- 综合排序
- 最热优先
- 最新优先
- 来自专栏Hank’s Blog
3-5 处理缺失值
> x <- c(1,NA,2,NA,3) > is.na(x) [1] FALSE TRUE FALSE TRUE FALSE > x[!is.na(x)] #找出不是缺失值 [1] 1 2 3 > x <- c(1,NA,2,NA,3) > y <- c("a","b",NA,"c",NA) > z <- complete.cases(x,y) #都不是缺失值的元素 > x[z] [1] 1 > y[z] [1] "a" > library(datasets) #import dat
56710发布于 2020-09-16 - 来自专栏NetCore 从壹开始
3-5 安装CICD管理平台：Jenkins
大家这里可以先安装gitlab工具，我就省事了，直接用gitee做源代码管理平台了。
39421编辑于 2023-01-09 - 来自专栏实验盒
当我用DeepSeek预测AI for BioScience未来3-5年发展趋势
预测未来3-5年AI在生物科学（AI for BioScience）的发展趋势，可以从技术突破、跨学科融合、数据驱动创新以及伦理监管等多个维度进行分析。以下是一些关键趋势的展望： 1. 药物研发的端到端AI化 全流程覆盖：AI将贯穿从靶点发现、化合物生成、ADMET（毒性/代谢预测）到临床试验优化的全链条，缩短药物研发周期（目前平均10年→可能压缩至3-5年）。 基因治疗递送系统：AI辅助开发更高效的病毒载体或非病毒纳米颗粒。 6. 生物伦理与可解释性挑战 黑箱模型的风险：复杂AI模型的决策透明性将成监管重点，需开发生物可解释的AI（XAI）工具。 全球监管协作：各国可能建立AI生物技术应用的伦理框架（如AI设计病原体的管控）。 7. 总结 未来3-5年，AI将深度重构生物科学的研究范式，从“数据辅助分析”转向“主动设计创造”，并在药物研发、合成生物学、精准医疗等领域实现商业化落地。
63210编辑于 2025-02-05 - 来自专栏Web_xy
AI搜索引擎
通过与 ChatGPT 发明者 OpenAI 合作，微软给自己的搜索引擎加入了先进的 AI 对话模型，以支持全新版本的必应（Bing）和 Edge。 我本来也想试试，但是现在公测版还未发行，且内测版被各大头条垄断，只能先看看谍照了hh ---- 基于AI的搜索引擎 新模式的搜索引擎 ---- 我们能看到，新必应搜索的其中一种模式将传统搜索结果与 ---- 「人工智能将从根本上改变各类软件，首先就从最大的类别 —— 搜索引擎开始。今天，我们推出了由 AI 加持的必应和 Edge，以帮助人们从搜索和网络中获取更多信息。」 因为人们正在使用搜索引擎来做它最初没有设计的功能。搜索引擎非常适合查找网站，但对于更复杂的问题或任务来说，它往往不够用。 我们还将 AI 模型应用于我们的核心必应搜索排名引擎，从而实现了二十年来相关性的最大跃升。有了这个 AI 模型，即使是基本的搜索查询也更加准确和相关。 新的用户体验。
1.8K20编辑于 2023-02-23 - 来自专栏AI系统
【AI系统】推理引擎架构
在深入探讨推理引擎的架构之前，让我们先来概述一下推理引擎的基本概念。推理引擎作为 AI 系统中的关键组件，负责将训练好的模型部署到实际应用中，执行推理任务，从而实现智能决策和自动化处理。 随着 AI 技术的快速发展，推理引擎的设计和实现面临着诸多挑战，同时也展现出独特的优势。 本文将详细阐述推理引擎的特点、技术挑战以及如何应对这些挑战，为读者提供一个较为全面的视角。 推理引擎特点 推理引擎，作为 AI 和机器学习领域的重要组成部分，其设计目标在于提供一个灵活、高效且易于使用的平台，用于部署和运行已经训练好的模型，完成从数据输入到预测输出的全过程。 易用性 易用性是衡量一个 AI 推理引擎是否能够被广泛采纳和高效利用的关键指标。 MACE：MACE 是小米推出的移动端 AI 计算引擎，全称为 Mobile AI Compute Engine。
