HelloWorld 开发者社区
科技资讯
微软 MAI Code 2 系列进入 Copilot:按工程任务选择编程模型
OpenAI 发布 GPT-6.2 Astra 与 Sol:专业交付、编程效率与团队选型
Qwen4-Max 发布:百万 Token 上下文、多模态与长任务如何落地
Jync 2.2.1 发布:完善告警通知,修复 CDC 与 ETL 可靠性问题
phimint 0.10.0 发布:终端智能体加入交互输入处理
Cursor 更新安全事件调查:扩展分发、历史凭据与团队排查
SoduWork 开源,尝试用独立审查与插件治理组织智能体交付
百度世界提出智能组织思路,关注 AI 从个人工具进入业务闭环
openKylin 全球生态推广会举行,推进本地化与社区合作
光船 1.1.0 尝鲜版二更新,探索 AI 会话与代码生成结合
开源项目
全部项目推荐好文
R语言用逻辑回归、决策树和随机森林对信贷数据集进行分类预测|附代码数据
原文链接:http://tecdat.cn/?p17950(https://link.segmentfault.com/?encypLBpf7yqOI4rmTSF4SGkg%3D%3D.9pB3MTq0l4%2Bu4zAmwEcuse0H2ArNnxsE2UX1wEiynUA%3D)
详解人工智能、机器学习和深度学习的区别
如果一台机器能够自行做出决定,这里面的智能包含这三个方面:人工智能、机器学习和深度学习。他们之间的有何关联?今天来详解人工智能、机器学习与深度学习的关系与区别。一、人工智能、机器学习与深度学习人工智能:可能是来自1956有史以来最受关注的概念。到2015年,GPU的广泛使用使并行处
图解来啦!机器学习工业部署最佳实践!10分钟上手机器学习部署与大规模扩展 ⛵
!(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/8e887e5996bb7e9abd7f79ac3c2f7f09.png)<blockquote如何快速部署机器学习模型?本文是机器学习工业部署的bestpracti
PyTorch 新库 TorchMultimodal 使用说明:将多模态通用模型 FLAVA 扩展到 100 亿参数
<blockquote先前的文章中,我们介绍了TorchMultimodal,今天我们将从一个具体案例出发,演示如何在TorchDistributed技术加持下,在TorchMultimodal库中扩展多模态基础模型。</blockquote近年来,大模型已成为一个备受关注的
R语言文本挖掘tf-idf,主题建模,情感分析,n-gram建模研究|附代码数据
原文链接:http://tecdat.cn/?p6864(https://link.segmentfault.com/?encqftvCFYCLLZ%2B1R3QyOcJCA%3D%3D.1phT1AlCjpsSv3dGCkVaaRMpve5UfEBcEKQ8bpTycu4%3D)
极值分析:分块极大值BLOCK-MAXIMA、阈值超额法、广义帕累托分布GPD拟合降雨数据时间序列|附代码数据
全文链接:http://tecdat.cn/?p25348(https://link.segmentfault.com/?encV9FA4LJENrH4rXLAwTZWYw%3D%3D.kTvudGael3%2FbX6w19EjffE7I4Zzi7E2G7E9vm2ItxxI%3D)
python用ARIMA模型预测CO2浓度时间序列实现|附代码数据
全文下载链接:http://tecdat.cn/?p20424(https://link.segmentfault.com/?encUBzT6iNsZHXlQi04USGHlg%3D%3D.QYGRAz3%2FSQf6YYVJ%2FGAWugV4SPId5Cy3fUW1wYqjlhs%
MSE = Bias² + Variance?什么是“好的”统计估计器
“偏差方差权衡”是ML/AI中被经常提到的一个流行概念。我们这里用一个直观的公式来对它进行解释:<blockquoteMSEBias²Variance</blockquote本文的目的并不是要证明这个公式,而是将他作为一个入口,让你了解统计学家如何以及为什么这样构建公式,
联通DataOps和MLOps:将机器学习推理作为新的数据源
<blockquote<p编者按:随着大数据和AI的关注重点转向工程化和能效,DataOps和MLOps逐渐兴起。DataOps侧重于提高数据分析质量、缩短数据交付周期,MLOps侧重于快速交付AI模型。</p<p数据是AI开发生产的重要元素,在数据驱动的AI时代,割裂的DataOps和ML
常用AI/机器学习模型可解释技术与工具
<blockquote<p编者按:随着AI模型日益复杂,模型可解释的重要性和挑战日益凸显。通过模型可解释,可以指导特征工程的优化、检测偏差、增强模型使用者对模型的可信度。</p<pAnaconda资深数据科学家SophiaYang总结了8种模型可解释常用技术和工具,对其主要特征进行了概述。
正在加载更多文章…
加载更多已加载文章中没有匹配内容,可继续加载更多。


