利用AI驱动智能BI数据可视化-深度评测Amazon Quicksight（一）
Amazon QuickSight 是一款由亚马逊云科技提供的全托管商业智能（BI）服务，专为云端设计。它允许开发者快速创建互动式仪表板、报告和数据可视化，帮助他们从数据中获得洞察。QuickSight 能够无缝连接各种数据源，包括 AWS 服务（如Amazon RDSAmazon S3）以及第三方
BrepNet之AI识别几何特征/识别加工特征/识别三维特征
常见技术体系下的几何特征识别方法。进行特征识别的优越性。
sheng的学习笔记-AI-规则学习（rule learning）
机器学习中的“规则”(rule)通常是指语义明确、能描述数据分布所隐含的客观规律或领域概念、可写成“若……，则……”形式的逻辑规则。“规则学习”(rule learning)是从训练数据中学习出一组能用于对未见示例进行判别的规则。一条规则形如：在数理逻辑中“文字”专指原子公式(atom)及其否定。
最详细！Windows下的CUDA与cuDNN详细安装教程
本篇文章将详细从如何安装CUDA与cuDNN开始，到基本配置结束，帮助大家理清配置流程。
MimicMotion - 一张图片实现视频跳舞，腾讯开源照片跳舞模型 本地一键整合包下载
近期，腾讯联合上海交通大学开源了一个可控视频生成框架：MimicMotion，类似阿里的全民舞王，只需要上传一张照片，然后再上传一段人物的舞蹈或者动作视频，就可以生成以照片中人物为原型的动作或者舞蹈视频了。
【AI】Pytorch_损失函数&优化器
持续更新至pytorch大部分内容更完。本文已达到10w字，故按模块拆开，详见目录导航。整体框架如下损失函数及优化器。
Vercel 的 AI 工具 V0.dev：如何使用它？
几个月前，Vercel 宣布推出了 V0.dev，这是一款专为开发人员和设计师设计的工具，能够使用 AI 生成 React 代码。最初，V0.dev 对外开放时采用了邀请制，但如今拥有 Vercel 帐户的任何人都可以访问并使用它。这些工具填补了开发人员和设计人员之间的空白，并为许多公司在推出项目和
如何使用微软的Copilot AI工具将Word文档转换为PowerPoint
微软的Copilot工具通过将Word文档转换为PowerPoint演示文稿，极大地方便了用户制作有针对性的演示文稿。这一功能尤其适合那些面对空白幻灯片不知从何入手的人。用户只需在PowerPoint中的Copilot框内输入简单的指令，即可在几秒钟内生成专业的演示文稿。这一过程不仅省时高效，还能大
Datawhale X 李宏毅苹果书 AI夏令营_深度学习进阶_Datawhile_task3_批量归一化和卷积神经网络
批量归一化和卷积神经网络是深度学习中的重要技术。批量归一化通过减少内部协变量偏移，提高了网络的训练效率和性能；而卷积神经网络则通过卷积和池化操作，有效地处理具有网格结构的数据。两者的结合使得深度学习模型在多个领域取得了突破性的进展。
Ai 编程实战(1)-让 Ai 帮你写一个前端页面
上一篇写了 Ai 编程的准备工作，按照教程基本都可以装好，如果还有一些没装好的，那也没关系。我们先用Ai 帮你写一个不需要 Python 工具的页面。
本地部署 fish-speech
本地部署 fish-speech
Andrej Karpathy最新采访：认知核心模型10亿参数就够了，AI会打破教育不公的僵局
我想先把这个“学校”的课程做成本科水平的课程，所以如果你是技术专业的本科生，你应该会很感兴趣。我做这些主要是因为我们现在的教育观念或许有些过时——在学校里上课、然后完成学业、然后就走向社会工作。我觉得随着AI的发展，这个观念会逐渐被淘汰。现在技术变革非常迅速，人们很快就会想“我要回学校学新的技术”，
AI 大模型原理与应用：AI 可以 7 * 24 小时工作提供经济价值
请简要介绍 AI 大模型的概念及其重要性。AI 大模型是指具有大规模参数、高计算复杂度和强自适应能力的神经网络模型。它们通常由数亿甚至数千亿个参数组成，能够处理大规模数据，并自动从数据中学习规律和模式。AI 大模型的重要性体现在其在图像识别、自然语言处理、语音识别、推荐系统等领域的突破性应用，为人工
【深度学习入门篇 ④ 】Pytorch实现手写数字识别
通过前面的学习，我们已经掌握了PyTorch API的基本使用，今天我们使用PyTorch实现手写数字识别案例！通过前面的内容可知，调用MNIST返回的结果中图形数据是一个Image对象,需要对其进行处理，为了进行数据的处理，接下来学习的方法~是PyTorch中用于图像预处理和增强的一个重要模块，它
ECCV 2024前沿科技速递：GLARE-基于生成潜在特征的码本检索点亮低光世界，低光环境也能拍出明亮大片！
大多数现有的低光图像增强 (LLIE) 方法要么直接将低光 (LL) 映射到正常光 (NL) 图像，要么使用语义或照明图作为指导。然而，LLIE 的病态性质和从受损输入中进行语义检索的难度限制了这些方法，尤其是在极低光照条件下。为了解决这个问题，我们通过基于生成性潜在特征的码本检索 (GLARE)
AI：288-核对矩阵的维度-人工智能中的关键步骤
矩阵的维度是指矩阵的行数和列数。对于一个 ( m \times n ) 的矩阵，其中 ( m ) 表示行数，( n ) 表示列数。在AI模型中，矩阵维度通常涉及输入数据、权重矩阵、激活函数等多个方面。确保这些矩阵的维度匹配是正确执行模型计算和优化的前提。
【AI大模型】Kimi API大模型接口实现
Kimi智能助手在效率（免费榜）排名从2024年1月14日的第436名提升至3月19日的第11名。而尚未上线的GPT-4.5 Turbo上下文窗口指定为25.6万个token，能同时处理约20万个单词，Kimi升级后，长文本能力为其10倍。在2023年10月初次亮相时，该模型的处理能力还仅有约20万
基于ResNet50实现垃圾分类
ResNet50是Residual Networks（残差网络）的一种变体，由Kaiming He等人在2015年提出。ResNet50包含50个深度层，通过引入残差模块，有效地解决了深层网络的退化问题。残差模块通过引入短连接（skip connections）使得网络在训练时更容易优化。下图在下文
AI：294-YOLOv8主干网络改进 | 基于ConvNeXtV2全卷积与掩码自编码器的深度优化与实现（附代码解析）
ConvNeXtV2是ConvNeXt系列的改进版，通过优化卷积层和掩码自编码器技术，进一步提高了网络的表示能力。全卷积掩码自编码器（FCM）在处理高维特征图时具有出色的性能，尤其是在细粒度特征提取和上下文信息建模方面。YOLOv8引入了一些新技术，例如更加优化的主干网络和增强的检测头。其核心思想是
