- 综合排序
- 最热优先
- 最新优先
- 来自专栏blog-技术博客
人工智能_2_特征处理.py
====================== # 归一化:对数据变化--->默认[0,1]之间 """ new = (old-min)/(max-min) max,min 为某列最大值最小值 new2 = new*(mx-mi)+mi mx mi 为指定的区间默认 new2 即为转换后的值 MinScalar(feature_range=(0,1)...) )) data = mms.fit_transform(matrix) print(data) """ [[3. 2. 2. 2. ] [2. 3. 3. 2.83333333] [2.5 2.5 2.6 3. ]] """ = pd.read_csv("") # new=pd.merge(data2,data2,on=['product_id','product_id']) # 合并 两张表 on 表示以那个键合并 # 可再次合并
46030发布于 2020-05-08 - 来自专栏应兆康的专栏
OpenCV+TensorFlow 人工智能图像处理 (2)
(img, (dstWidth, dstHeight)) cv2.imshow("image", dst) cv2.waitKey(0) (547, 730, 3) -1 2. 目标图像(2, 3)点，来源于(4, 6) 双线性插值 A1 = 20%上 + 80%下 A2 B1 = 30%上 + 70%下 B2 ? imshow('dstImage', dstImage) cv2.waitKey(0) 1114089 2. , 100:300] # 将蓝红通道设为0 dst[:, :, [0, 2]] = 0 cv2.imshow("image", dst) cv2.waitKey(0) -1 3. (img, matScale, (int(width/2), int(height/2))) cv2.imshow('dst', dst) cv2.waitKey(0) -1 6.
1K20发布于 2018-09-14 - 来自专栏数据饕餮
21天实战人工智能系列：人工智能产品经理最佳实践（2）
一、前言 打算面向想从事人工智能产品经理职位的人，写一个系列的专题，对人工智能产品经理做一个全面的介绍，初步计划写21个专题，每天一篇，算是对自己的一种鞭策，每天的任务定性，定量，希望自己能够坚持下来 适应人群： 想要转型做人工智能的传统产品经理； RD想要转型做AIPM的人群； 一切想从事或了解人工智能产品经理工作的人 屏蔽人群： 希望通过本课程学习编码能力的人。 二、正文 2.1 章节目标 ? 学习目标 2.2 正文 2.2.1 什么是人工智能产品？ ? 人工智能产品的定义 2.2.2 什么是人工智能产品经理？ ? 人工智能产品经理的定义 2.2.3 人工智能产品经理需要具备哪些能力？ 人工智能产品经理的能力模型 2.2.4 人工智能产品经理的能力层次如何划分？ ? 人工智能产品经理的能力层次模型 三、未完待续 下期主题预告：如何进行人工智能产品的业务架构？
44820发布于 2019-01-14 - 来自专栏PPV课数据科学社区
21天实战人工智能系列：人工智能产品经理最佳实践（2）
一、前言 打算面向想从事人工智能产品经理职位的人，写一个系列的专题，对人工智能产品经理做一个全面的介绍，初步计划写21个专题，每天一篇，算是对自己的一种鞭策，每天的任务定性，定量，希望自己能够坚持下来。 适应人群： 想要转型做人工智能的传统产品经理； RD想要转型做AIPM的人群； 一切想从事或了解人工智能产品经理工作的人 屏蔽人群： 希望通过本课程学习编码能力的人。 二、正文 2.1 章节目标 ? 学习目标 2.2 正文 2.2.1 什么是人工智能产品？ ? 人工智能产品的定义 2.2.2 什么是人工智能产品经理？ ? 人工智能产品经理的定义 2.2.3 人工智能产品经理需要具备哪些能力？ 人工智能产品经理的能力模型 2.2.4 人工智能产品经理的能力层次如何划分？ ? 人工智能产品经理的能力层次模型 三、未完待续 下期主题预告：如何进行人工智能产品的业务架构？ 四、系列文章 21天实战人工智能系列：人工智能产品经理最佳实践（1） 本文已获作者授权
75250发布于 2018-04-20 - 来自专栏MixLab科技+设计实验室
Pix2Pix与人工智能做设计
