真的?听声音就能识别新冠患者?DeepMind海龟面部识别AI实践;数据建模与数据库·最新课程;推荐系统快速实现框架;前沿论文 | ShowMeAI资讯日报

空间数据计算引擎GeoSpark调研 什么是空间数据 空间数据(Spatial Data) 空间数据又称几何数据,它用来表示物体的位置、形态、大小分布等各方面的信息,是对 现实世界中存在的具有定位意义的事物和现象的定量描述。根据在计算机系统中对地图是 对现实教想的存储组织、处理方法的不同,以及空间数据本身的几何特征,空间数据又可分为图形数据和图像数据。 来源与类型 空间数据来源和类型繁多,概括起来主要可以分为地图数据、影像数据、地形数据、属性数据和元数据。 地图数据:这类数据主要来源于各种类型的普通地图和专题地图,这些地图的内容非常丰富。 影 阅读详情

👀日报合辑 | 📆电子月刊 | 🔔公众号下载资料 | 🍩@韩信子

📢 AI 模型『听声音』判断是否感染新冠病毒,准确率比快速抗原测试还高

https://www.eurekalert.org/news-releases/963516

https://k4.ersnet.org/prod/v2/Front/Program/Session?e=377&session=14843

当地时间9月5日,西班牙巴塞罗那举行的欧洲呼吸学会(ERS)国际大会上的一项研究显示,人工智能可通过手机应用程序从人们声音中检测出新冠肺炎感染,它比快速抗原测试更准确,且更便宜、快速和易于使用。

马斯特里赫特大学数据科学科学研究所的研究人员Wafaa Aljbawi在大会上表示,研究使用了剑桥大学 893 个音频样本数据集,语音特征由 Mel-spectrogram 分析法提取得到。利用语音数据,开发了长短时记忆(LSTM)、卷积神经网络(CNN)等深度学习分类模型来检测 COVID-19 的阳性病例。

研究结果表明,深度学习可以检测出 COVID-19 患者声音的微妙变化。与抗原测试相比,我们的模型的灵敏度有了明显的提高(84% vs. 56.2%),但特异性较低(83% vs. 99.5%)。作为其他测试技术的补充,通过简单的语音分析,这个模型可以帮助快速诊断 COVID-19 病例。

工具&框架

🚧 『QRec』可快速实现推荐系统的Python框架

https://github.com/Coder-Yu/QRec

QRec 是一个用于推荐系统的Python框架(支持Python 3.7.4和Tensorflow 1.14+),其中实现了一些有影响力的、最新的推荐模型。QRec 有一个轻量级的架构,可以促进模型的实现和评估,并提供用户友好的界面。

🚧 『LightGBM Transform』LightGBM 特征转换库

https://github.com/microsoft/lightgbm-transform

LightGBM Transform 在使用 LightGBM 时提供一种灵活且自动的方式来进行特征转换。与单独的转换相比,这种方式更有效率,也更便于开发和迭代:

  • 更有效率。数据预处理可以与解析每一行一起进行,并自然地利用 LightGBM 设计的多处理,不需要将整个转换后的数据存储在文件/内存中。
  • 更便于开发和迭代。内置的转换可以通过与模型一起保存/加载来保持离线和在线的一致性。

🚧 『Apache Sedona』用于处理大规模空间数据的集群计算系统

https://github.com/apache/incubator-sedona

https://sedona.apache.org/

Apache Sedona(incubating)是一个用于处理大规模空间数据的集群计算系统。Sedona 为 Apache Spark 和 Apache Flink 等集群计算系统配备了一套开箱即用的分布式空间数据集和空间SQL,可以在机器间有效地加载、处理和分析大规模空间数据。

🚧 『pyampute』用于在完整数据集中生成缺失值(例如截断)、探索不完整数据集的Python库

https://github.com/RianneSchouten/pyampute

pyampute 是一个 Python 工具库,用于生成完整数据集的缺失值(即截断)和探索不完整数据集。pyampute 提供了 MultivariateAmputation 这个用于生成完整数据集的缺失值的转化器,还提供 mdPatterns 和 MCARTest 用于检查不完整数据集。

🚧 『oslo』开源大规模模型优化框架

https://github.com/EleutherAI/oslo

OSLO是大规模模型优化的开源框架。

博文&分享

👍 『Data Modelling and Databases』苏黎世联邦理工·数据建模与数据库· 2022课程

https://video.ethz.ch/lectures/d-infk/2022/spring/252-0063-00L.html

https://ds3lab.inf.ethz.ch/dmdb.html

课程涵盖了数据库和信息系统的设计、实施的基本方面。课程侧重于关系型数据库,但也将涵盖数据库以外的数据管理问题,如:交易一致性、复制、数据仓库、其他数据模型,以及SQL。在第一个链接观看课程视频,在第二个链接下载课程课件。

