登录社区云,与社区用户共同成长
邀请您加入社区
西班牙瓦伦西亚大学Fernando Mateo团队在《Toxins》发表综述,系统评述食品中产毒真菌及毒素的绿色防控策略。文章指出,植物精油、多酚类化合物、乳酸菌、冷等离子体、纳米材料与电离辐照等新型技术可有效替代化学杀菌剂,减少残留与生态风险。人工智能结合机器学习与高光谱成像,显著提升真菌识别与毒素预测精度。尽管各技术仍面临稳定性、成本与生物安全性等挑战,研究强调需优化工艺、推动多技术协同与标准
随着人工智能技术不断融入软件开发领域,AI辅助编程逐渐成为降低开发门槛、提升开发效率的一种新方式。本文以“校园学习计划助手”网页项目为实践案例,介绍使用 AtomGit 智能体进行项目开发的完整过程。项目采用 HTML5、CSS3 和 JavaScript 实现,主要包括学习任务添加、删除、完成状态切换、任务数量统计以及 Enter 快速添加等功能。开发过程中,通过自然语言向智能体描述项目需求,由
实例一:问答任务中,prompt可能包含问题或话题的描述,以帮助模型生成正确的答案实例二:在情感分析任务中,让模型做情感分类任务的做法通常是在句子前面加入前缀该句子的情感是即可,通过这种方式 将情感分类任务转换为一个填空任务,在训练过程中,BERT可以学习到这个前缀与句子情感之间的关联。例如,它可以学习到该句子的情感是积极的和该句子的情感是消极的之间的差异。扫码加查看更多。
联合国教科文组织高等教育创新中心(UNESCO-ICHEI)发布《从数字化到人工智能赋能——全球南方高等教育的未来》报告指出:全球高等教育正经历从"数字接入"到"集成应用"、再到"人工智能赋能"的历史性转折;教师数字能力与机构数字支持能力,是决定转型成败的两大核心变量。本文对报告核心发现进行梳理与解读。
本文系统梳理了大模型技术的框架,涵盖其理论基础、核心架构(如Transformer)、训练方式(预训练、微调、提示词工程)、关键技术(RAG、多模态、智能体Agent)及应用实践。强调学习应遵循“从宏观到微观”的路径,理解大模型不仅是技术突破,更是融合神经网络、知识增强与智能决策的复杂体系。指出当前大模型发展正推动人工智能向通用化、实用化演进,为从业者带来重要职业机遇。
从北上广深海量招聘数据、大厂完整校招布局不难看出,全行业争抢 AI Agent 开发工程师并非短期资本炒作,而是人工智能产业从 “单次问答工具” 迈向 “自主执行智能体” 的必然产业转型。简单概括二者核心定位:传统 AI 是被动回答问题的工具,AI Agent 是能自主拆解任务、调用工具、独立完成整套复杂工作的数字主体,全方位降低各行业重复性人力消耗,是数字化转型、发展新质生产力的核心载体。202
本文提供一条从零开始的AI大模型学习路线,涵盖数学编程基础、机器学习、深度学习到大模型应用的全流程,推荐免费课程、书籍与实战项目(如Kaggle、Hugging Face),强调“技术+AI”融合的重要性。数据显示,2025年AI岗位需求同比增长543%,高薪岗位集中于大模型方向。作者分享全套免费资料包,助力新手90天实现从入门到就业的跃迁。
总岗位需求:2025年AI相关岗位需求同比增长超过300%人才紧缺指数(TSI):3.24(3个岗位抢1个人才)平均月薪:61475元(你没看错,是月薪!高薪岗位占比:年薪50万以上占比30.97%学历要求:硕士和博士合计占比67.90%,985/211占比46.89%算法工程师:67.17%(绝对的主力)机器学习工程师:15-20%深度学习工程师:12-15%大模型工程师:8-12%(快速增长)
对于正在迷茫择业、想转行提升,或是刚入门的程序员、编程小白来说,有一个问题几乎人人都在问:未来10年,什么领域的职业发展潜力最大?答案只有一个:人工智能(尤其是大模型方向)当下,人工智能行业正处于爆发式增长期,其中大模型相关岗位更是供不应求,薪资待遇直接拉满——字节跳动作为AI领域的头部玩家,给硕士毕业的优质AI人才(含大模型相关方向)开出的月基础工资高达5万—6万元;即便是非“人才计划”的普通应
