- 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.
44910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。
14410编辑于 2025-08-27- 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。
45410编辑于 2025-02-27 AI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。
1.7K10编辑于 2025-08-27- 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
2.3K10发布于 2020-11-17 - 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
1.3K20发布于 2020-09-15 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。
54310编辑于 2025-12-16- 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。
98020发布于 2020-07-20 - 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.
83820发布于 2018-09-26 - 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。
39710编辑于 2025-03-06 - 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
59710编辑于 2025-10-08 - 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。
79970发布于 2018-06-20 - 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.
1.1K60发布于 2018-05-21 - 来自专栏aigctoolify
Recommend 4 popular Ai Chatbots--AigcToolify
Recommend 4 popular Ai Chatbots--AigcToolifyAI ChatBot- AI ChatGPTWe Provide High Quality AI Generated Content, AI Email Writing tool, Social Media Content, ChatBot, which is save your Time and Money. There is the Best AI Tool For your Business and Personal Needs.ChatMe: Intelligent AI AssistantChatme This AI chat assistant app allows you to ask quickly by getting help from ready-made prompts such as advice.Superchat – ChatGPT for iPhoneMeet Superchat – a delightful iPhone app that brings the power of AI
20620编辑于 2023-06-18 - 来自专栏存内计算加速大模型
智谱AI推出GLM-4，性能逼近ChatGPT-4
ChatGPT、GLM-4、Claude3等大模型不断涌现，本文将详细介绍智谱AI所推出的GLM-4大模型，分析其背景、性能、应用等。 今天，我们将聚焦于GLM-4这款由智谱AI推出的国内大模型，详细分析其性能和应用等。 在“大海捞针”测试中，GLM-4能够在128K文本长度内实现几乎100%的精度召回，没有出现长上下文全局信息因为失焦而导致的精度下降问题；2）在多模态能力方面，GLM-4可以结合文本、图像、代码等多种类型的数据来完成复杂的任务 GLM-4的端侧版本在个性化程度和能力上同样具有优势，在语义、数学、推理、代码和知识等多方面的数据集测评中，GLM-4-9B及其人类偏好对齐的版本GLM-4-9B-Chat均表现出超越此前已被证明很强的端侧大模型 参考文献[1]智谱AI官网（https://www.zhipuai.cn/）.[2]极客公园.智谱 AI 推出新一代基座大模型 GLM-4，能力逼近 GPT-4，配备多模态、长文本和智能体（https:
2.4K10编辑于 2024-06-14 - 来自专栏量子位
用AI评估AI，上交大新款大模型部分任务超越GPT-4，模型数据都开源
在生成式AI趋势里，让大模型回答和人类价值（意图）一致非常重要，也就是业内常说的对齐（Alignment）。 “让大模型自己上。” 这是上海交通大学生成式人工智能研究组（GAIR）提出的最新思路。 并且在这一任务上的表现超越了GPT-4。 同时，对于成对回复比较数据部分，还采用了一个简单的数据增强方式，即交换两个回复在输入中出现的顺序，并对输出的评判文本进行相应的重写，以尽可能消除模型在评估时的位置偏好。 ，且略微优于GPT-4。 △Auto-J与GPT-4对AlpacaEval排行榜提交的开源模型排序之间的相关性及具体排名数据 作者总结和展望 总结来说，GAIR研究组开发了一个具有 130 亿参数的生成式评价模型 Auto-J，
51540编辑于 2023-11-14 - 来自专栏AI进修生
Crawl4AI：AI驱动的网页抓取神器，结合LLM实现自动化数据提取与处理
我们将介绍 Crawl4AI 以及如何利用它来从不同网站或互联网上的其他任何地方爬取和抓取数据，只要该网站支持抓取或爬取功能。 我将介绍一个名为 Crawl4AI 的开源工具，这是一个 GitHub 上的开源项目，任何人都可以使用，只需几行代码，你就可以完成数据提取，随后你可以构建问答系统、信息发现工具或聊天机器人应用程序。 现在我已经安装了 Crawl4AI，从他们的源代码安装的，没有使用 pip 安装，但你可以这样做，你也可以通过 Docker 进行设置。 完成安装后，下一步当然是导入这个库：`from crawl4ai import WebCrawler`。 接下来我们将创建一个 web_crawler 的实例。 你还可以将这个工具与 OpenAI 或其他 LLM 结合使用，从而以结构化的方式获取数据。 总的来说，Crawl4AI 是一个非常实用的工具，特别是在你需要构建外部数据连接工具或收集动态数据时。
5.9K10编辑于 2024-12-02 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
1.2K10编辑于 2025-06-13- 来自专栏运维开发王义杰
AI: 探讨GPT-4o的基准测试数据与学术水平解读
OpenAI最新发布的GPT-4o在多个基准测试中表现突出，通过这些数据，我们可以将其性能与不同学术水平进行比较。本文将详细讨论GPT-4o的基准测试数据，并解释其在学术成就中的对应水平。 GPT-4o基准测试数据 以下是GPT-4o在主要基准测试中的得分： MMLU（多任务语言理解）：88.7 GPQA（高级问答）：53.6 MATH（数学问题解决）：76.6 HumanEval（代码评估 这种知识的广度和深度表明，GPT-4o在这一领域的表现类似于完成本科学位并准备进入研究生阶段的学生。 综合学术水平 基于以上基准测试得分，GPT-4o展示的能力类似于完成本科学位并准备进入研究生阶段的个体。 通过这些数据，我们可以将GPT-4o的性能与学术成就进行类比，发现其能力相当于具备本科到研究生阶段水平的个体。未来，随着技术的进一步发展，GPT-4o有望在更多应用场景中发挥更重要的作用。
1K10编辑于 2024-07-10 - 来自专栏机器学习炼丹术
LLM6 | The AI Revolution in Medicine：GPT 4
我们是否向AI屈服，让它自由地取代我们，使我们变得不那么有用，不那么需要？或者我们是否从今天开始，一起塑造我们的AI未来，希望能完成人类单独和AI单独无法做到的事情，但人类+AI可以做到的事情？ GPT-4和其类似的AI可能在很大程度上填补这个医疗保健的空白，甚至在偏远、贫穷的村庄。 许多AI专家对这个前景感到兴奋，他们设想GPT-4作为一种强大的新方式，通过技术在规模上使用真正稀缺的资源：医生、护士和其他医疗保健提供者。 在这个系统中，AI将扮演一个辅助的角色，帮助处理大量的数据和信息，以便医生可以专注于他们最擅长的事情：提供高质量的患者护理。 作者提出了一个有趣的想法，即可能将AI监督委员会建模为监督非常长期研究的小组。这些被称为数据和安全监控委员会的小组持续观察危险信号，并有权在必要时停止研究。
37210编辑于 2023-09-01
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