- 综合排序
- 最热优先
- 最新优先
- 来自专栏实验盒
当我用DeepSeek预测AI for BioScience未来3-5年发展趋势
预测未来3-5年AI在生物科学（AI for BioScience）的发展趋势，可以从技术突破、跨学科融合、数据驱动创新以及伦理监管等多个维度进行分析。以下是一些关键趋势的展望： 1. 药物研发的端到端AI化 全流程覆盖：AI将贯穿从靶点发现、化合物生成、ADMET（毒性/代谢预测）到临床试验优化的全链条，缩短药物研发周期（目前平均10年→可能压缩至3-5年）。 小数据学习：针对罕见病或患者数据稀缺的场景，迁移学习和合成数据技术将提升模型泛化能力。 个性化药物设计：结合患者基因组和病理数据，AI辅助设计个体化疗法（如肿瘤新抗原疫苗）。 3. 单细胞与空间组学的自动化分析：AI工具（如scGPT）将加速单细胞测序数据的注释和空间生物学图谱的解析。 实时生物传感：AI驱动的可穿戴设备或植入式传感器实现动态监测生理指标，推动精准医疗。 4. 总结 未来3-5年，AI将深度重构生物科学的研究范式，从“数据辅助分析”转向“主动设计创造”，并在药物研发、合成生物学、精准医疗等领域实现商业化落地。
67710编辑于 2025-02-05 - 来自专栏Elastic Stack专栏
通过 OpenTelemetry 分析 AI Agent 数据
—— 以 hermes_agent 的 gen_ai.* 数据为例本文以 Elastic 中一个真实的 Agent 服务 hermes_agent（数据流 traces-generic.otel-default ）为例，讲清楚：LLM 的每一次调用会在 OpenTelemetry span 里留下哪些字段、每个字段装的是什么、input 与 output 字段之间是什么关系、以及如何用 ES|QL 去分析、理解并利用这些数据 其它有用的 gen_ai 元数据字段字段含义attributes.gen_ai.operation.name操作类型（如 chat）attributes.gen_ai.provider.name / system 实战 ES|QL 分析范式提示：pipeline 抽出的字段名里含点号，在 ES|QL 中需用反引号包裹，如 `attributes.gen_ai.output.messages_tool_names` 小结一次 LLM 调用 = 一个 span，gen_ai.input.messages / gen_ai.output.messages 承载原始对话，pipeline 把它们拆成可分析的结构化字段。
27711编辑于 2026-07-19 - 来自专栏嵌入式音视频
【AI】数据分析-数据可视化模块
NumPy(Numerical Python) 是科学计算基础库，提供大量科学计算相关功能，比如数据统计，随机数生成等。 Numpy 是 Python 语言在科学计算领域取得成功的关键之一，如果想通过 Python 语言学习数据科学、人工智能（包括深度学习、语言处理等分支），就必须学习 Numpy。
1.1K20编辑于 2023-03-16 - 来自专栏Dance with GenAI
AI数据分析：集中度分析和离散度分析
在deepseek中输入提示词： 你是一个Python编程专家，要完成一个Python脚本编写的任务，具体步骤如下： 读取Excel表格："F:\AI自媒体内容\AI行业数据分析\toolify月榜\toolify2023 2列第21行-31行； 然后按照上面的计算步骤一直计算到第15列第21行-31行； 计算第2列第1行（设为数据起点）到第15列第1行（设为数据终点）数据组的简单年均增长率，写入第16列第1行，然后计算第 2行，第3行数据，一直计算到第20行； 计算第2列第1行（设为数据起点）到第15列第1行（设为数据终点）数据组的复合年均增长率，然后计算第2行，第3行数据，一直计算到第20行； 注意：每一步都输出信息到屏幕 但是代码要整合在一起 计算复合年均增长率的时候，年数n是固定值:13 源代码： import pandas as pd import numpy as np # 读取Excel文件 file_path = "F:\\AI 自媒体内容\\AI行业数据分析\\toolify月榜\\toolify2023年-2024年月排行榜汇总数据.xlsx" df = pd.read_excel(file_path) # 计算第2列到第15