而图像与图像之间的转换（称为图像翻译），目前较好的通用方法是 pix2pix ，基于 GAN 的算法。GAN 带来了生成设计的可能性。 最近我也终于抽到点空跑了下 pix2pix 的算法，有点体会，写成文章分享给大家。 ? pix2pix 的话，做实验的话，建议直接使用 Jupyter notebook ，方便直观。 https://arxiv.org/pdf/1611.07004.pdf pix2pix 可以实现哪些事情呢？ ? ? 我们可以借助一些工具，比如 UI2Code 之 利用 antd.sketchapp 生成训练数据 ，还可以通过其他算法生成大量数据，作为 pix2pix 的输入。
1.1K40发布于 2018-04-17 - 来自专栏MixLab科技+设计实验室
Pix2Pix与人工智能做设计
最近我也终于抽到点空跑了下 pix2pix 的算法，有点体会，写成文章分享给大家。 pix2pix 的话，做实验的话，建议直接使用 Jupyter notebook ，方便直观。 我们可以借助一些工具，比如 UI2Code 之 利用 antd.sketchapp 生成训练数据 ，还可以通过其他算法生成大量数据，作为 pix2pix 的输入。 * 热门文章 人工智能Logo设计师Brandmark 人工智能时代，设计师如何学习新技术 我们利用周末尝试了一次CO-CODING活动 * 关于公众号： 本公众号定期更新人工智能&设计&科技内容。 谈点设计，敲点代码，偶尔创作点人工智能实验产品。
1.7K90发布于 2018-04-12 - 来自专栏一臻AI
人人都会AI｜人工智能大模型现状（2）
走进2025年，人工智能大模型正引领着一场前所未有的技术革命。 AIGC应用中，几万亿参数规模让我们瞥见了通用AI的曙光，而每次训练耗资千万级美金的壮举更是展现出这场技术竞赛的激烈程度。 plt.legend() plt.grid(True) # Add annotations for model versions models = ['GPT-1', 'GPT-2'
28410编辑于 2025-03-06 - 来自专栏人工智能LeadAI
最强大的人工智能系统 | NVIDIA DGX-2
NVIDIA DGX-2 是 NVIDIA 首款 2-petaFLOPS 系统，它整合了 16 个完全互联的 GPU，使深度学习性能提升 10 倍，突破了人工智能速度和规模的障碍。 NVIDIA® DGX-2 集 16 个 NVIDIA 家族最先进的 GPU 的计算能力于一身，可以加速实现 之前无法训练的新人工智能模型类型 。 03 将人工智能规模提升至全新水平的最快途径 现代企业需要快速部署人工智能功能以满足业务需求。DGX-2 提供随时可用的模块化解决方案，打造扩展人工智能的最快途径。 凭借用于构建大型深度学习计算集群的灵活网络选项，再结合可在共享基础设施环境中改进用户和工作负载隔离的安全多租户功能，DGX-2 使人工智能扩展得以简化，从而加快了扩展速度。 DGX-2 是一款企业级产品，依托 NVIDIA 专业知识，专为满足严格的全天候运行要求而构建，旨在使重要的人工智能工作保持正常运行。
1.2K00编辑于 2023-03-28 - 来自专栏玉树芝兰
人工智能绘图应用 DALLE 2 开始公开测试了
前些日子，我给你介绍了 OpenAI DALLE 2 人工智能在线绘图应用。当时提到，我为了这个内测资格，等了 100 来天。很多小伙伴儿于是望而却步，觉得自己可没有那么好的耐心。 今天一早，我看到了 OpenAI 的新邮件，宣布了一个大消息 ——DALLE 2 开始 Open Beta 公开测试了。 这就意味着，要有更多的测试用户被纳入进来。而且排队等候时间会大幅缩减。 你加入 Open Beta 项目后，第一个月 OpenAI 会送给你 50 个 DALLE 2 点数（credits）。之后的每个月，给你免费补充 15 个。这些点数，每一个对应一次绘图的消耗。 想到这里，我默默打开 DALLE 2 的侧边栏查看绘图历史。发现我这些日子，可是没少画。值了，哈哈。 其实，我知道早晚要有限制用量和超额使用收费这一天。毕竟云计算和云存储都是需要花钱的。 (https://labs.openai.com/waitlist) 愿你早日用上 DALLE 2 ，结合自己天马行空的想象力，绘制出心仪和令人咋舌的作品。 祝（人工智能）绘图愉快！
1.8K70编辑于 2023-01-18 - 来自专栏JavaEdge
人工智能导论 (一) - 绪论1 简介2 人工智能的概念3 人工智能的发展史4 人工智能研究的基本内容
1 简介 2 人工智能的概念 3 人工智能的发展史 4 人工智能研究的基本内容
81420发布于 2018-12-27 - 来自专栏AI科技大本营的专栏
人工智能风口只有2%的人能够成为赢家！——CSDN蒋涛