2.8K21编辑于 2024-12-05 - 来自专栏叽叽西
lagou 爪哇 3-5 spring cloud (下) 笔记
为了⽀撑⽇益增⻓的庞⼤业务量，我们会使⽤微服务架构设计我们的系统，使得 我们的系统不仅能够通过集群部署抵挡流量的冲击，⼜能根据业务进⾏灵活的扩展。那么，在微服务架构下，⼀次请求少则经过三四次服务调⽤完成，多则跨越⼏⼗ 个甚⾄是上百个服务节点。那么问题接踵⽽来：
92420编辑于 2022-05-17 使用AI引擎扩展ADV游戏引擎的技术实践
保持使用Antigravity扩展ADV游戏引擎我完全没有预料到这一点（我知道这是我上一篇文章的开场白）——它持续超出了我的预期（当然是往好的方向！）。 我正在让Antigravity持续扩展那个基于CSV的ADV游戏引擎，进展相当顺利！ 我知道——我可能不应该构建动画（也不应该构建标题屏幕），而应该专注于构建我的游戏中更基础的部分，但是……有时候你想稍微不按顺序做事来提高你的积极性，对我来说，这感觉是正确的做法（而且一切自己构建（+ AI
27910编辑于 2026-01-18转载：【AI系统】推理引擎架构
在深入探讨推理引擎的架构之前，让我们先来概述一下推理引擎的基本概念。推理引擎作为 AI 系统中的关键组件，负责将训练好的模型部署到实际应用中，执行推理任务，从而实现智能决策和自动化处理。 随着 AI 技术的快速发展，推理引擎的设计和实现面临着诸多挑战，同时也展现出独特的优势。 本文将详细阐述推理引擎的特点、技术挑战以及如何应对这些挑战，为读者提供一个较为全面的视角。 推理引擎特点 推理引擎，作为 AI 和机器学习领域的重要组成部分，其设计目标在于提供一个灵活、高效且易于使用的平台，用于部署和运行已经训练好的模型，完成从数据输入到预测输出的全过程。 易用性 易用性是衡量一个 AI 推理引擎是否能够被广泛采纳和高效利用的关键指标。 MACE：MACE 是小米推出的移动端 AI 计算引擎，全称为 Mobile AI Compute Engine。
2.2K10编辑于 2024-12-12研究生入局 AI Agent，不是跟风，是抓住未来 3-5 年的技术红利研究
发布于2026-05-1615:30最近在和身边做AI的同学、朋友聊天时，总能听到一个高频问题：“现在研究生做Agent，是不是已经晚了？” 研究生如果能深耕Agent架构、FunctionCalling、Skill编排、多智能体协作这些核心技术，毕业时可以直接对接AI应用开发、智能体开发、大模型应用等高薪岗位，竞争力远超普通应届生。 说到底，Agent不是一阵风，而是未来3-5年AI领域最确定的技术趋势之一。对研究生来说，现在入局，不是跟风，而是抓住了一个用小成本撬动大价值的机会。
28610编辑于 2026-05-16- 来自专栏山行AI
AI跑车引擎第三篇——向量引擎之ElastiKnn实战
前言 在今天的数据驱动的世界中，在AI兴起的当下，信息检索和相似性搜索已经成为了许多领域的核心技术，包括但不限于各类AI应用、推荐系统、电子商务、社交媒体和生物信息学。 为了满足这个需求，我们需要一个强大、灵活且高效的搜索引擎。这就是Elasticsearch和ElastiKNN的用武之地。 Elasticsearch是一个基于Apache Lucene的开源搜索引擎，它被广泛应用于全文搜索、日志数据处理和大数据分析等领域。 在AI兴起的当下，一切皆embedding，像Elastiknn这类向量存储和检索引擎也逐渐成为AI跑车引擎里不可缺少的一部分。 安装 1.
