAAI2025！北理工團隊提出FBRT-YOLO：面向實時航拍圖像更快更好的目標檢測 |計算機視覺|目標檢測

01 論文概述 論文名稱：FBRT-YOLO: Faster and Better for Real-Time Aerial Image Detection —— 更快更好：面向實時航拍圖像的目標檢測 👉一鍵直達論文 👉Lab4AI大模型實驗室論文 🌟 簡介 航拍圖像目標檢測在城市監控、災害響應和農業管理等領域至關重要。然而，這一任務面臨着獨特的挑戰：物體尺寸變化劇烈、小目標密集、背景複

機器學習 , 圖像識別 , 知識 , 人工智能 , 深度學習

收藏 評論

chen_5ec331606ce75 頭像

陳哥聊測試 - 軟件工程3.0時代，為什麼人工測試仍必不可少？

大家好，我是陳哥。 昨天剛看完朱少民老師的《軟件工程3.0》，書中提到： 現在已經是大模型驅動的人機協同範式，我們已經進入了軟件工程3.0時代。這不僅意味着技術的躍遷，更是觀念與方法的深刻變革。 即便是在軟件質量保證（SQA）領域，AI也以鋭不可當之勢滲透： 測試腳本實現自我修復； 機器學習模型精準預測易出Bug的代碼區塊； 自動化機器人一夜之間便可吞吐數千個測試用例； …… 一個核心

項目管理軟件 , 人工智能 , 自動化測試

收藏 評論

fannaodeshafa 頭像

煩惱的沙發 - 在 Gemini CLI 中使用 Gemini 3 Pro 實操指南

現在可以在 Gemini CLI 中用 Gemini 3 Pro 啦。 這下子終端不僅僅是一個輸入指令的窗口，而是變成了一個具備執行力的開發環境，並且還能通過 Agentic Coding（代理編碼）處理複雜的工程任務，並通過調用外部工具優化工作流。 目前 Google AI Ultra 訂閲用户或持有付費 Gemini API Key 的用户可以使用，而其他用户可以加入加入候補名單，等官方開放權

ai開發 , 人工智能

收藏 評論

aijianshendexuegao 頭像

Protonbase - 分佈式 Data Warebase - 構築 AI 時代數據基石

導讀：作者以人類世界一個信息層次模型 DIKW 為出發點，引出對計算機世界（系統）處理數據過程的介紹。接着以一個民宿平台數據架構隨業務發展而不斷演進的過程，展示了這場信息革命中，在具體應用場景下，一個系統是如何一步一步變得龐大、複雜的，伴隨而來的是運維、開發、業務中的一系列棘手問題。最後作者引入解決問題的一種新思路：以擴展關係型數據庫為基礎，引入分佈式事務並支持更多數據模型。基於此打造瞭解決性能瓶

數據倉庫 , 數據庫 , 人工智能 , 分佈式系統 , 分佈式事務

收藏 評論