阿里云大数据AI平台推出智能驾驶数据预处理解决方案，助力车企构建高效稳定的数据处理流程。相比自建方案，数据包处理效率提升10倍以上，推理任务提速超1倍，产能翻番，显著提高自动驾驶模型产出效率。该方案已服务80%以上中国车企，支持多模态数据处理与百万级任务调度，全面赋能智驾技术落地。

原来AI也能“读心术”？——聊聊AI在心理学研究中的那些突破

AI做广告，效果还真不差？聊聊怎么用AI搞定个性化广告创作

本文介绍了 阿里云 AI 搜索开放平台作提供丰富的 AI 搜索组件化服务，兼容主流开发框架 LangChain和 LlamaIndex，支持搜索专属大模型、百炼等大模型服务，以及 Elasticsearch、Havenask 等开源引擎。用户可灵活调用多模态数据解析、大语言模型、效果测评等数十个服务，实现智能搜索、检索增强生成（RAG）、多模态搜索等场景的搭建。

本文详细介绍了在鸿蒙系统中使用高德地图实现完整定位功能的流程。首先分析需求，包括权限申请、检查GPS状态、单次或多次定位选择以及定位失败处理。接着通过代码实现具体步骤：添加定位权限、申请用户权限、检查GPS开关状态、启动定位服务，并处理定位成功或失败的情况。若定位失败，可尝试获取历史定位信息或使用默认位置。最后总结指出，虽然定位功能基础简单，但完整的流程与细节处理才是关键。建议读者动手实践，掌握高德地图定位功能的使用。

Druid 是一个分布式、支持实时多维OLAP分析的列式存储数据处理系统，适用于高速实时数据读取和灵活的多维数据分析。它通过Segment、Datasource等元数据概念管理数据，并依赖Zookeeper、Hadoop和Kafka等组件实现高可用性和扩展性。Druid采用列式存储、并行计算和预计算等技术优化查询性能，支持离线和实时数据分析。尽管其存储成本较高且查询语言功能有限，但在大数据实时分析领域表现出色。

使用Python实现深度学习模型：智能食品消费行为预测

SDL（Simple DirectMedia Layer）图形库安装过程中可能会遇到编译错误、运行时错误、依赖库缺失等问题。本文总结了在 Linux 和 Windows 系统上常见的错误及解决方法，包括检查和安装依赖库、配置 SDL 子系统、处理 X11 错误等，帮助用户顺利完成 SDL 的安装和配置。

TimeMOE是一种新型的时间序列预测基础模型，通过稀疏混合专家（MOE）设计，在提高模型能力的同时降低了计算成本。它可以在多种时间尺度上进行预测，并且经过大规模预训练，具备出色的泛化能力。TimeMOE不仅在准确性上超越了现有模型，还在计算效率和灵活性方面表现出色，适用于各种预测任务。该模型已扩展至数十亿参数，展现了时间序列领域的缩放定律。研究结果显示，TimeMOE在多个基准测试中显著优于其他模型，特别是在零样本学习场景下。

【8月更文第29天】**摘要** JupyterHub 是一个易于使用的、可伸缩的、多用户的 Jupyter Notebook 服务器。它允许您在一个集中式服务器上托管多个独立的 Jupyter Notebook 会话，非常适合团队协作和教学环境。本文将详细介绍如何安装和配置 JupyterHub，以及如何利用它来构建一个多用户 Jupyter 服务器环境。

这篇文章探讨了高斯过程作为解决小数据问题的工具，介绍了多元高斯分布的基础和其边缘及条件分布的性质。文章通过线性回归与维度诅咒的问题引出高斯过程，展示如何使用高斯过程克服参数爆炸的问题。作者通过数学公式和可视化解释了高斯过程的理论，并使用Python的GPy库展示了在一维和多维数据上的高斯过程回归应用。高斯过程在数据稀疏时提供了一种有效的方法，但计算成本限制了其在大数据集上的应用。

SSH远程执行命令时遇到“命令未找到”问题，原因是Linux登录方式不同导致环境变量加载差异。解决方案：将环境变量写入`/etc/profile.d/`下的文件，或手动在命令前加载环境变量，如`source /etc/profile`。

实时计算Flink版作为一种强大的流处理和批处理统一的计算框架，广泛应用于各种需要实时数据处理和分析的场景。实时计算Flink版通常结合SQL接口、DataStream API、以及与上下游数据源和存储系统的丰富连接器，提供了一套全面的解决方案，以应对各种实时计算需求。其低延迟、高吞吐、容错性强的特点，使其成为众多企业和组织实时数据处理首选的技术平台。以下是实时计算Flink版的一些典型使用合集。

Docker环境Ubuntu20.04安装Python3.10版本

TensorFlow检测GPU是否可用

1688平台的item_password接口用于将淘口令短链接转为商品链接。开发者需注册获取API key和secret，通过POST或GET请求接口，输入淘口令代码和参数，返回结果包含商品ID和详细链接。商品详情可进一步通过商品详情接口获取。注意遵守1688平台的规定和条款，确保合法使用API。

多目标跟踪器的性能需要某些指标来进行度量，目前使用比较广泛的评测指标主要有 Bernardin 等人定义的 CLEAR MOT 指标、Ristani 等人定义的 ID scores 指标以及最新的 Luiten 等人定义的HOTA 指标。

