本项目面向医学背景本科生参与的省级人工智能竞赛，提出了一套基于 LabelMe 的标准化图像标注流程，专用于菌落图像的语义分割任务。流程涵盖从图像准备、标注规范、格式转换到多人一致性评估与复审机制，确保训练数据的高质量与高一致性。通过角色分工（标注员、审核员、终审员）及 IoU 与 Kappa 指标评估，提升数据可靠性，最终形成可用于训练语义分割模型的数据集，为后续的模型开发奠定坚实基础。

自动化机器学习（一）超参数自动优化自动化机器学习就是能够自动建立机器学习模型的方法，其主要包含三个方面：方面一，超参数优化；方面二，自动特征工程与机器学习算法自动选择；方面三，神经网络结构搜索。本文侧重于方面二，我们将使用TPOT完成自动特征工程与机器学习算法自动选择。在机器学习中，模型本身的参数是可以通过训练数据来获取的，这些参数属于算法的普通参数，通过数据训练获得算法合适的参数，构建强大的模型

深度学习中的离群值可能来源于输入特征或标签的异常分布，对模型训练和预测精度产生负面影响。因此，可以通过数据预处理、鲁棒损失函数、正则化、数据增强和异常检测模型等方法降低其影响。同时，对于更复杂的问题如对抗样本，需要额外设计防御机制来保护模型安全性。此外目前也有专门用于处理数据集标注错误的深度学习模型，有兴趣的朋友可以去自行了解一下。深度学习中存在异常值，并且会产生负面影响。可以直接使用 Z-Sco

Python中进行HDFS编程共有两种方法，库pyhdfs与hdfs，两个库都是直接pip安装即可。同时两个库的实现原理也是一样的，hdfs的web api接口。

人工智能 (AI) 模型的数据泄露问题指的是模型训练过程中，训练数据的信息被泄露到模型输出中，导致模型对未见过的数据产生偏差或错误预测。

大模型正深刻变革科研范式与社会生活：在化学领域，上海交大团队开发的化学大语言模型首次实现有机合成全流程加速，人机协作框架仅用15次实验完成新型交叉偶联反应；在医学领域，1760亿参数医疗模型实现跨专科诊断推理，但面临数据投毒攻击风险（0.001%污染即可传播错误）。未来需突破算力瓶颈、统一评估标准，并构建伦理治理框架以平衡创新与风险。

深度学习中的离群值可能来源于输入特征或标签的异常分布，对模型训练和预测精度产生负面影响。因此，可以通过数据预处理、鲁棒损失函数、正则化、数据增强和异常检测模型等方法降低其影响。同时，对于更复杂的问题如对抗样本，需要额外设计防御机制来保护模型安全性。此外目前也有专门用于处理数据集标注错误的深度学习模型，有兴趣的朋友可以去自行了解一下。深度学习中存在异常值，并且会产生负面影响。可以直接使用 Z-Sco

自动化机器学习就是能够自动建立机器学习模型的方法，其主要包含三个方面：方面一，超参数优化；方面二，自动特征工程与机器学习算法自动选择；方面三，神经网络结构搜索。本文侧重于方面三，神级网络结构搜索。自动化机器学习的前两个部分，都有一个特点——只对现在已有的算法进行搜索，而不创造新的算法。一般而言机器学习专家在开发机器学习应用或者构建机器学习模型时，都不太可能从头造轮子，直接创造一个新的算法。但是到了

具身智能（Embodied Intelligence, EI）是指智能体通过物理身体与环境的实时交互，实现感知、决策和行动的能力。其核心思想是“智能源于身体与环境的互动”，而非仅仅依赖于抽象的计算或符号处理。具身智能强调智能体在物理世界中的主动性和适应性，通过多模态感知和动态交互，完成复杂任务。

人工智能 (AI) 模型的数据泄露问题指的是模型训练过程中，训练数据的信息被泄露到模型输出中，导致模型对未见过的数据产生偏差或错误预测。