53510编辑于 2024-06-24 - 来自专栏Dance with GenAI
AI数据分析：根据Excel表格数据进行时间序列分析
ChatGPT中输入提示词： 你是一个Python编程专家，要完成一个Python脚本编写的任务，具体步骤如下： 读取Excel表格："F:\AI自媒体内容\AI行业数据分析\toolify月榜\toolify2023 年-2024年月排行榜汇总数据.xlsx" 用matplotlib绘制一个折线图： X轴为单元格B1到单元格O1的表头； Y轴为第1行到第20行的数据，标签为：月访问量； 用每个单元格A2到A21对应的数据绘制折线图 自媒体内容\AI行业数据分析”，图片标题为：2023年Top20 AI应用近一年的发展趋势； 显示图片； 注意：每一步都输出信息到屏幕 源代码： import pandas as pd import matplotlib.pyplot 自媒体内容\AI行业数据分析\toolify月榜\toolify2023年-2024年月排行榜汇总数据.xlsx' try: df = pd.read_excel(file_path) print("Excel 应用近一年的发展趋势') plt.xlabel('月份') plt.ylabel('月访问量') plt.legend() # 保存图片 output_dir = r'F:\AI自媒体内容\AI行业数据分析
97110编辑于 2024-06-24 - 来自专栏山行AI
PandasAI——让AI做数据分析
前言 PandasAI是一款数据分析领域的ChatGPT应用，本文对原项目进行翻译旨在进行知识科普和梳理。 这个项目的github地址为：https://github.com/gventuri/pandas-ai PandasAI Pandas AI 是一个 Python 库，它为 Pandas（一款流行的数据分析和操作工具 它使 Pandas 具有对话能力，允许你向你的数据以 Pandas DataFrame 的形式提问并获得答案。 隐私和安全 为了生成运行的 Python 代码，我们取 dataframe 的head，将其随机化（对敏感数据使用随机生成，对非敏感数据进行打散）并只发送head。 PandasAI对象 我们主要关注一下它的run方法： 环境变量 由于需要借助LLM（大模型）的能力进行分析结果生成，这里需要设置LLM的API key。
2.6K40编辑于 2023-06-14 研究生入局 AI Agent，不是跟风，是抓住未来 3-5 年的技术红利研究
发布于2026-05-1615:30最近在和身边做AI的同学、朋友聊天时，总能听到一个高频问题：“现在研究生做Agent，是不是已经晚了？” 不需要跑上千次实验，也不需要处理海量数据，聚焦一个具体问题，把逻辑讲清楚、方案做扎实，就能提升论文的创新价值。 复杂协作”的三层递进：FunctionCalling：是最基础的能力，让大模型能调用外部工具、执行简单指令，解决“能做什么”的问题；Skill：是把多个Function封装成一个可复用的能力单元，比如“数据分析 从工程落地入手，再做学术创新：先在平台上跑通一个完整的Agent项目，比如一个办公自动化Agent、一个简单的数据分析Agent，搞懂每个模块的作用，再基于实践中的问题，去做架构优化和创新，论文的落地性也会更强 说到底，Agent不是一阵风，而是未来3-5年AI领域最确定的技术趋势之一。对研究生来说，现在入局，不是跟风，而是抓住了一个用小成本撬动大价值的机会。
39210编辑于 2026-05-16- 来自专栏喔家ArchiSelf
AI 驱动的数据分析：Data Agent