今年是人工智能发展的第61个年头，所有的投资机构都在谈论和布局该领域，但人工智能将在哪些产业爆发？传统企业又该如何挖掘第一桶金？要知道，每个风口都只有2%的人能够成为赢家。 现在相当于移动时代的2005年，虽然第一部3G手机2007年才出现，但2005年我们已经很清楚2G是要到3G的。虽然人工智能还没有找到突破口，不知道会怎么商业化，但是大方向是有的。 2）大数据，计算的过程中累积了数据，数据的极大丰富，使得基于大数据做出行为分析及短期预判成为可能，各个行业的信息化也为此奠定了良好的基础。 2. 客服行业。 做金融服务的宜信，有1万多个客服，携程大概有7、8千个客服，每天负责就接各种投诉电话，每次都是被用户狂骂、抱怨，未来将有更多工业机器人替代这些低效率的人力。 基本能做到：1）24小时机器人客服在线，随时响应客户的相关资讯和需求；2）建立客服机器人的内容库，用深度学习的方式自动回复重复问题；3）接入人工时机器人给予部分回复建议，加快反馈速度；4）接入内部办公系统
84470发布于 2018-04-26 - 来自专栏AI算法能力提高班
生成式人工智能150强：全球最常用的人工智能工具（2024年2月）
⚡ [AIGC行业报告]生成式人工智能150强：全球最常用AI工具 本文主要介绍截止到2024年2月全球前150个人工智能工具的流量和分类。 据报道，用户平均每天与这些人工智能伙伴相处的时间超过 2 小时。 Brainly 是全球第六大人工智能工具，可让学生拍摄作业照片并获得专家验证的支持。 轻松地与人工智能聊天伙伴倾诉心事，这表明在未来，我们可以轻松地看到人工智能团队成员与人类团队成员一起流畅地集成和管理。 6️⃣人们最常使用人工智能做什么？ 2.写作和编辑 Grammarly – The Leading AI Writing Tool 正如我们之前在工作中的生成人工智能研究中所捕捉到的那样，写作和编辑是知识工作者最流行的用例之一，在使用人工智能方面仍然处于领先地位 它重写了人工智能创建的副本，使其听起来不像人工智能。但值得注意的是，这些公司通常也为“另一方”提供人工智能检测工具。
2.6K10编辑于 2024-02-06 - 来自专栏往期博文
【人工智能那些事】2、遗传算法求解TSP问题
= np.random.randint(city_num) while r2 == r1: r2 = np.random.randint(city_num) left, right = min(r1, r2), max(r1, r2) ind_a1 = ind_a.copy() ind_b1 = ind_b.copy() for i in range (left, right + 1): ind_a2 = ind_a.copy() ind_b2 = ind_b.copy() ind_a[i] = ind_b1 = i]] = ind_a2[i] if len(y) == 2: ind_b[y[y ! ) if r1 > r2: temp = r1 r1 = r2 r2 = temp
65910编辑于 2022-06-14 - 来自专栏悦思悦读
AI 入行那些事儿（2）人工智能的应用和技术
2021 开年巨献 —— 系列文章《AI 入行那些事儿》，为您讲述： 人工智能的基础原理、发展历程、当前应用 成为 AI 技术人员所需的入门技能和学习途径 以及求职、面试的全过程 人工智能的应用与技术栈 目前人工智能技术已经开始应用在很多领域，对人工智能技术的提升和发展也成了人们的重要工作任务。 人工智能技术的发展需要非常完整的技术栈，它分为基础层、技术层和应用层三个层次。 ? 数据是人工智能的食物，人工智能所有通过学习获得的能力实际上都是从数据中提取出来的，大数据的出现，使得我们有可能将人工智能喂饱。 人工智能的核心技术 人工智能的核心技术是它的算法。 基于规则的人工智能 20世纪六七十年代出现的早期人工智能系统都是基于规则的。 下图中所描述的是20世纪60年代的一个人工智能系统——SHRDLU。
2.1K30发布于 2021-01-18 - 来自专栏计算机工具
深度学习2.神经网络、机器学习、人工智能
深度学习、神经网络、机器学习、人工智能的关系 深度学习、机器学习、人工智能 简单来说： 深度学习是机器学习的一个分支(最重要的分支) 机器学习是人工智能的一个分支 深度学习、神经网络 深度学习的概念源于人工神经网络的研究 优点2：覆盖范围广，适应性好 深度学习的神经网络层数很多，宽度很广，理论上可以映射到任意函数，所以能解决很复杂的问题。 优点3：数据驱动，上限高 深度学习高度依赖数据，数据量越大，他的表现就越好。 缺点2：硬件需求高 深度学习对算力要求很高，普通的 CPU 已经无法满足深度学习的要求。主流的算力都是使用 GPU 和 TPU，所以对于硬件的要求很高，成本也很高。
1.3K10编辑于 2024-12-14 - 来自专栏JavaEdge
人工智能原理 - 通过搜索求解问题1 人工智能中的问题求解2 问题实例
