登录社区云，与社区用户共同成长
邀请您加入社区
│ AI大模型应用开发环境 ││ ├── Anaconda/Miniconda（环境管理） ││ ├── Jupyter Notebook（开发工具） ││ └── 必要Python库 │📝 支持代码、文本、图表混合编写▶️ 代码分块（Cell）执行，便于调试📊 直接在浏览器中显示图表和可视化结果💾 保存为.ipynb文件，可分享和复现│ Jupyter Notebook 界面 ││ 📁
数据集:通过网盘分享的文件：obesity_level.csv链接: https://pan.baidu.com/s/1YjcjbXW3UPeWP5x99at6kQ 提取码: vdzc1/0，家人是否有超重肥胖1/0，经常吃高热量零食快餐1–3，越高越常吃蔬菜1-3，每天吃几顿正餐Sometimes/Frequently/Always/01–3，越高喝水越多1/0，是否关注热量0–3，越高运动越多
Jupyter Notebook作为交互式编程工具，广泛应用于AI训练、数据建模、算法调试等场景，其“代码+文本”一体化特性，大幅提升开发效率。但本地环境存在明显局限：普通PC显卡显存多为8-16GB，无法运行7B以上大模型；CPU训练ResNet-50模型需72小时，而GPU可缩短至8.5小时以内；本地硬件升级成本高，单张NVIDIA A100显卡市场价超10万元，中小团队及个人开发者难以承担。
2.6.0 版本作为 V2 系列重要更新，核心聚焦智能选择工具引入、绘图交互优化与细节体验升级：新增AI 对象选择与主体选择工具，基于本地机器学习模型，自动识别并选中画面主体或指定对象，无需复杂路径绘制，大幅提升图像编辑与合成效率，数据本地处理保障安全；作为 Adobe Illustrator 的强劲替代工具，软件凭借轻量化架构、流畅操作体验与丰富专业功能，解决传统矢量软件卡顿、订阅成本高、跨平台
已有官方账号直接运行 claude 登录即可，无需以下配置 推荐使用 CC Switch 进行可视化配置，无需手动编辑配置文件。配置步骤： 1.打开CC Switch，点击”添加配置“ 2.**在供应商列表中点击 自定义配置** 3.填写API Key（sk-xxx）【多模态支持：支持文本、截图、图表输入 适用场景：快速原型开发、代码审查、重构、学习陌生代码库、自动化脚本编写等。近来，不少人都在“
DeepSeekV4预览版正式上线并开源，推出V4-Pro与V4-Flash双版本，均支持百万token上下文处理，采用自研稀疏注意力架构降低推理成本。V4-Pro定位旗舰性能，适合企业级应用；V4-Flash侧重轻量化，适合个人开发。新版本在长文本处理、推理效率和智能体交互方面实现架构级优化，提供原生Agent能力，API兼容主流规范。文章还推荐了技术辅助工具wellapi.org简化开发流程，
摘要：Windows系统下VS Code中使用Codex编辑Jupyter Notebook时出现中文乱码，原因是PowerShell默认GBK编码与VS Code的UTF-8编码冲突。解决方法是将PowerShell编码改为UTF-8：1) 创建/修改$PROFILE文件；2) 添加UTF-8编码配置命令；3) 检查执行策略权限。最终确保chcp显示65001（UTF-8代码页）即可解决乱码问题
JupyterLab与Miniconda科学计算环境搭建指南 摘要： JupyterLab作为新一代交互式计算环境，相比经典Jupyter Notebook提供IDE式多窗口布局、文件管理和插件扩展功能。对于AI/数据科学用户，推荐使用Miniconda创建虚拟环境，其优势包括：1)解决Python库依赖冲突；2)支持多环境隔离；3)预编译科学计算库。安装流程为：下载对应架构的Miniconda安
使用VSCode或者cursor的时候，明明代码都能运行正常，就是提示无法解析导入，F12快捷跳转也没有用这是因为你执行的是ipynb文件，它本身用的是kernel内核，你在右上角设置的是jupyter本身的环境。
该代码展示了一个脱发预测的机器学习项目流程。首先导入必要的Python库（pandas、matplotlib、sklearn等），加载脱发预测数据集。数据集包含12个特征变量（如遗传因素、荷尔蒙变化、医疗状况、压力水平等）和1个目标变量（Hair Loss）。接着使用随机森林和支持向量机算法进行建模，并准备了模型评估指标（分类报告、ROC曲线等）。数据包含多种分类变量（如"Yes/No&
