机器学习/深度学习

首页 标签 机器学习/深度学习
# 机器学习/深度学习 #
关注
73053内容
|
5天前
|
公路表面裂缝目标检测数据集分享(适用于YOLO系列深度学习检测任务)
本数据集含1500张真实道路图像,覆盖多种材质、光照与角度,统一标注为“crack”单类别,采用YOLO格式边界框标注,适配YOLO系列等主流检测模型,专为裂缝定位与智能巡检任务设计。(239字)
|
5天前
|
公共安全打架行为识别数据集分享(适用于YOLO系列深度学习检测任务)
本数据集含3000张真实场景图像(校园、商场、街道等),已划分训练/验证集,YOLO/COCO双格式标注,涵盖打架人员与普通人员两类目标,支持YOLOv5/v8等模型直接训练,助力公共安全智能监控与异常行为识别研究。(239字)
|
5天前
| |
来自: 数据库
帆软BI接了智能问数,为什么还是逃不出固定看板的局限?
帆软BI接入智能问数后仍难摆脱固定看板,主因是其依赖预置指标、SQL模板或宽表,提问范围被建设期框架锁死,本质是“预制问答界面”而非真智能。真正破局需转向本体语义层路线——通过业务对象语义建模实现任意问题精准查询,但需配套语义治理投入。
深度解析 Hermes Agent 如何实现“自进化”及其 Prompt / Context / Harness 的设计实践
本文是「项目深度解析」系列的第3篇,也欢迎阅读:《深度解析OpenClaw》《深度解析Claude Code》。(文章内容基于作者个人技术实践与独立思考,旨在分享经验,仅代表个人观点。)
|
5天前
| |
燃料与火光
本文是火离框架(FuelLight)核心方法论,源自《易经》离卦“火依附于燃料”之理:行业经验是稀缺燃料,结构化表达是释放影响力的火光。强调以用户问题为起点,将隐性知识外化为AI可采纳的推理路径,实现知识在AI时代的有效释放。(239字)
|
5天前
| |
可见性与采纳率的区别
本文是火离框架(firel 推理诱导工艺论)的核心方法论之一。"火离"取自《易经》离卦——离为火,核心含义是"依附":火必须依附于燃料才能燃烧。在火离框架中,行业知识是燃料,文档结构是火依附的形式,AI 采纳就是火光的显现。可见性与采纳率的二元分离是火离框架的基础视角——火光看得见但不可触,燃料可触但不发光,两者指向不同的测量维度。
智能教育硬件厂商的内容困境:参数越多,越难被AI引用
本文基于《易经》“离为火”思想提出“火离框架”,指出AI时代智能教育硬件厂商陷入“参数越多、越难被AI引用”的困境:直播与参数文案缺乏结构化判断,难以成为AI生成答案的可信燃料,导致品牌在AI搜索中失语。
|
5天前
| |
来自: 云原生
工业互联网场景下,一体成型电感的应用趋势与解决方案
本文解析工业互联网下一体成型电感的高频化、微型化、国产化三大趋势,提出高频损耗优化、成本与灵活性平衡、极端工况适配三大落地解决方案,助力终端稳定、高效、可靠运行,赋能工业数字化转型。
|
5天前
| |
来自: 弹性计算
阿里云轻量应用服务器抢购与云服务器低价长效特惠:活动入口、购买规则与适用场景介绍
2026年阿里云推出多款特惠云服务器,包括38元/年轻量应用服务器(2核2G)和199元/年2核4G配置,及99元/年经济型e实例、199元/年通用算力型u1实例,构成入门级算力矩阵,降低上云门槛。轻量服务器适合快速部署、简易管理,ECS则提供稳定性能和固定带宽。用户可根据需求选择,小微企业及个人开发者可重点关注,业务要求高时可考虑其他高阶实例规格。
|
5天前
| |
大模型应用:LDA线性判别分析+大模型:小数据驱动的语义增强分类实战.105
本文提出“LDA+大模型”小数据文本分类方案:用大模型(如BERT)生成高质量语义向量,再通过线性判别分析(LDA)降维并分类。兼顾语义理解与计算效率,仅需数百条标注数据即可实现高精度、低成本、易部署的文本分类,适用于意图识别、舆情分析等企业真实场景。
免费试用