1 人工智能中的问题求解 1.1 简单的问题求解智能体算法 1.2 例：罗马尼亚部分公路图 1.2.1 相关术语 1.2.2 问题形式化的五个要素 2 问题实例 2.1 真空吸尘器世界 2.2 8 -
1.4K40发布于 2019-01-07 - 来自专栏AI科技评论
开发 | 星际争霸2人工智能研究环境 SC2LE 初体验
1 前言 昨天，也就是2017年8月10号，DeepMind联合暴雪发布了星际争霸2人工智能研究环境SC2LE，从而使人工智能的研究进入到一个全新的阶段。 这次，研究人工智能的小伙伴们可以边玩游戏边做研究了?。 为了让更多的朋友了解SC2LE研究环境，我们在第一时间对其进行安装测试，并对DeepMind发布的pysc2代码进行分析，初步了解基于pysc2的RL开发方法。下面我们将一一进行介绍。 3.2 Ubuntu环境下安装 （1）安装pysc2 （和Mac相同） （2）下载Linux版本的星际2： Blizzard/s2client-proto 并解压在Home目录下,解压密码：iagreetotheeula 总的来说，SC2LE真的是非常友好的一个研究平台，值得大家入手研究，也相信未来会有越来越多的人工智能玩星际2的成果出来！
1.7K80发布于 2018-03-13 - 来自专栏CSDNToQQCode
Python与人工智能——13、浮点数保留2位小数-保留2位有效数字
正文 开发工具：Pythony与人工智能——3、Python开发IDE工具VSCode-CSDN博客 浮点数保留2位小数-保留2位有效数字 在 Python 中，可以通过以下方法保留 2 位有效数字： 一、使用格式化字符串 num = 3.14159 formatted_num = "{:.2f}".format(num) print(formatted_num) # 输出 3.14 二、使用 round 函数 num = 3.14159 rounded_num = round(num, 2) print(rounded_num) # 输出 3.14 三、使用 decimal 模块 对于需要更高精度控制的情况 格式化字符串如 “{:.2f}”.format (num) 可简洁地指定小数位数进行输出。round 函数如 round (num, 2) 能快速对数字进行四舍五入保留特定小数位数。
2.3K10编辑于 2024-09-23 - 来自专栏智药邦
徐峻｜人工智能与药物设计学：新范式探索 (2)
人工智能作为新工具，已应用于药物发现过程的多个方面，引起了制药行业的高度关注，也带来了对药物发现科学理论和方法学的新思考和新探索。 中山大学药物分子设计研究中心徐峻教授是人工智能与药物设计领域的知名学者。自上世纪 80 年代末，就长期在科研第一线从事分子信息学算法研究和药物发现实验研究，研究领域横跨化学、药学和信息科学。 在本文中，徐峻教授对人工智能与药物设计学的发展进行了系统的回顾、梳理和展望，对药物发现新范式进行了深入的分析、解读和探讨。 全文概要及目录见徐峻｜人工智能与药物设计学：新范式探索 (1)。 分子机器为了支持宏观运动应有下述步骤：(1) 在分子水平上将能量转化为形状变化、(2) 分子间协同放大 (如信号转导机制) 这种变化、(3) 通过反馈回路来感知环境以调节宏观运动。 (2) 组成药物分子的化学结构基本元件是什么? (3) 如何组装这些化学结构的基本元件? 用什么方法组装潜在的药物分子库？ (4) 如何预测所设计的分子的药物学功能?
63121编辑于 2022-04-13 - 来自专栏AIWalker
BCNetV2 | 适应人工智能任务需求，BCNetV2公平搜索最适AI网络结构
本文全名Searching for Network Width with Bilaterally Coupled Network， 简称BCNetV2，目前已发表在人工智能领域顶刊 IEEE Transactions 目前BCNetV2 和BCNetV1 均已开源。 和 BCNetV1的代码：https://github.com/xiusu/BCNetV2 导读 当今世界，人工智能领域迅速发展，AI在各应用领域中均迅速突破。 基于一个预设的超网络数学模型，我们可以以此评价所有可能的人工智能网络模型的优劣。然而，如何准确评价不同AI模型的相互关系，并借以单一超网络结构实现不同模型的性能排序，是一个极其复杂的问题。 为了解决这个问题，本文BCNetV2提出任一可能的网络结构，对应分别来自超网络左右两端的网络权重，通过合并超网络中的2个网络的损失函数，共同表征单一网络结构。
76550编辑于 2023-03-09
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