本文介绍了使用Python和TensorFlow构建动物图片分类模型的完整流程。项目从环境准备入手，详细讲解了数据增强、CNN模型构建（包含卷积层、池化层和Dropout层）、模型训练（15个epoch）以及结果可视化等关键步骤。通过ImageDataGenerator处理图像数据，构建的卷积神经网络最终实现了动物分类功能，并验证了模型性能。该项目不仅展示了深度学习在图像分类中的技术实现，也为动物
本文以鸢尾花三分类项目为例，演示如何通过官方文档快速掌握pdpbox库的使用方法。重点介绍了：1)官方文档检索的三种途径；2)TargetPlot类的使用流程，包括实例化参数(init)和plot方法解析；3)返回值处理技巧，揭示其返回(fig,axes,summary_df)三元组结构。通过具体案例展示了如何根据文档提示调整可视化参数，包括图表尺寸、标题位置等属性设置。最后强调使用新库时需要重点
新手入门：用Jupyter做第一个数据清洗或模型训练项目，享受交互式调试的便利；进阶提效：掌握魔法命令、插件和文件管理技巧，让Notebook成为你的「数字工作台」；场景适配：学生用它写作业做复现，分析师用它快速出结果，开发者用它调试复杂模型，核心是「按需使用，保持规范」。这里给大家准备了人工智能零基础入门学习路线，以及对应的学习资料包 需要的同学扫描下方二维码自取就可以的。
摘要：本文系统介绍了奇异值分解(SVD)的原理及其在降维中的应用。首先阐述了SVD的数学基础。随后详细解析了SVD的三个输出矩阵(U、Σ、V^T)的物理意义和作用机制。通过Python案例展示了SVD在矩阵降维中的实际应用，保留前k个奇异值即可实现5%以内的误差率。最后针对机器学习场景，重点探讨了训练集和测试集的特征维度不一致问题，提出必须对测试集应用相同的V^T矩阵进行投影变换，并提供了完整的代
本文系统介绍了NumPy数组的基础知识及其在深度学习中的应用。主要内容包括：1.数组维度概念及与Tensor的关系，强调NumPy是深度学习框架的基础；2.一维、二维及多维数组的结构特点与创建方法；3.随机数组生成的四种方法对比及其适用场景；4.数组运算（加减乘除、矩阵运算）和索引操作（包括切片和高级索引）；5.结合实例演示了SHAP值在模型特征重要性分析中的应用，通过随机森林分类器展示了SHAP
Anaconda是一站式数据科学与机器学习平台，专为开发者、数据分析师设计,并带有python中超过180个科学包及其依赖项。通过 Anaconda，您可以轻松管理数据环境、安装依赖包，快速启动数据分析、机器学习项目。丰富的 Python 数据科学库：Anaconda 集成了常用的 Python数据科学库，如 NumPy（数值计算）、Pandas（数据处理）、Matplotlib 和 Seabor
Jupyter Notebook 是一款开放源代码的 Web 应用程序，可让我们创建并共享代码和文档。它提供了一个环境，你可以在其中记录代码，运行代码，查看结果，可视化数据并在查看输出结果。这些特性使其成为一款执行端到端数据科学工作流程的便捷工具 ，可以用于数据清理，统计建模，构建和训练机器学习模型，可视化数据以及许多其他用途。当你还在构建项目原型时，Jupyter Notebooks 真的特别好
数据项目，无论是数据分析、可视化，还是数据科学和机器学习相关的项目，通常都非常复杂，涉及多个组成部分，比如代码、数据、运行环境、SQL脚本以及分析报告等；与此同时，随着AI时代的到来，数据科学领域正经历重大变革。这对于数据科学团队来说，如何保持高效地工作模式一直是一个不小的挑战。在这样的背景下，协作式、现代化的数据文档（Data Notebook）逐渐成为团队协作中不可或缺的重要工具。像Hex.t
摘要：本文介绍了如何在Ubuntu 22.04系统上使用Docker部署Jupyter Notebook，并通过cpolar实现远程访问。主要内容包括：1）安装Docker环境；2）拉取Jupyter基础镜像并创建容器；3）本地访问Jupyter工作台及密码设置；4）使用cpolar内网穿透工具创建公网地址，解决异地访问问题。该方案无需公网IP和复杂配置，即可实现安全便捷的远程Jupyter No
Anaconda 自带 Jupyter Notebook自动帮你管理 Python 和常用科学计算库非常适合学习 / 写作业 / 数据分析 / 机器学习。
在学术研究的漫漫征途中，开题报告堪称“第一块基石”。它不仅决定了研究的方向是否精准，还直接影响后续研究的效率与成果质量。然而，对于许多科研新手甚至资深学者而言，撰写一份高质量的开题报告往往充满挑战：选题缺乏创新性、文献综述杂乱无章、研究规划漏洞百出……这些问题像一道道难以跨越的沟壑，让无数研究者望而却步。访问书匠策AI官网幸运的是，随着人工智能技术的飞速发展，一款名为“书匠策AI”的智能工具正悄然