此外，还出现了许多强调数据目录的数据治理解决方案。而今，我们有了更多的工具，强调了与传统数据分析不同的软件工程原则。 那么，AI会应用到数据分析领域的哪些方面呢？ 如果没有AI辅助的数据建模和数据治理，整个方案很可能会失败。 2.1 精确分析 对数据建模的重新强调似乎令数据分析领域形成了闭环。 AI的能力几乎可以即时访问数据并获得新的见解。这种能够精确得到人们所需要的东西的能力称之为 “精确分析”。“有了这么多可能的数据和度量的组合，精确分析允许AI根据用例对数据进行正确的转换。 这些原型允许AI系统建立护栏，并提高 RAG 的精度。 3. AI 驱动的数据分析 我们能够利用AI来解决数据领域的一些基本问题。 AI驱动数据分析的收益 那么，谁能从这样的AI解决方案中受益呢？ 主要受益者是数据团队和业务用户 (即数据使用者)。
2.9K11编辑于 2025-03-17 AI开始争夺专家数据|爱分析访谈
围绕AI数据服务的产业演进、具身智能的数据路线、仿真与真实数据的关系，以及流程工业如何组织专家数据，爱分析与张梦轩展开了深入交流。核心观点通用标注正在收缩，行业数据需求才刚开始。 01 通用标注正在收缩，行业数据需求才刚开始爱分析：AI数据服务已经发展了很多年，这一轮大模型和具身智能带来的需求，与过去有什么不同？张梦轩：是的，AI数据服务行业由来已久。 爱分析：行业场景里的情况有什么不同？张梦轩：行业AI的落地整体滞后于通用AI，而且行业壁垒越深，专业数据的价值越高。在制造、能源、医疗等领域，即使只是判断“这是什么”，也可能存在很高的知识门槛。 爱分析：同样从事数据服务，为什么Scale AI等海外公司的估值明显更高？张梦轩：这个差距不能只从“数据标注”本身来看。第一是技术和产品能力。 爱分析：流程工业具体有哪些AI数据需求？张梦轩：流程工业大致可以分为研发设计、生产制造、智能运维和企业运营几个环节，这些环节都有数据需求。
17710编辑于 2026-09-18AI数据投毒技术详解与风险分析
什么是AI投毒？一位计算机科学家为您解释投毒这个词通常与人体和自然环境相关。但它也日益成为人工智能（AI）领域中的一个问题——尤其是对于像ChatGPT和Claude这样的大型语言模型。 事实上，某中心AI安全研究所、艾伦图灵研究所和Anthropic本月早些时候发布的一项联合研究发现，仅需将250个恶意文件插入模型训练数据中的数百万文件里，就能秘密地“毒害”模型。 那么，究竟什么是AI投毒？它带来了哪些风险？什么是AI投毒？一般而言，AI投毒指的是故意向AI模型传授错误知识的过程。其目的是污染模型的知识或行为，导致其表现不佳、产生特定错误或展现出隐藏的恶意功能。 例如，2023年3月，某机构在发现一个漏洞短暂暴露了用户的聊天标题和一些账户数据后，短暂地将ChatGPT下线。有趣的是，一些艺术家已将数据投毒用作一种防御机制，以对抗未经许可抓取其作品的AI系统。 这确保了任何抓取其作品的AI模型都会产生扭曲或无法使用的结果。所有这些都表明，尽管围绕AI的宣传沸沸扬扬，但这项技术远比看上去的更为脆弱。
91410编辑于 2026-01-18生成式AI加速医疗数据分析
通过根据精确的提示词生成可用的分析代码，这些系统显著缩短了处理健康数据所需的时间。为了直接比较性能，研究人员将相同的任务分配给不同的组别。 这种优势源于AI能够基于简短但高度具体的提示编写分析代码。并非所有系统都表现良好。在8个AI聊天机器人中，只有4个生成了可用的代码。尽管如此，那些成功的系统不需要大型专家团队来指导。 “这些AI工具可以缓解数据科学中最大的瓶颈之一：构建我们的分析流程，”某机构的儿科教授、某计算健康科学研究所临时主任兼某机构早产研究中心的首席研究员Marina Sirota博士表示，“对于现在就需要帮助的患者来说 然而，分析如此庞大而复杂的数据集被证明具有挑战性。为了解决这个问题，研究人员求助于一个名为DREAM的全球众包竞赛。Sirota共同领导了三个DREAM妊娠挑战中的一个，重点关注阴道微生物组数据。 AI系统分析了阴道微生物组数据以识别早产迹象，并检查了血液或胎盘样本以估算孕龄。妊娠 dating 几乎总是一个估计值，但它决定了女性在妊娠过程中接受的护理类型。
22810编辑于 2026-04-13基于 AI 的数据分析框架思路
一、核心观点：AI数据分析不是“自动做报表”，而是重构决策系统很多企业谈AI数据分析，第一反应是把自然语言转成SQL，或者让大模型自动生成图表。 三、第一层：业务决策层，先定义“为什么分析”AI数据分析最容易失败的地方，是从数据开始，而不是从问题开始。数据本身没有方向。 好的问题地图会让AI的能力有边界、有方向。它把“让AI帮我分析一下数据”变成“让AI围绕某个业务假设，调用可信数据，给出可验证的判断”。 传统报表里，错误可能表现为一个数字不对；AI分析里，错误会扩展成一整套看似合理的叙事。所以，AI数据分析必须有比传统BI更强的数据治理。 十二、衡量标准：AI数据分析是否真的有效评价AI数据分析，不能只看回答速度或使用次数。更关键的是它是否改善了决策质量。