本文系统阐述了能量模型中配分函数 $Z$ 的核心挑战及其应对策略。通过推导对数似然梯度,揭示其由“正相”(提升数据概率)与“负相”(降低模型生成样本概率)构成,而负相依赖于从难以采样的真实分布 $p_{\text{model}}$ 中采样。文中以一维能量模型为例,实现数值积分求 $Z$、有限差分验证梯度,并采用拒绝采样近似负相,直观展示了在无法显式计算 $Z$ 时,如何通过采样逼近梯度,为训练高维
本文指出当前转行AI工程师并非末班车,而是新起点,企业更需求全栈选手而非纯理论博士。文章建议程序员转行AI应从需求出发,而非啃深度学习理论,并提供针对不同背景程序员的转行优势分析及一套普通人可落地的学习路线图,包括认知建立、核心基础补充、方向深耕及项目落地等步骤,帮助程序员高效转行AI领域。很多人觉得,AI工程师的风口已经过了——大厂早都抢完了,现在进来只能当炮灰。其实反过来才对。前两年大厂抢AI
本文系统介绍了人工智能入门的三步路线:掌握Python编程基础,学习机器学习核心概念与算法,深入特定方向并阅读前沿论文。强调实践的重要性,推荐通过Kaggle竞赛、经典教材(如《西瓜书》)及吴恩达视频巩固知识,并建议结合项目实战提升能力。同时指出大模型时代下LLM的发展趋势,为学习者指明了从基础到前沿的学习路径。
本文系统梳理了学习人工智能所需的核心基础知识,涵盖数学(线性代数、微积分、概率统计)、编程(Python及数据处理)、算法与数据结构(排序、树图等)、计算机基础(组成原理、网络)以及逻辑思维能力。强调扎实基础对掌握AI技术的重要性,并提供免费学习资料获取途径,助力初学者高效入门人工智能领域。
这份清单主要内容如下图所示,主要有3大部分,分别为python编程、机器学习和深度学习,在学习理论知识的同时注重实战,让大家快速上手。在各个部分,本文还推荐了学习图书和视频,可以帮助大家高效学习。
AI行业招聘热度飙升,尤其是AI产品经理、智能体技术人才需求激增。岗位虽多,但匹配度成为关键。AI正从少数大厂技术,扩展到各行业基础能力,机会边界扩大。与其大海捞针般找岗位,不如利用AI人才库如快龙虾,让更合适的机会主动找你,实现精准匹配。即使不跳槽,提前进入人才库也能不错过未来优质机遇。AI行业的人才争夺战,正在明显升温。2026年上半年,人工智能行业招聘企业数量同比增长 24.8%,招聘职位数
做了7年Go后端,日常工作就是写接口、调数据库、做微服务、处理并发、线上问题排查。最近明显感受到行业变化:很多基础业务代码,现在大模型可以直接生成。单纯写 CRUD 接口的岗位需求在收缩,但AI 应用工程师的缺口在持续放大。薪资普遍 15‑40k,核心做 RAG、Agent、大模型业务落地。很多人会有误区:转 AI 就要去学深度学习、啃高数、研究 Transformer 源码。但对后端工程师来说,
使用 Python 和 NumPy 从零实现神经网络。数据标准化可以加快收敛。超参数包括层数、单元数、学习率、轮数等。正向传播、反向传播、参数更新是训练的三个核心步骤。小批量梯度下降是标准训练方法。使用 MNIST 实现手写数字识别。卷积神经网络实现使用 im2col 和 col2im 变换。ReLU 和 softmax 是卷积神经网络常用函数。权重初始化很重要,He 初始化适合 ReLU。卷积神
本文系统梳理了2026年大模型学习路线,涵盖基础准备(数学、编程、深度学习)、核心技术(Transformer、预训练、NLP)与实战项目三大阶段。从零基础到精通,强调理论结合实操,推荐优质资源与经典项目,助力小白与程序员高效掌握大模型核心技能,实现职业跃迁。
隐变量模型(Latent Variable Model)假设观测数据xxx是由一些未观测到的隐变量zzz生成的。隐变量代表数据中未直接观测但对生成数据有影响的因素。观测数据xxx:像素值隐变量zzz:可能包括身份、表情、姿态、光照、年龄、性别等从先验分布pzp(z)pz中采样隐变量zzz从条件分布px∣zp(x|z)px∣z中采样观测数据xxxpx∫px∣zpzdzpx∫px∣zpzdz。
本章系统讲解变换器(Transformer)架构,核心为自注意力机制与位置编码,突破RNN序列依赖限制,实现并行计算。通过多头注意力捕捉长距离依赖,结合残差连接与层归一化提升训练稳定性。模型分为编码器-解码器结构,广泛应用于BERT(编码器)、GPT(解码器)及机器翻译等任务,并拓展至图像、语音等领域,成为现代AI的基石。