如何通过租用云端GPU实例，并配置PyCharm实现远程开发的全流程。主要内容包括：前期准备、实例租用与配置、PyCharm远程环境搭建、代码运行验证等步骤。该方法能有效解决本地设备算力不足的问题，实现高性能云端计算，同时支持按需付费、智能运维等便捷功能，适合深度学习训练、大规模数据处理等算力密集型任务。
Jupyter Notebook已成为数据科学和教学领域的核心工具，其核心优势包括交互式探索、多语言支持、可视化友好等特点。文章详细介绍了.ipynb文件结构、环境搭建、基本操作、单元格类型、内核管理等基础内容，并深入探讨了魔法命令、扩展功能、交互控件等高级特性。同时涵盖了数据科学集成、版本控制、性能优化、调试技巧等实用主题，以及与其他工具的集成和部署分享方案。最后展望了Jupyter生态的未来发
《AutoGluon时序预测极速优化指南》摘要：本文针对企业级批量SKU预测场景，提出6大加速策略。通过并行预测（提速3倍）、轻量模型组合（提速2-5倍）、关闭分位数计算、模型预加载等技巧，实现100个SKU预测从20-60秒压缩至3-5秒。特别推荐生产环境采用FastAPI+模型常驻内存方案，配合GPU加速可使深度学习模型提速5-10倍。实测显示最优方案较默认顺序预测提速9倍，为实时API和每日
本文介绍了两种适用于水果销量预测场景的API调用方式：单步预测（未来1天）和多步预测（未来7/14/30天）。核心要点包括：1）使用AutoGluon训练时序预测模型；2）多步预测直接调用predict()获取未来N天结果；3）单步预测取多步结果的第一条数据；4）提供结果导出Excel的通用方法。文章强调训练时设置的pred_length决定最大预测天数，并提醒预测时只能使用历史数据。两种预测方式
本文针对时序预测模型中训练误差（WAPE 8%）与测试误差（WAPE 23%）差距过大的问题，提出系统性解决方案。首先通过15%误差差判定为严重过拟合，并提供4步急救措施：降低模型复杂度、增加正则化、减少噪声特征、数据平滑处理。重点强调协变量泄露的自查方法（滞后特征、滑动窗口、归一化处理）。最后给出企业级优化方案（早停策略、滚动验证、缩短预测长度）和可直接复用的参数配置，将误差差控制在5%以内。核
本文介绍了水果销量预测模型上线前的标准验证流程，旨在确保本地测试结果与真实上线效果一致。核心步骤包括：1）按时间严格切分训练集和测试集；2）仅用训练集训练模型；3）在测试集上预测并计算WAPE误差；4）分析异常SKU。文章强调测试集必须完全隔离，WAPE是唯一可信指标（水果行业10%-15%为合格），并提供代码实现和3条关键原则：时间不交叉、测试集不参与训练、以测试集WAPE为准。最后指出训练集用
OpenFiles 三分钟搞定 Jupyter Notebook：免安装、可编辑、AI 助力 摘要： OpenFiles 是一款桌面端工具，解决了传统打开.ipynb文件的繁琐流程。它自带Python环境，无需安装Anaconda或配置Jupyter，双击即可打开并完整编辑.ipynb文件，支持运行代码、渲染表格/图表/公式。特色功能包括：内置AI助手可理解并修改代码，自动处理报错；完美展示Pan
摘要： 本文提供了一套针对水果/生鲜/零售场景的销量预测参数调优方案，核心目标是通过参数优化将WAPE指标降低2%～5%。关键建议包括： 预测范围：日常补货推荐7天预测（prediction_length=7），周采购14天，大促3～7天； 评估指标：业务场景首选WAPE（避免零销量爆炸），禁用MAPE； 模型策略： 快速验证用fast_training，平衡选medium_quality（含TF
《时序预测中的协变量泄露预防指南》摘要： 本文深入剖析了时序预测中最致命的协变量泄露问题，指出90%新手因未来信息渗入训练集导致模型上线失效。核心解决方案包括三种严格的时间切分策略：简单时间切分、滚动时间窗切分和滞后排除切分，强调必须按时间顺序切割数据。文章提出四条黄金预防规则：滑动窗口必须滞后处理、未来协变量严格对齐时间、归一化仅在训练集计算、禁止时序数据打乱顺序。最后给出三种泄露验证方法和Au
本文介绍了水果销量预测中合法合规的4类未来协变量构造方法，包括日历时间、节假日活动、天气预报和店铺计划特征。这些特征完全基于已知或可预测的未来信息，不会泄露实际销量数据。其中节假日效应和天气因素对水果销售影响显著，如夏季西瓜热销、雨天客流下降等。通过合理构建这些协变量（如日期、促销标记、温度等），配合AutoGluon等工具，可提升模型预测精度3%-10%。该方法特别适合水果等季节性商品，既规避数