1.8K20编辑于 2023-06-14 - 来自专栏PHP实战技术
3-5年的PHPer常见的面试题
看到有很多，的总结一下，比较适合有一定经验的PHPer 平时喜欢哪些php书籍及博客？CSDN、虎嗅、猎云 js闭包是什么，原型链了不了解？ for与foreach哪个更快？ php鸟哥是谁？能不能讲
1.6K100发布于 2018-03-09 - 来自专栏腾讯云安全的专栏
AI in WAF | 腾讯云网站管家 WAF AI 引擎实践
基于语义规则的 WAF 大大提升了检出能力，是对规则检测缺陷的进一步探索，由于引擎具备对语义的理解能力，当黑客将攻击语句做回避式的变形时，能被语义分析引擎解析理解，行业中一些产品在实际应用中取得了比规则更好的检测能力 △ 正则引擎与语义分析检测机制对比 用机器学习探索 Web 攻击检测新思路 基于语义分析的 WAF 将 Web 攻击检测技术推向了新的台阶，但防护仍然不具备对未知威胁的进化适应能力，处于被动应对攻击状态 特点：提前采用大量已标记的样本训练 AI 引擎，召回率高，误判率低。 无监督学习：根据类别未知的样本解决模式识别中的各种问题，称之为无监督学习。 特点：不需要提前标注样本训练 AI 引擎，通过大量数据学习自动实现分类，检出率高，漏判率低。 我们在下期一起探索 AI 引擎在 WAF 中的实际落地应用，并以 Demo 案例来展示腾讯云“AI in WAF”的创新成果，敬请关注。
18.3K01发布于 2018-07-30 一文读懂AI引擎与Together规则引擎重塑智能决策
从1950年图灵提出“机器能不能思考”的问题，到2025年大语言模型驱动的AI引擎在企业管理中自主完成商业决策，人工智能从“工具”变成了“智慧体”。 想象一下，一个跨国公司的智能ERP系统里有3000多个自主引擎在深度调度跨国供应链，多智能体协同重构财务流程，一个关键技术创新正在加速这一进程——Together规则引擎正成为AI引擎实现智能化决策的核心基础设施 AI引擎的三大能力革命动态规划能力Together规则引擎通过可视化的DRG图和装箱表达式，把“季度营收增长20%”这样的宏观目标转化为可执行的决策模型。 多工具调用能力基于Together标准化的决策服务接口，AI引擎可以在ERP、CRM等系统间建立决策中枢。 当每一次AI引擎的决策都通过Together引擎沉淀为可复用的业务规则资产，当每一个流程优化都能转化为标准化的决策模型，企业管理软件将真正进入“决策即服务”的新纪元。
98410编辑于 2025-09-05- 来自专栏cwl_Java
C++编程之美-结构之法(代码清单3-5)
代码清单3-5 void RecursiveSearch(int* number, int* answer, int index, int n) { if(index == n)
31820编辑于 2022-11-30 - 来自专栏程序那些事儿
秘塔AI搜索，AI时代的搜索引擎
我们所面临的信息洪流中，搜索引擎如同灯塔指引方向，帮助我们在浩瀚的数据海洋中找到有价值的内容。然而，随着用户需求的不断升级，对于搜索体验的期望也水涨船高。 一、秘塔 AI 搜索的技术基础 秘塔 AI 搜索的核心是上海秘塔网络科技有限公司倾力打造的大语言模型 MetaLLM。 二、用户体验与创新特点 秘塔 AI 搜索之所以能在众多搜索引擎中脱颖而出，最显著的特点就是其提供的完全无广告的搜索环境以及结构化的搜索结果展示。 以往在使用其他搜索引擎时，用户的体验常常被广告侵扰，而秘塔 AI 搜索则彻底消除了这种烦恼，让用户可以直接浏览到高质量的搜索结果。 结语 总结来说，秘塔 AI 搜索作为一款创新的 AI 搜索引擎，以其出色的技术能力和用户友好的设计理念，迅速在国内外市场上占据一席之地。
3.1K20编辑于 2024-04-26 - 来自专栏腾讯云大模型训推平台TI-ONE
