- 综合排序
- 最热优先
- 最新优先
- 来自专栏悟道
2-5 快速幂模板
这个就是在快速乘的基础上改一下 sum=0--->sum=1 x+=x--->x*=x //快速幂模板 public double quickPow(double x,long y){ double sum=1; while(y>0){ if((y&1)==1){ sum*=x; } x*=x; y=y>>1; }
35520发布于 2021-06-01 - 来自专栏AI机器学习与深度学习算法
学习分类 2-5 线性可分
感知机非常简单同时又很容易理解，但是相对应的，缺点也很多。感知机最大的缺点就是它只能解决线性可分的问题。
59210编辑于 2022-11-08 【全球AI伦理治理】
AI伦理治理框架的全球协同案例 欧盟《人工智能法案》提出基于风险分级的四层治理体系，禁止社会评分等高风险应用。OECD的AI政策观察站已收录全球700余项政策倡议，形成跨国数据库共享机制。 新加坡的Model AI Governance Framework为亚洲企业提供可认证的伦理操作手册。 美国NIST的AI风险管理框架（RMF）采用模块化设计，包含测量标准与测试工具包。 日本社会5.0计划将AI伦理纳入智慧城市基础设施标准，通过区块链技术实现算法审计追踪。 多利益相关方协同机制 联合国教科文组织的《AI伦理建议书》获得193国采纳，建立全球论坛平台。 企业联盟如Partnership on AI推动跨行业协作，发布《负责任的AI实践指南》。蒙特利尔宣言构建了研究人员伦理承诺体系，通过数字签名实现全球联署。 伦理治理效果评估需结合定量与定性指标： 技术指标：算法偏差系数 \Delta = \frac{|P(y|g_1) - P(y|g_2)|}{\max(P(y|g_1), P(y|g_2))} 过程指标
34310编辑于 2026-01-20- 来自专栏Hank’s Blog
2-5 R语言基础 factor
#因子：分类数据 #有序和无序 #整数向量+标签label #Male/Female #常用于lm(),glm()
44210发布于 2020-09-16 - 来自专栏刷题笔记
2-5 修理牧场 (35 分)【优先队列】
2-5 修理牧场 (35 分) 农夫要修理牧场的一段栅栏，他测量了栅栏，发现需要N块木头，每块木头长度为整数Li个长度单位，于是他购买了一条很长的、能锯成N块的木头，即该木头的长度是Li的总和
1.1K10发布于 2020-06-23 AI版权全球治理观察
通过梳理欧盟、美国、日本等域外主要国家和地区关于AI版权治理的路径选择、规则倾向和背后考量，可以为我国未来相关探索提供有益的借鉴经验。 （三）治理特征：通过行政机构“介入式监管”直面版权争议深水区同风险把控相对应的是执法监管，欧盟AI版权治理的强监管特征已经慢慢呈现。 根据“AI法案”的规定，欧盟AI办公室作为法案的执行机构，将会直接参与到AI版权具体治理中。 （二）整体观察：产业实践下的“被迫应对”与治理逻辑上的“顺势而为”虽然表面看来多少有些“被迫应对”的意味，但美国作为本轮AIGC技术变革的缘起地，对于AI版权问题的治理回应存在强烈的现实基础。 （二）治理特征：依靠行政机关的细化指导以明确AI版权规则的落地适用应当说，在AI版权治理领域日本相较于其他国家和地区，展示出了极大的规则勇气，是唯一在细化规则和落地执行层面给予明确性回应的国家。
1.1K10编辑于 2025-04-22- 来自专栏NetCore 从壹开始
2-5 安装容器Web工具：Docker Portainer
现在已经习惯了容器化了，不仅可以很快的配合CICD来实现部署，同时主要是也能解决一些疑难杂症，比如在Linux中经常会有各种图形图像的依赖包问题。特别是内网环境。
1K20编辑于 2023-01-09 - 来自专栏Deep learning进阶路
2-5 线性表之循环链表
2-5 线性表之循环链表 循环链表就是链表首尾相接连成一个环，可以用单链表 和 循环链表来实现。
43240发布于 2019-07-02 - 来自专栏刷题笔记
2-5 Two Stacks In One Array (20 分)
本文链接：https://blog.csdn.net/shiliang97/article/details/101173005 2-5 Two Stacks In One Array (20 分) Write
77030发布于 2019-11-08 - 来自专栏育种数据分析之放飞自我
笔记 | GWAS 操作流程2-5：杂合率检验
一般自然群体，基因型个体的杂合度过高或者过低，都不正常，我们需要根据杂合度进行过滤。偏差可能表明样品受到污染，近亲繁殖。我们建议删除样品杂合率平均值中偏离±3 SD的个体。
2.4K20发布于 2020-04-27 - 来自专栏深度学习与python
是时候好好治理 AI 模型了！