本文介绍了水果进销存数据标准化的6步流程：1）合并原始销售、采购和库存数据；2）统一商品名称并建立分类体系；3）处理缺失值、异常值和单位统一问题；4）扩展时间特征以捕捉销售规律；5）计算销量、库存、毛利等核心业务指标；6）按时间划分数据集并进行特征处理。最终生成包含日期、商品、销量、价格、库存等关键字段的结构化宽表，为后续AI预测建模提供高质量数据基础。该流程特别针对水果行业品名混乱、季节性强的特
动手学深度学习过程中，在anaconda中如何使用jupyter notebook打开学习笔记教程与对应相关问题解决（如d2l下载失败报错：Failed to build 'numpy'）
本文介绍了使用PyTorch实现生成对抗网络(GAN)生成MNIST手写数字的方法。项目采用模块化设计，包含数据预处理、生成器和判别器网络结构。生成器通过全连接层和转置卷积将噪声向量转换为图像，判别器则采用对称的卷积结构。训练过程使用Adam优化器和BCELoss损失函数，支持多GPU并行和断点续训。通过监控判别器和生成器损失指标，评估训练效果。最终生成的数字图像质量可通过样本可视化和潜在空间插值
本文档是一份全面的PyTorch深度学习实战指南。首先，筑基篇涵盖了环境配置、张量（Tensor）的底层物理与数学逻辑，以及自动微分（Autograd）机制的核心操作与常见避坑技巧。其次，网络篇详细剖析了卷积、全连接、激活、归一化、池化这五大核心网络基元，并系统梳理了从Dataset/DataLoader数据加载到运用“五步训练法”与优化器的完整模型构建流程。此外，实战与调试篇提供了丰富的代码实例
这是一个基于多层感知机（MLP）的波士顿房价预测项目。模型使用3个全连接隐藏层（128→64→32），每层结合BatchNorm、ReLU激活和Dropout(0.2)以提升泛化能力。
本次分析的代码集源自SKF轴承动力学仿真模型，包含3个核心MATLAB代码文件，分别实现信号导入、时域/频域分析、包络谱分析及关键频率提取等功能，适用于正常轴承、内圈故障轴承等场景的动力学信号处理与故障特征识别。代码整体围绕轴承振动信号的采集、预处理、变换分析及特征提取展开，通过希尔伯特变换、快速傅里叶变换（FFT）等算法，挖掘信号中的频率特征，为轴承故障诊断提供数据支撑。
本项目利用LSTM网络构建了一个字符级文本生成模型，通过训练《西游记》全文（约74万字符）实现了神魔小说风格的自动续写。模型采用3层LSTM结构，包含字符嵌入层和线性层，总参数量约900万。项目提供了完整的训练流程，包括数据预处理、模型搭建、训练优化（梯度裁剪、学习率自适应衰减）以及文本生成功能。支持断点续训和温度采样控制生成文本的随机性。代码已整理为Jupyter Notebook，便于复现和调
设置好各项参数后，只需点击界面上的重命名图标，软件就会立即执行批量重命名操作，重命名效果直观明显，能够快速完成大量文件的命名调整，用起来非常顺手，效果也很棒！这款软件最大的特点是操作简单，功能实用，特别适合需要批量修改文件名的用户，无论是整理照片、文档还是其他类型的文件，都能通过它轻松完成批量重命名任务。在常规重命名模式下，软件支持按扩展名进行批量重命名，用户可以自定义设置文件的前缀、新扩展名、位
以“人工智能在语言学习中的应用”为例，系统会呈现从语音识别技术突破到教育场景落地的完整时间轴，并标注关键节点（如某篇高被引论文的争议点、某项技术的局限性）。书匠策AI通过六大核心功能，重构了本科论文创作的全流程，让选题更精准、逻辑更清晰、内容更学术、格式更规范，同时坚守学术伦理的底线。的科研工具横空出世，它像一根“智能魔法棒”，轻轻一挥，就能让论文写作从“地狱模式”切换到“轻松通关”。在教育论文中
本次实战我们在Jupyter Notebook中完成了猫狗分类器的搭建、训练与评估，从数据预处理到模型优化，覆盖了图像分类任务的核心流程。猫狗分类看似简单，却是计算机视觉的重要基石。在此基础上，我们可以进一步探索更复杂的任务，比如多类别动物分类、目标检测、图像分割等。希望这篇博客能帮助你快速入门机器学习图像分类，动手试试吧！
jupyter
——jupyter
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
AtomGit开源社区
DeepSeek技术社区
2048 AI社区
脑启社区
腾讯云开发者社区