AI Talk | AI工业质检之以图搜图引擎
智能质检也随之被各大AI公司看好，AI质检具有天然优势，成本低，效率高等，但如何工业AI质检有效落地是我们面临的一个巨大挑战，工业有本身行业的特殊性，质量标准，生产工艺，产品多样性都给AI质检系统带来阻力 今天一篇“AI工业质检之以图搜图引擎”带大家如何解决工业漏检问题，如何回溯漏检历史现场。 01产品功能/使用 工业质检主要指标问题：过杀与漏检， 过杀是指工业产品是完好样品被AI质检系统判定为缺陷样品，漏检是指工业产品是缺陷样品被AI质检系统判定为完好样品，漏检的分析问题定位也是整个AI质检系统最难课题之一 以图搜图引擎就是以这样背景情况设计出来，终极目的回溯漏检历史现场。 主流框架 高扩展性 预置支持业界主流和腾讯自研的AI学习框架，以及腾讯多个AI实验室自研的通用和行业级算法服务，开放接口支持用户自定义算法模型。
2.6K31发布于 2021-09-28 - 来自专栏AI机器学习与深度学习算法
机器学习入门 3-5 Numpy数组(和矩阵)的基本操作
shape 属性查看数组的维度，返回值是一个元组，元组中对应位置的值为数组中对应维度的元素个数。
93410编辑于 2022-05-25 - 来自专栏跟着官方文档学小程序开发
第二章 小程序开发指南3-5
在本章会介绍小程序的基本开发流程，结合前面章节的知识，完全可以独立完成一个体验很完善的小程序。为了让开发者更加了解小程序开发，在本章中还会通过常见的一些应用场景介绍小程序API的一些细节以及开发的一些技巧和注意事项。
43310编辑于 2025-08-25 - 来自专栏腾讯云安全的专栏
AI in WAF | 腾讯云网站管家 WAF AI 引擎实践（下篇）
针对此问题，网站管家 WAF 创新地提供适用于单个用户的 AI 引擎学习接口，用户可以通过接口对 AI 引擎进行干预训练，并生成只适用于本用户业务的一对一的AI 威胁模型。 也就是说，企业部署腾讯云网站管家 WAF 后，可以基于自身的业务数据及安全累积对引擎进行训练，在网站管家 WAF 整体的 AI 引擎基础之上，发展并拥有一个符合自身业务特征的个性化 AI WAF！ △ 网站管家 WAF AI引擎特征学习界面 在实际落地 AI 引擎的开发中，网站管家 WAF 团队融合了更多的创新尝试及应用技巧，并在构建 WAF 自学习、自进化、自适应检测机制上不断研发，持续输出技术实践价值 AI 引擎 RPC 服务 支持 AI 引擎 RPC（Remote Procedure Call ) 服务，适用于自身网络具备硬件 WAF 或云 WAF 私有化软件的场景。 用户可通过 RPC 服务,调用腾讯云网站管家 WAF 的 AI 引擎检测能力。
14.3K01发布于 2018-07-31 - 来自专栏腾讯云大模型训推平台TI-ONE
AI Talk | AI工业质检之以图搜图引擎
伴随人工智能的极速发展，AI工业也随之大放异彩，工业质检是整个制造中一个非常重要的环节，传统人工工业质检缺乏统一性标准，人工质检效率低，人工质检失误多，制造企业招工难，AI智能质检也随之被各大AI公司看好 ，AI质检具有天然优势，成本低，效率高等，但如何工业AI质检有效落地是我们面临的一个巨大挑战，工业有本身行业的特殊性，质量标准，生产工艺，产品多样性都给AI质检系统带来阻力。 今天一篇“AI工业质检之以图搜图引擎”带大家如何解决工业漏检问题，如何回溯漏检历史现场。 以图搜图引擎就是以这样背景情况设计出来，终极目的回溯漏检历史现场。 引擎设计流程结构图上述 目标图像筛选：工业产品90%都是多角度成像，利用多角度成像实现产品2维化平面检测，多角度通常称多点位设计，成像严格按照点位设计固定拍摄，无论机台复制多少实例，成像都使用一套点位黄金模板
1.9K20编辑于 2022-01-27
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号