企业应该投资治理 还是扩大现有 AI 解决方案？ 对企业来说，现有资金到底应该投入到机器学习治理流程，还是应该继续扩展现有的机器学习解决方案呢？ 机器学习治理的出现便是为了更好地构建负责任的 AI，全面实施负责任的 AI 有助于企业将风险降至最低。 事实上，Gartner 预计，到 2023 年所有为 AI 开发和训练工作而招聘的人员，都需要展示自己拥有负责任的 AI 方面的专业知识。 负责任的 AI 可能看起来令人生畏，因为这其中有许多子领域都需要关注（例如公平性、透明度、问责制、安全性、可靠性、隐私、安全、治理等），要在人工智能生命周期的所有阶段实施，包括设计、开发和部署。 提到 AI，我们最常说的一句话是“落地为王”，现在是时候将部分工作交由“负责任的 AI”来保证了（点击阅读原文轻松开启机器学习治理流程）。 今日好文推荐 想彻底改变云行业！
70520编辑于 2023-03-29 AI+Data：AI时代的企业数据治理
为了解决这些问题，数据治理逐渐成为企业普遍重视的关键环节，尤其是在AI应用日益普及的背景下，高质量的数据治理变得尤为重要。数据的多元化与价值挖掘长期以来，人们习惯将数据理解为以数字形式存储的信息。 随着AI应用对多源异构数据的需求增加，企业对于非结构化数据的价值化需求也在加速释放，而相应的数据治理模块也将获得进一步的关注与优化。 对于部署AI应用的企业来说，数据资源的质量直接决定了AI应用能否成功落地。因此，在推进AI应用的过程中，开展针对性的数据治理工作是首要且必要的步骤。 为了确保AI模型的有效性和准确性，必须保证数据的完备性和准确性。有效的数据治理不仅可以为AI模型提供高质量的数据原料，还能提高模型的拟合效果，进而增强AI应用的实际性能。 在金融、医疗、零售、工业以及互联网等数据基础建设较好的行业中，面向AI时代的数据治理正在逐步显现其优势。
1.3K10编辑于 2025-01-03- 来自专栏首席安全官
CSO：2025年中国网络安全从合规到AI驱动风险治理趋势
数据安全治理（DSG）：处于上升期，收益等级为”高”[1]，2-5年成熟。 数据分类：处于平台期，收益等级为”高”[1]，<2年成熟，已成为数据基础设施必备组件[1]。 领域二：AI安全与治理体系 现状与定位 AI安全在中国网络安全市场已进入双轨并行的成长阶段： AI TRiSM（信任-风险-安全管理）：处于峰值期，收益等级为”高”[1]，2-5年成熟，市场渗透率1%- 制定运行时治理框架：建立对企业内所有AI使用（包括自建AI、开源方案、SaaS API）的发现、清单和治理机制。 数据安全平台（DSP）：处于上升期，收益等级为”高”[1]，2-5年成熟，因数据、分析和AI管道保护需求上升而快速增长[1]。 中期关键（2-5年成熟） AI TRiSM、隐私治理（Privacy in China）、SASE/SSE、DSP、DRA、AEV等技术收益等级为”高”，是中期战略投资的重点。
90710编辑于 2026-01-20 - 来自专栏腾讯研究院的专栏
迈向负责任 AI：中国 AI 治理趋势与展望
换句话说，建立健全AI治理，是迈向负责任AI、保障AI未来发展的必由之路。希冀本文对未来AI治理的持续开展和落地有所助益。 对于AI领域而言，AI标准不仅是支持、促进AI发展进步和广泛应用的重要手段(如技术标准)，而且是推进落实AI治理的有效方式(如治理标准、伦理标准)，因为AI治理标准可以起到“承接立法和监管、对接技术实践 全球AI治理合作与竞争并存 全球AI竞争，既是技术与产业的竞争，也是治理规则与标准的竞争。全球数字经济发展正在形成AI、数据等方面新的国际规则，如数据流动、AI治理框架等。 通过这些技术众包方式培育、壮大AI伦理社群，将在AI治理中扮演重要角色。 全球AI治理合作需持续深化 如前所述，全球AI治理呈现竞争态势，这并不符合以人为本、技术开放共享、普惠发展等理念。 中国深度参与全球科技治理，需要抓住AI、数据等领域的新一轮国际规则制定机遇，不断提出符合全球共识的AI治理方案，持续为全球数字治理和AI治理注入中国智慧。
1.1K20编辑于 2023-11-16 - 来自专栏资讯分享
迈向负责任 AI：中国 AI 治理趋势与展望
换句话说，建立健全AI治理，是迈向负责任AI、保障AI未来发展的必由之路。希冀本文对未来AI治理的持续开展和落地有所助益。 对于AI领域而言，AI标准不仅是支持、促进AI发展进步和广泛应用的重要手段(如技术标准)，而且是推进落实AI治理的有效方式(如治理标准、伦理标准)，因为AI治理标准可以起到“承接立法和监管、对接技术实践 全球AI治理合作与竞争并存 全球AI竞争，既是技术与产业的竞争，也是治理规则与标准的竞争。全球数字经济发展正在形成AI、数据等方面新的国际规则，如数据流动、AI治理框架等。 通过这些技术众包方式培育、壮大AI伦理社群，将在AI治理中扮演重要角色。 全球AI治理合作需持续深化 如前所述，全球AI治理呈现竞争态势，这并不符合以人为本、技术开放共享、普惠发展等理念。 中国深度参与全球科技治理，需要抓住AI、数据等领域的新一轮国际规则制定机遇，不断提出符合全球共识的AI治理方案，持续为全球数字治理和AI治理注入中国智慧。
78120编辑于 2023-08-03 当AI开始在数据治理中使坏...
