- 深度学习应用篇-计算机视觉-图像分类[2]：LeNet、AlexNet、VGG、GoogleNet、DarkNet模型结构、实现、模型特点详细介绍 深度学习应用篇-计算机视觉-图像分类[2]：LeNet、AlexNet、VGG、GoogleNet、DarkNet模型结构、实现、模型特点详细介绍
- 人工智能创新挑战赛：海洋气象预测Baseline[4]完整版（TensorFlow、torch版本）含数据转化、模型构建、MLP、TCNN+RNN、LSTM模型训练以及预测 人工智能创新挑战赛：海洋气象预测Baseline[4]完整版（TensorFlow、torch版本）含数据转化、模型构建、MLP、TCNN+RNN、LSTM模型训练以及预测
- 人工智能创新挑战赛：助力精准气象和海洋预测Baseline[3]：TCNN+RNN模型、SA-ConvLSTM模型 人工智能创新挑战赛：助力精准气象和海洋预测Baseline[3]：TCNN+RNN模型、SA-ConvLSTM模型
- 人工智能创新挑战赛：助力精准气象和海洋预测Baseline[2]：数据探索性分析（温度风场可视化）、CNN+LSTM模型建模 人工智能创新挑战赛：助力精准气象和海洋预测Baseline[2]：数据探索性分析（温度风场可视化）、CNN+LSTM模型建模
- 人工智能创新挑战赛：助力精准气象和海洋预测Baseline[1]、NetCDF4使用教学、Xarray 使用教学，针对气象领域.nc文件读取处理 人工智能创新挑战赛：助力精准气象和海洋预测Baseline[1]、NetCDF4使用教学、Xarray 使用教学，针对气象领域.nc文件读取处理
- 深度学习进阶篇[9]：对抗生成网络GANs综述、代表变体模型、训练策略、GAN在计算机视觉应用和常见数据集介绍，以及前沿问题解决 深度学习进阶篇[9]：对抗生成网络GANs综述、代表变体模型、训练策略、GAN在计算机视觉应用和常见数据集介绍，以及前沿问题解决
- 深度学习进阶篇-预训练模型1：预训练分词Subword、ELMo、Transformer模型原理;结构;技巧以及应用详解 深度学习进阶篇-预训练模型1：预训练分词Subword、ELMo、Transformer模型原理;结构;技巧以及应用详解
- 深度学习基础入门篇10：序列模型-词表示{One-Hot编码、Word Embedding、Word2Vec、词向量的一些有趣应用} 深度学习基础入门篇10：序列模型-词表示{One-Hot编码、Word Embedding、Word2Vec、词向量的一些有趣应用}
- 深度学习基础入门篇[9.3]：卷积算子：空洞卷积、分组卷积、可分离卷积、可变性卷积等详细讲解以及应用场景和应用实例剖析 深度学习基础入门篇[9.3]：卷积算子：空洞卷积、分组卷积、可分离卷积、可变性卷积等详细讲解以及应用场景和应用实例剖析
- Prompt learning 教学[进阶篇]：简介Prompt框架并给出自然语言处理技术：Few-Shot Prompting、Self-Consistency等；项目实战搭建知识库内容机器人 Prompt learning 教学[进阶篇]：简介Prompt框架并给出自然语言处理技术：Few-Shot Prompting、Self-Consistency等；项目实战搭建知识库内容机器人
- Prompt learning 教学基础篇：prompt基本原则以及使用场景技巧助力你更好使用chatgpt，得到你想要的答案 Prompt learning 教学基础篇：prompt基本原则以及使用场景技巧助力你更好使用chatgpt，得到你想要的答案
- 项目地址：Datamining_project: 数据挖掘实战项目代码目录一、背景和挖掘目标1、问题背景2、原始数据3、挖掘目标二、分析方法与过程1、初步分析2、总体流程第一步：数据抽取第二步：探索分析第三步：数据的预处理 第四步：构建专家样本 第五步: 构建用水事件行为识别模型 三、总结和思考一、背景和挖掘目标1、问题背景智能家居是利用先进的技术，融合个... 项目地址：Datamining_project: 数据挖掘实战项目代码目录一、背景和挖掘目标1、问题背景2、原始数据3、挖掘目标二、分析方法与过程1、初步分析2、总体流程第一步：数据抽取第二步：探索分析第三步：数据的预处理 第四步：构建专家样本 第五步: 构建用水事件行为识别模型 三、总结和思考一、背景和挖掘目标1、问题背景智能家居是利用先进的技术，融合个...
- 项目代码地址：https://gitee.com/lingxw123/datamining_project.git项目来源于《数据分析与挖掘实战》 一、背景和挖掘目标传统的防窃漏电方法主要通过定期巡检、定期校验电表、用户举报窃电等方法来发现窃电或计量装置故障。但这种方法对人的依赖性太强，抓窃查漏的目标不明确。目前，很多供电局主要通过营销稽查人员、用电检查人员和计量工作人员利用计量异常报警功能... 项目代码地址：https://gitee.com/lingxw123/datamining_project.git项目来源于《数据分析与挖掘实战》 一、背景和挖掘目标传统的防窃漏电方法主要通过定期巡检、定期校验电表、用户举报窃电等方法来发现窃电或计量装置故障。但这种方法对人的依赖性太强，抓窃查漏的目标不明确。目前，很多供电局主要通过营销稽查人员、用电检查人员和计量工作人员利用计量异常报警功能...
- MLP（多层感知机）：就是将多个全连接层堆起来，然后通过激活层来得到非线性的模型 CNN（卷积神经网络）：可以看作是比较特殊的全连接层，其中的卷积层使用了空间上的本地性和平移不变性然后做了一个简化版的全连接层，参数少，更适合处理图片信息；将卷积层和汇聚层（池化层）堆叠起来可以得到一种高效抓取空间信息的模型 RNN（循环神经网络）：可以看作是全连接层在时序上用了过去的信息，放在了现在，在全连接层加了 MLP（多层感知机）：就是将多个全连接层堆起来，然后通过激活层来得到非线性的模型 CNN（卷积神经网络）：可以看作是比较特殊的全连接层，其中的卷积层使用了空间上的本地性和平移不变性然后做了一个简化版的全连接层，参数少，更适合处理图片信息；将卷积层和汇聚层（池化层）堆叠起来可以得到一种高效抓取空间信息的模型 RNN（循环神经网络）：可以看作是全连接层在时序上用了过去的信息，放在了现在，在全连接层加了
- Gradio入门到进阶全网最详细教程[二]：快速搭建AI算法可视化部署演示(侧重参数详解和案例实践) Gradio入门到进阶全网最详细教程[二]：快速搭建AI算法可视化部署演示(侧重参数详解和案例实践)
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
关于RISC-V生态发展的思考2025/09/02 周二 17:00-18:00
中国科学院计算技术研究所副所长包云岗教授
中科院包云岗老师将在本次直播中，探讨处理器生态的关键要素及其联系，分享过去几年推动RISC-V生态建设实践过程中的经验与教训。
回顾中 -
一键搞定华为云万级资源，3步轻松管理企业成本2025/09/09 周二 15:00-16:00
阿言 华为云交易产品经理
本直播重点介绍如何一键续费万级资源，3步轻松管理成本，帮助提升日常管理效率！
回顾中
热门标签