分子性质AI预测挑战赛｜Datawahle AI夏令营｜代码分享
在当今科技日新月异的时代，人工智能（AI）技术正以前所未有的深度和广度渗透到科研领域，特别是在化学及药物研发中展现出了巨大潜力。精准预测分子性质有助于高效筛选出具有优异性能的候选药物。以PROTACs为例，它是一种三元复合物由目标蛋白配体、linker、E3连接酶配体组成，靶向降解目标蛋白质。本次大
【人工智能】Python实现文本转换为语音：使用gTTS库实现
文本转换为语音（Text-to-Speech，简称TTS）技术是人工智能的重要组成部分，广泛应用于智能助手、导航系统、读屏软件和智能家居等领域。TTS技术使得机器能够将书面文字转换为自然流畅的语音，这不仅提升了用户体验，还在无障碍设计中发挥了重要作用。
【人工智能】生成式AI的未来发展方向探讨
综上所述，生成式AI的未来发展方向不仅仅是对话系统和自主代理的单一选择，而是在这两个领域的技术进步和交叉应用中逐步展现出更广阔的前景。无论是在智能的人机交互还是在实体世界的智能应用中，生成式AI都将扮演着越来越重要的角色，推动人工智能技术向前迈进。随着技术的不断进步和应用场景的扩展，我们有理由期待，
#Datawhale AI夏令营-电力需求预测赛学习
Datawhale AI 夏令营—电力需求预测赛学习笔记
【人工智能】-- 反向传播
反向传播（Backpropagation）是一种在人工神经网络中用于计算误差梯度并据此调整网络参数（如权重和偏置）的数学算法。在神经网络中，数据从输入层经过一系列隐藏层的处理，最终在输出层产生输出。然后，将输出与期望的目标值进行比较，得到误差。反向传播的核心在于利用微积分中的链式法则，从输出层开始，
【人工智能】--强化学习（2.0）
强化学习是一种机器学习的重要分支，它专注于智能体如何在与环境的交互中通过试错来学习最优策略，以最大化累积奖励。在强化学习中，智能体通过感知环境的状态，采取行动，并根据行动所获得的奖励来调整自己的策略。其核心概念包括状态、动作、奖励和策略。状态是对环境的描述，动作是智能体可执行的选择，奖励则是对智能体
本地部署AI大模型 —— Ollama文档中文翻译
Ollama支持在Modelfile中导入GGUF模型:创建一个名为Modelfile的文件, 使用带有要导入的模型的本地文件路径的“FROM”指令。在 Ollama 里创建模型运行模型从Ollama 库下载的大模型可以用prompt 自定义. 例如, 要自定义llama3创建Modelfile#
基于PyTorch学AI——Dataset与DataLoader
本文总结了Dataset和DataLoader两个核心类，是模型训练绕不开的基础类，希望阅读本文能带来收获。
洞察Agent AI智能体的未来：机遇与挑战并存
Agent AI智能体（Agent Artificial Intelligence）是一种具备自主决策和行动能力的计算机程序或实体，能够模拟人类智能进行复杂的任务处理和环境交互。Agent AI智能体不仅具备学习和适应新环境的能力，还能够根据自身的知识库、目标和实时环境信息进行独立判断和行动。Age
【小沐学AI】Python实现语音识别（faster-whisper）
Faster-Whisper是Whisper开源后的第三方进化版本，它对原始的 Whisper 模型结构进行了改进和优化。faster-whisper 是使用 CTranslate2 重新实现 OpenAI 的 Whisper 模型，CTranslate2 是 Transformer 模型的快速推理
【小沐学AI】Python实现语音识别（whisperX）
Whisper 是一种通用语音识别模型。它是在各种音频的大型数据集上训练的，也是一个多任务模型，可以执行多语言语音识别、语音翻译和语言识别。Transformer 序列到序列模型针对各种语音处理任务进行训练，包括多语言语音识别、语音翻译、口语识别和语音活动检测。这些任务共同表示为解码器要预测的一系列
AI：188-利用Python进行自然语言生成和文本摘要
近年来，人工智能（AI）的快速发展使得自然语言处理（NLP）领域取得了显著进步。自然语言生成（NLG）和文本摘要作为NLP的重要应用，在信息提取、内容生成等方面展示了广阔的应用前景。本文将探讨如何利用Python进行自然语言生成和文本摘要，并通过代码实例详细说明实现过程。文本摘要是从大量文本中提取重
使用亮数据代理IP+Python爬虫批量爬取招聘信息训练面试类AI智能体
使用亮数据代理IP+Python爬虫批量爬取招聘信息训练面试类百度文心一言AI智能体
构建基于 LlamaIndex 的RAG AI Agent
构建基于 LlamaIndex 的RAG AI智能体
AI语音变声器（RVC）小白学习记录
一个ai小白学习ai变声器的过程，希望能帮助到大家快速从0学习RVC语音变声器
Doping：使用精心设计的合成数据测试和评估异常检测器的技术
使用Doping方法，真实数据行会被（通常是）随机修改，修改的方式是确保它们在某些方面可能成为异常值，这时应该被异常检测器检测到。然后通过评估检测器检测Doping记录的效果来评估这些检测器。
搭建自己的AI模型应用网站：JavaScript + Flask-Python + ONNX
本文介绍搭建一个自己的网页来访问基于http接口的神经网络推理服务
【面经】超全版本AIGC算法工程师面经
对于所有的相关经历，都是跟面试官聊技术（举例，提供参考方向）从数据规模、特征、指标、目前使用的模型方法、项目难点详细介绍。
【AI】自回归 (AR) 模型使预测和深度学习变得简单
更高效的算法：随着计算能力的提升，未来将出现更高效的算法来训练自回归模型。更复杂的模型：随着对自回归模型的理解加深，未来将出现更复杂的模型来解决更复杂的问题。更广泛的应用：随着自回归模型的普及，未来将在更多领域得到应用。过拟合：自回归模型容易过拟合，需要通过正则化、dropout等技术来防止过拟合。
【人工智能】-- 受限玻尔兹曼机
受限玻尔兹曼机（RBM）是一种具有独特结构和强大学习能力的概率图模型。在结构上，RBM 由两层神经元组成，即可见层和隐藏层。层内神经元无连接，层间神经元全连接。这种结构简化了计算，同时也使得模型能够有效地学习数据中的特征和模式。在学习过程中，RBM 通过不断调整参数（包括权重、可见层偏置和隐藏层偏置