现在的AI就像一个黑盒子，我们知道它有问题，但不知道问题出在哪里。 AI时代，数据治理新秩序 面对这些挑战，我们不能再用传统的数据治理思路了。AI需要一套全新的数据治理体系。 只有这样，AI才能真正成为推动社会进步的力量，而不是加剧社会不公的工具。 抓住AI数据治理的红利期 现在整个行业都在谈论AI的下一个风口在哪里。 在我看来，AI数据治理就是最大的机会。 随着监管政策的收紧，那些重视数据治理的AI公司将获得巨大优势。而那些忽视数据治理的公司，随时可能因为数据安全问题被淘汰。 对于个人来说，掌握AI数据治理技能，就是掌握了这个时代的核心竞争力。 对于企业来说，现在投入数据治理，不是成本，是投资。现在治理的成本，远远低于将来出现问题后的损失。 我给团队定了一个目标：每开发一个AI项目，都要同步建立完整的数据治理流程。 AI时代的序幕才刚刚拉开，那些真正理解数据治理价值的人和企业，将在这个时代中获得最大的红利。 而忽视数据治理的，最终会被自己的"聪明"反噬。 现在，问题来了：你的AI项目，数据治理跟上了吗？
18010编辑于 2026-02-02论 AI 工程中的黑箱治理问题
从可理解性到可治理性 在传统工程中，“理解”是控制的前提。 读懂代码 → 推导行为 → 判断正确性 但在 AI 主导的软件工程中，这条路径不可行。 更准确的表达应该是：工程师并不信任 AI 本身，而是信任围绕 AI 构建的治理系统。 第二，我们应该用什么原则去治理黑箱。 接下来进入核心问题： 具体如何构建一套可控的 AI 主导的软件工程体系？ 答案不是单一机制，而是一套分层控制架构。 状态治理 AI 主导的软件工程往往表现为“隐式有状态”。 AI 主导的软件工程正在整体转向系统治理范式。
30410编辑于 2026-03-30AI账单上涨与成本治理技术
领导者应真正治理什么正确的控制单位是什么：席位、团队、供应商还是工作流？最有用的治理单位是单个应用程序或工作流，而不是软件席位或部门预算。AI成本由使用模式产生，而不是由谁持有许可证决定。 行之有效的实用治理机制我们现在能采取的最具操作性的治理步骤是什么？为每个应用程序设置Token预算，并配有自动告警阈值，并要求任何新AI功能在上线前进行成本影响评估。 研究表明，计划部署代理式AI的组织中，只有约五分之一拥有成熟的治理模式。 我们应该如何构建AI成本治理以引起董事会层面的关注？将其构建为竞争风险，而不是预算管理问题。 不受管理的AI消费会以复合的方式侵蚀利润率，而那些良好治理其AI经济学的组织将比不这样做的组织拥有结构性的成本优势。
18310编辑于 2026-05-20- 来自专栏九彩拼盘的叨叨叨
学习前端 第4周 第2-5天
了解什么叫响应式。 了解CSS3 Media Queries 了解Bootstrap 了解Bootstrap的全局 CSS 样式。特别是其中的栅格系统。 作业 用Bootstrap做页面 http://www.bootcss.com/ 。交互不需要实现
20910发布于 2018-08-27 AI驱动汽车行业全域智能升级：腾讯云技术赋能产品力与效能双提升
破解车企业务扩展中的AI能力移植与数据治理瓶颈 汽车行业在AI时代面临战略困境：业务扩展中AI能力需动态移植，但传统架构难以支撑；数据团队遭遇核心痛点：数据孤岛、协作壁垒、资源重复浪费导致运营成本增长， 企业效能提升（to B 降本增效） 核心平台：Data+AI一站式平台（WeData统一开发/编排/治理，含统一项目空间、Notebook、任务编排、数据资产管理，提升AI类数据智能应用效率50%+）、 量化成效：AI应用驱动业务指标显著优化 营销效率：某品牌通过AI智播/智剪（基于腾讯云智能语音交互TI-AI与混元大模型），直播时长提升2-5倍，视频产能效率提升10倍（每周人工3条→批量30条+），线索提升 效果：视频产能效率提升10倍，线索提升300%+，直播时长提升2-5倍。 Data+AI一体化平台：WeData统一开发/编排/治理，特性包括统一项目空间（减少重复操作）、统一Notebook（数据加工与机器学习融合）、统一任务编排（全链路提升一致性），AI类数据智能应用效率提升
19810编辑于 2026-04-22
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