44821编辑于 2026-06-22AI开始接管数据生产|爱分析访谈
数据生产方式正在被AI改造。在语音、语言和文本等成熟场景中，超过90%的数据已经可以由模型自动处理。 AI企业需要的是可以直接用于模型训练的数据产品，服务范围已经覆盖规划、采集、治理、标注、质检和持续运营。模型效果是高质量数据的最终标准。 谭昶：飞数前身为科大讯飞内部拥有逾20年历史的AI资源部、大数据研究院等数据团队。 飞数从成立之初就定位为数据技术服务商，飞数业务链条覆盖原始数据采集、加工治理、人工标注及AI预标注深加工等全流程，最终目标是将数据资源转化为可市场化变现的数据资产。 技术方面，我们推进数据生产智能平台建设，将AI预标注、自动化质检、流程调度与专家校准等能力深度集成于统一平台。
12710编辑于 2026-09-23AI数据分析仪设计原理图：RapidIO信号接入 平板AI数据分析仪
1 、概述本仪器是一款面向工业控制、新能源、震动测量等业务开发的平板AI数据分析仪。基于 Jetson Orin Nano（AI边缘计算）、实现RapidIO接口数据接入，进行AI分析。 RapidIO支持低延时、高带宽数据输入。 图1 产品外观参考2 、原理框图图2 原理框图3、技术指标主处理器AI性能67 TOPSGPU搭载 32 个 Tensor Core 的 1024 核 NVIDIA Ampere 架构 GPUGPU最大频率 100% 线速数据捕获；支持震动，电力信号的4路RapidIO方式接入软件功能实时分析， 过滤和触发物理性能几何尺寸加固平板设计工作温度范围IP54防护，支持-20℃-60℃宽温工作重量电池工作 北京太速科技标签 : AI数据分析仪, 平板数据分析仪, 数据分析仪, AI边缘计算, 高带宽数据输入
25210编辑于 2025-10-27jvm入门2：3-5运行时数据区+程序技术器+虚拟机栈
即栈解决程序的运行问题，程序如何执行，如何处理数据。对解决数据的存储问题，数据怎么放，放哪？java虚拟机栈是什么？ 1每个线程都有自己栈，栈中的数据都以栈帧的格式存在；2线程上正在执行的每个方法都对应一个栈帧；3栈帧是一个内存区块，一个数据集，维系着方法执行过程中的各种数据信息栈运行原理1jvm直接对栈的操作只有两个 ，数据引用（reference）、returnAddress类型；3由于局部变量表示建立在线程的栈上，线程的私有数据，不存在数据安全问题；4局部变量表所需的容量大小是编译期确定下来的，并保存在方法的code ，并更新pc寄存器中的下一条需要执行的字节码指令7操作数栈中元素的数据类型必须与字节码指令的序列严格匹配，这由编译器在编译期间进行验证，同时在类加载过程中的类检验阶段的数据流分析阶段再次验证8java虚拟机栈的引擎是基于栈的执行引擎 具体问题具体分析b站：康师傅jvm
49910编辑于 2025-02-24- 来自专栏PPV课数据科学社区
AI时代就业指南 | 如何入门数据分析&数据挖掘？
数据分析和数据挖掘联系和区别 联系：都是搞数据的 区别：数据分析偏统计，可视化，出报表和报告，需要较强的表达能力。数据挖掘偏算法，重模型，需要很深的代码功底，要码代码，很多= =。 怎么入门 请百度“如何成为一名数据分析师”或者“如何成为一名数据挖掘工程师”。英文好上Quora，不行上知乎，看看入门资料。 3. 需要学数学吗 都需要 数据分析：统计学，概率论， 数据挖掘：高数/数学分析，数值分析，线性代数，凸优化，运筹学（这些是基本）数字信号处理，模式识别，矩阵论（进阶） 6. 到底该选数据分析还是数据挖掘 代码能力强直接搞算法，弱就先做数据分析，慢慢来，不着急。 所有数据分析类的岗位要求里写的要求会GA，pu，uv分析的都是运营部门的！所有数据挖掘岗位里写的要求只有hadoop，spark，ETL的干的都是数据仓库的活！
1.7K60发布于 2018-04-24 - 来自专栏企鹅号快讯