鸢尾花识别是学习AI入门的案例，这里和大家分享下使用Tensorflow 2框架，编写程序，获取鸢尾花数据，搭建神经网络，最后训练和识别鸢尾花。

最近工作涉及到自动驾驶的，需要学习ROS，学习中总结了一些知识点，分享给大家。 机器人操作系统ROS，是一种分布式处理框架（又名Nodes），ROS常用C++和python编程语言开发；（这里项目开发采用C++ 11版本）。ROS的点对点设计以及服务和节点管理器等机制，可以分散由计算机视觉和语音识别等功能带来的实时计算压力，能够适应多机器人遇到的挑战。ROS免费并且开源。

xfs_repair命令xfs文件系统修复工具

(翻译自apache drill 官网) 架构总览 Apache drill是在大规模数据集场景下,可以低延迟地进行结构和半结构化/嵌套数据结构查询的一个分布式查询引擎。受到谷歌公司的Dremel的启发，Drill被设计出来以支持几千个节点和PB级别的数据规模下,支持交互响应级别的商务智

算力不是越近越好：从边缘到中心，一场正在发生的再分配

标注不规范，大模型全白练：聊聊训练大模型背后的规模化数据治理与标注流水线

大模型微调是让通用AI变身专业助手的核心技术。通过少量领域数据训练，可打造懂医疗、法律或企业专属业务的AI模型，成本低、效率高。无需编程基础，四步即可完成：准备数据、选基座模型、设参数、训练评估。未来，人人皆可定制AI。

淘天价格力团队依托Hologres Dynamic Table，实现亿级商品数据的高效治理。通过增量刷新与全量刷新机制，支持秒级圈选、分钟级报表更新，满足大促场景下高时效、多维度分析需求，显著提升数据灵活性与决策效率。

很多企业、个人困惑于“为何努力却失宠”？问题不在当下水平，而在“信任斜率”——系统评判的不是你有多好，而是是否在持续变好。趋势＞现状，进步速度决定未来权重。

AI搜索时代，信息分发由GEO优化主导：它通过语义匹配、结构化呈现与可信度背书，让优质内容被AI“选中”。从亲子游到咖啡机推荐，企业、个人皆需掌握这一新规则，重塑信息传播方式，提升曝光效率。

MCP（模型上下文协议）是Anthropic推出的开放标准，被誉为AI时代的“USB-C”。它统一了大模型与工具、数据源的连接方式，简化集成，提升安全与扩展性，推动AI智能体实现复杂任务自动化，正重塑全球AI应用生态。

AI发展——计算机视觉、ChatGPT、Sora、DeepSeek、生成式AI。什么是MCP，Prompt、LLM、Function Call、Agent、MCP是什么，各自区别；MCP如何工作，MCP架构、MCP Server工作原理，Cursor如何使用MCP，自定义MCP Server

从早期的传统BI，到敏捷BI，再到智能BI，BI工具正逐步进化为具备类人推理能力的数字助手。Gartner预测，到2025年，增强型消费者体验将首次推动增强型BI（ABI）能力的采用率超过50%，这将深刻重塑企业的业务流程与决策模式，“人人都是数据消费者”的时代正加速到来。

人工智能的三大主义之一——符号主义，通过数学和逻辑符号构建表达式以模拟人类思维。其代表性成果包括1956年的“逻辑理论家”程序和上世纪80年代的专家系统。1997年，“深蓝”计算机击败国际象棋冠军卡斯帕罗夫，是符号主义在博弈领域的巅峰之作。然而，由于人类智能的复杂性和广泛性，符号主义难以完全模拟人类感知和潜智能，逐渐走向衰落。

H5页面优点包括：跨平台性，易于传播，丰富的多媒体支持，开发成本低，更新便捷，良好的交互性。缺点则有：性能受限，功能受限，高度依赖网络，存在安全风险，用户体验一致性差。确保H5页面在不同设备上的兼容性，需遵循HTML5标准，使用响应式设计，并进行多设备测试。优化H5页面性能的方法包括减少HTTP请求，压缩文件大小，利用缓存机制，优化代码执行效率等。

本文介绍了如何将个人数据集转换为YOLO11-pose所需的数据格式，并详细讲解了手部关键点检测的训练过程。内容涵盖数据集标注、格式转换、配置文件修改及训练参数设置，最终展示了训练结果和预测效果。适用于需要进行关键点检测的研究人员和开发者。

pytorch + pycharm

【LabelLLM】一款开源免费的大模型对话标注平台，专为优化大型语言模型的数据标注过程设计。支持灵活配置与多模态数据（音频、图像、视频），具备全面任务管理和AI辅助标注功能，大幅提升标注效率与准确性。了解更多请前往https://github.com/opendatalab/LabelLLM 【LabelU】一款轻量级开源标注工具，支持图像、视频、音频的高效标注。特色功能包括多功能图像处理、视频和音频分析等，简易灵活，支持多种数据格式输出。了解更多请前往https://github.com/opendatalab/labelU

本文探讨了高等数学中ReLU（修正线性单元）在神经网络的应用。ReLU函数定义为$f(x) = \max(0, x)$，其导数为$1$（$x \geq 0$）或$0$（$x < 0$）。适用于除二分类问题外的其他问题。Python代码展示了ReLU及其导数的图形绘制。

本文介绍了数学常数e，即自然对数的底，约等于2.71828，由欧拉命名。e是一个无限不循环小数，可通过级数1 + 1/n!表示。e在数学、物理、工程和计算机科学等领域有广泛应用，尤其在微积分、复利、概率统计和算法分析中扮演关键角色。它是自然界和科学研究中的基本概念。

Kolmogorov-Arnold Networks (KANs) 是一种新型神经网络架构，挑战了多层感知器（mlp）的基础，通过在权重而非节点上使用可学习的激活函数（如b样条），提高了准确性和可解释性。KANs利用Kolmogorov-Arnold表示定理，将复杂函数分解为简单函数的组合，简化了神经网络的近似过程。与mlp相比，KAN在参数量较少的情况下能达到类似或更好的性能，并能直观地可视化，增强了模型的可解释性。尽管仍需更多研究验证其优势，KAN为深度学习领域带来了新的思路。