蒙特卡罗方法通过随机采样近似求解数学问题,核心为利用样本均值估计期望。本文介绍逆变换采样与拒绝采样两种基本方法:前者基于累积分布函数逆变换生成样本,适用于解析可逆分布;后者通过提议分布与包络常数实现复杂分布采样。代码案例展示了从指数分布和双峰混合高斯分布中采样,并可视化结果与接受率,验证了方法有效性。
网络安全等级保护2.0的主要变化包括:一是扩大了对象范围,将云计算、移动互联、物联网、工业控制系统等列入标准范围,构成了“网络安全通用要求+新型应用的网络安全扩展要求”的要求内容。《一般数据保护条例》是欧盟法规的重要组成部分,主要内容是关于欧盟境内的公民数据应该如何被公司所使用,引入严格的新规则,以获得人们对数据进行处理的同意。根据网络安全事件对国家安全、社会秩序、经济建设和公众利益的影响程度,可
上物联网通信相关的课,几乎每届都有学生问:无线技术为什么不能像 USB 那样统一成一个标准?这个问题值得认真回答,因为它背后藏着这门课的一个基本事实——物联网的应用需求本身就是分叉的,不是标准组织没统一,是统一不了。任何一种无线通信方案,都要在五个指标上做取舍:传多远、传多快、耗多少电、单节点多少钱、一个基站能带多少节点。这五个指标互相牵制。距离拉远,要么加大发射功率,要么降低速率换灵敏度;速率提
又到专业建设采购季。近期不少老师在问人工智能实验箱怎么选,我们借实训室验收的机会,把手里能接触到的三款设备放在一起过了一遍:中智讯 AI-HNXPro、华南某物联网厂商的 AI 通识教学箱(下称 A 厂)、华东某科教设备厂的 AI 实训箱(下称 B 厂)。后两家规模都不大,是这个市场里最常见的供应商类型,故隐去名称,只谈产品。
本文为广东海洋大学阳江校区物联网工程专业大一新生定制四年规划指南,涵盖政策资源(学籍、缴费、毕设、实验报告)、课程自学(慕课与开源库)、考研保研(研招网、408、择校)、求职面试(刷题、项目、实习)及考公考编(岗位查询)等五大板块,整合官方链接与关键要点,助力新生从入学起科学规划学业与未来发展。
本章系统讲解深度学习中的梯度计算与参数初始化。核心内容包括:基于链式法则的反向传播算法,通过计算图实现从输出层逐层回传梯度;推导了误差项传播公式及参数梯度计算方法;并通过代码实验对比不同初始化方式(如Xavier、He)对训练效果的影响。强调合理初始化可避免梯度消失或爆炸,提升收敛速度。反向传播是深度学习优化的基础,其高效性使大规模网络训练成为可能。
本周传感器实验深入解析光强、可燃气体与光电开关检测。通过BH1750实现I2C软件模拟通信,掌握照度换算与时序控制;基于MQ-5理解半导体气敏原理及比较器信号调理;结合光电开关验证数字输入应用。三类实验全面实践了感知层核心技术,深化了对物联网“感官系统”的认知。
AI 硬件正在从“只负责推理”走向“能在物理器件里学习”。progressive gradient descent 用逐层原位更新绕开中间梯度存储,让前向信号和误差信号在交叉阵列中相遇并直接改写 EC-RAM 电导权重。XOR 硬件网络第 6 个 epoch 达到 100% 准确率,说明多层硬件训练路径可行,但规模化仍受学习率、器件噪声、偏置和电路工程约束。
本文为dlib人脸相关算法学习笔记,从图片人脸检测、摄像头实时检测,到68个人脸关键点定位、五官轮廓绘制,最后基于几何特征实现简易表情识别。保留代码原有注释,分段展示代码。需要安装opencv‑python、dlib等库,并下载`shape_predictor_68_face_landmarks.dat`模型。依靠MAR嘴部、MJR嘴颊、MER眼睛三类比例做阈值判断表情。该方法简单易上手,但易受光
卷积神经网络擅长图像处理,也用于自然语言处理。图像可看作矩阵,卷积过滤器在图像上滑动并加权求和。卷积后的输出叫特征图。过滤器数值通过训练得到,是特征检测器。填充和步进可调整特征图大小。卷积层常见流程:卷积 → 激活函数 → 池化。常用激活函数:ReLU。常用池化:最大池化。卷积神经网络通过通道处理多特征图,彩色图像有 RGB 三通道。卷积过滤器通道数必须与输入通道数一致。最后连接全连接层,分类时使