吴强：AI＋大数据时代 HR将率先失业；赖梅松：快递协同发展才是未来；沈晓卫：AI未来3-5年有重要发展
【企业家看未来】第174期 来源／根据相关网站编辑整理 编辑／管佳宇 IBM沈晓卫：AI在未来的3-5年有重要的发展 IBM全球副总裁沈晓卫表示，人工智能技术在未来的3-5年会有非常重要的发展。 一方面是如何从小数据、小样本中学习，而不仅仅局限于大数据；另外一个方面，是智慧能力的部分，它会从云端向边缘端的扩散，包括手机的终端、物联网的设备以及可穿戴设备。 互联网电视厂商不仅要做好互联网服务，还应加速升级AI、新零售、智慧家庭的服务。2018年，公司在用户积累基础上的电视广告业务、提价后的产品销售，以及硬件成本下降和渠道扩张等方面均存在看点。 齐鲁人才网吴强：人工智能+大数据时代 HR将率先失业 齐鲁人才网CEO吴强对目前人力资源行业进行了深入剖析，“顾名思义，人力资源部的工作对象是人，也就是员工。
99970发布于 2018-01-09 AI数据分析全攻略：如何利用AI工具提升数据洞察力
在当今数字化时代，AI 数据分析愈发重要，它助力我们从海量数据中挖掘有价值的信息。而掌握 AI 数据分析基础、运用各类工具与技术以及实现数据洞察与决策支持，是我们在这一领域取得成效的关键。 一、 AI数据分析基础1.1 AI数据分析概述1.1.1 数据分析的定义与重要性数据分析是指通过统计方法、数据挖掘技术、信息处理和人工智能等手段，对大量数据进行收集、整理、处理和分析，以提取数据中的有价值信息的过程 结果解释：AI可以帮助解释模型的预测结果，提高模型的可解释性。此外AI还可以进行异常检测、关联分析等操作，发现数据中的隐藏模式。优势相比于传统数据分析方法，AI在数据分析中具有以下优势：1. 自动化：AI可以自动完成数据预处理、特征工程、模型构建等操作，提高数据分析的效率。2. 高效性：AI可以快速处理大量数据，提高数据分析的速度。3. 以下是几个具体案例分析，展示AI数据分析在实际决策中的应用效果。
3K11编辑于 2025-10-09- 来自专栏机器学习
AI Excel 分析教程：智能化表格数据处理与分析
AI Excel 分析的原理2.1 传统 Excel 数据分析的痛点在日常办公中，Excel 是不可或缺的数据分析工具，广泛用于财务、市场营销、供应链管理等领域。 2.2 AI 如何帮助 Excel 数据分析AIGC 技术可以通过 机器学习与自然语言处理（NLP） 自动分析 Excel 数据，生成智能化的分析报告和优化建议。 趋势预测：结合机器学习模型（如 ARIMA、LSTM）或 AI 语言模型（如 GPT-4）分析数据的变化趋势。 智能报告生成：基于 AI 语言模型，将数据分析结果转换为易懂的文字报告。 解析并展示数据。 调用 AI 进行分析，并返回文本报告。 3. 总结本教程详细介绍了 AI Excel 分析 的原理，并提供了 完整代码，实现了数据解析、AI 分析、报告生成及 Web 交互界面。该工具适用于 财务、销售、市场分析 等领域，可极大提升数据处理效率。
4.9K10编辑于 2025-03-28 - 来自专栏Dance with GenAI
AI数据分析：根据Excel表格数据绘制柱形图
自媒体内容\books.xlsx"的第二个工作表：Sheet2， 用matplotlib绘制一个柱状图： 获取C1单元格到C8单元格的内容作为x轴的数据。 获取G1单元格到G8单元格的内容作为y轴的数据。 绘制y轴上的虚线网格。 设置x轴标签为“年份”。 设置y轴标签为“线上销售额（元）”。 设置图表的标题为“2013-2019年线上图书销售额分析图”。 x_data = df.iloc[0:8, 2].values # C列的数据，从第二行到第八行 y_data = df.iloc[0:8, 6].values # G列的数据，从第二行到第八行 # ) # 设置x轴和y轴标签 ax.set_xlabel('年份') ax.set_ylabel('线上销售额（元）') # 设置图表标题 ax.set_title('2013-2019年线上图书销售额分析图
1.7K10编辑于 2024-06-24
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