贪心逐层无监督预训练通过逐层使用自编码器对深层网络进行初始化,利用大量无标签数据学习有效特征表示,避免陷入局部极小值。每层独立训练后,将编码结果作为下一层输入,最后用有标签数据微调。代码实现展示了从原始数据到多层编码的完整流程,结合PyTorch构建自编码器并完成分层预训练,显著提升模型性能与收敛速度。
本文摘要:讲解了公有云物联网平台MQTT接入的关键技术要点。重点对比了标准MQTT与公有云MQTT在设备认证机制上的差异,详细解析了阿里云和腾讯云的设备三元组概念、连接参数规则、签名计算方法及Topic规范。提供了HMAC-SHA1签名的C语言实现示例,并针对无RTC设备的时间同步问题给出解决方案。文章还梳理了设备上云完整业务流程,总结出签名错误、时间不准等高频踩坑问题,推荐了MQTTX等调试工具
《动手学深度学习》第24~50集复习摘要:本阶段系统掌握分类任务核心——从Softmax回归到多层感知机(MLP),完成模型、损失(交叉熵)、数据(Fashion-MNIST)与训练四件套构建。深入理解过拟合诊断与应对策略,掌握权重衰退(L2正则化)与丢弃法(Dropout)两大正则化手段。攻克数值稳定性难题,学习Xavier/He初始化方法,并首次在Kaggle房价预测实战中综合运用标准化、On
欠完备自编码器通过压缩输入至低维隐藏层(如32维),学习数据的紧凑表示,实现无监督特征提取。基于MNIST数据集,使用PyTorch构建包含两层编码与解码的网络,以MSE为损失函数,经20轮训练后可有效重构图像。结果表明,该模型能捕捉关键特征,逼近PCA效果,适用于降维与数据压缩。
针对本地食物图像数据集的图像分类任务,本文基于 PyTorch 框架实现一套完整的深度学习训练流程。首先通过脚本遍历文件夹生成图片路径‑标签 txt 索引文件,解决本地分类数据集无法直接被 PyTorch 读取的问题;其次讲解`Dataset`中`__getitem__`、`__len__`魔法方法底层原理,自定义食物数据集类完成图片读取、预处理与标签转换,借助`DataLoader`实现样本批量
感知机是最简单的二元分类模型,通过加权求和与阈值判断输出 0 或 1。引入偏置后,感知机输出可写成:w⋅xb0w⋅xb0单层感知机只能解决线性可分问题,不能解决线性不可分问题。多个感知机组合成多层感知机,也就是神经网络。神经网络包括输入层、隐藏层和输出层,层编号从第 0 层开始。每层有权重矩阵WlW^{(l)}Wl和偏置向量blb^{(l)}bl。每层计算为:xlalWlxl−1blxlalWlx
本文综述了多个基于大数据技术(如Hadoop、Spark、Python等)的分析与可视化系统,涵盖租房、电商、交通、环境、旅游、医疗、教育等多个领域。系统广泛采用数据挖掘、机器学习及深度学习算法,实现用户画像、行为分析、趋势预测、智能推荐等功能,推动各行业智能化决策与服务优化。
传感器感知数据、设备采集信息、系统智能分析、平台联动执行。从智慧停车场、智能道路的交通优化,到无人超市的无感结算,再到EPC体系的万物唯一标识,所有智能场景都不是单一设备的作用,而是多硬件、多系统、多技术的协同联动。简单总结核心区别:EAS只防盗、条码只分类、RFID做识别、EPC做唯一溯源、ONS做地址解析、EPCIS做数据存储,各司其职,构成了我们如今便捷的智能生活。
本文系统梳理了从零基础到成为AI大模型应用开发工程师的学习路径,涵盖数学与编程基础、机器学习入门、深度学习进阶、大模型原理与实践、高级应用及社区参与六大阶段。强调掌握线性代数、Python、数据结构等核心技能,通过Kaggle项目、Hugging Face微调、开源贡献等实战提升能力。推荐Coursera、Khan Academy、Fast.ai等优质资源,并鼓励持续学习前沿论文与参与AI社区,助
AI大模型正引领行业高速增长,市场潜力巨大。企业纷纷入局,传统行业加速转型,AI能力成为核心竞争力。全民普及阶段,高薪岗位红利释放,掌握AI技能是个人职场逆袭的关键。无论是企业还是个人,拥抱AI都是顺应时代发展的必经之路。近几年,人工智能早已不是遥远的科技概念,而是悄悄渗透进各行各业、扎根日常工作的刚需工具。不管是企业经营发展,还是普通人职场打拼,AI都在重塑行业规则与就业格局。行业数据的持续走高