👍 『Advancing conservation with AI-based facial recognition of turtles』基于AI的海龟面部识别与物种保护

https://www.deepmind.com/blog/advancing-conservation-with-ai-based-facial-recognition-of-turtles

https://zindi.africa/competitions/turtle-recall-conservation-challenge

生物学家认为海龟是一种指示物种,其行为有助于科学家了解所在生态系统的潜在发展。 生物学家使用物理标签等传统方法识别与跟踪个体海龟,但是这些标签在海水中会频繁丢失或被侵蚀,使得这种方法变得不那么可靠。

因此 DeepMind 与 Zindi 合作,发起了一项名为 Turtle Recall 的机器学习挑战赛,通过海龟面部各异且稳定的鳞片图案识别,提高海龟重新识别的可靠性和速度。

比赛于2021年11月开始,历时五个月,收到了来自 13 个不同国家的AI爱好者提交的作品。项目的更多信息可以查看上方第二个链接。

数据&资源

🔥 『wandb tutorial』wandb使用教程,免费的机器学习训练过程记录工具

https://github.com/huangshiyu13/wandb_tutorial

https://www.zhihu.com/column/c_1494418493903155200

wandb 是一个免费的、用于记录机器学习训练过程数据的工具,具有用户管理、团队管理、项目管理等功能。本教程包含环境设置、基础使用方法、超参数搜索、数据和模型管理、wandb本地部署等内容。

🔥 『compiler and arch』新兴编译器与架构相关资源大列表

https://github.com/KnowingNothing/compiler-and-arch

研究&论文

可以点击 这里 回复关键字 日报,免费获取整理好的论文合辑。

科研进展

  • 2022.08.19 『图像生成』 Cold Diffusion: Inverting Arbitrary Image Transforms Without Noise

  • 2022.08.24 『联邦学习』 Federated Learning via Decentralized Dataset Distillation in Resource-Constrained Edge Environments

  • 2022.08.22 『计算机视觉』 Individual Tree Detection in Large-Scale Urban Environments using High-Resolution Multispectral Imagery

⚡ 论文:Cold Diffusion: Inverting Arbitrary Image Transforms Without Noise

论文时间:19 Aug 2022

领域任务:Image Restoration, Variational Inference,图像生成,变分

论文地址:https://arxiv.org/abs/2208.09392

代码实现:https://github.com/arpitbansal297/cold-diffusion-models,https://github.com/lucidrains/denoising-diffusion-pytorch

论文作者:Arpit Bansal, Eitan Borgnia, Hong-Min Chu, Jie S. Li, Hamid Kazemi, Furong Huang, Micah Goldblum, Jonas Geiping, Tom Goldstein

论文简介:We observe that the generative behavior of diffusion models is not strongly dependent on the choice of image degradation, and in fact an entire family of generative models can be constructed by varying this choice./我们观察到,扩散模型的生成行为并不强烈依赖于图像退化的选择,事实上,整个生成模型系列可以通过改变这种选择而被构建。

论文摘要:标准的扩散模型涉及一个图像变换–添加高斯噪声–和一个颠倒这种退化的图像恢复算子。我们观察到,扩散模型的生成行为并不强烈依赖于图像退化的选择,事实上,整个生成模型系列可以通过改变这种选择来构建。即使在使用完全确定的退化(如模糊、遮蔽等)时,作为扩散模型基础的训练和测试时间更新规则也可以很容易地被泛化以创建生成模型。这些完全确定的模型的成功使人们对社区对扩散模型的理解产生了疑问,这种理解依赖于梯度朗文动力学或变异推理中的噪声,并为逆转任意过程的广义扩散模型铺平了道路。我们的代码可在https://github.com/arpitbansal297/Cold-Diffusion-Models获取。

⚡ 论文:Federated Learning via Decentralized Dataset Distillation in Resource-Constrained Edge Environments

论文时间:24 Aug 2022

领域任务:Federated Learning,联邦学习

论文地址:https://arxiv.org/abs/2208.11311

代码实现:https://github.com/Guang000/Awesome-Dataset-Distillation

论文作者:Rui Song, Dai Liu, Dave Zhenyu Chen, Andreas Festag, Carsten Trinitis, Martin Schulz, Alois Knoll

论文简介:We introduce a novel federated learning framework, FedD3, which reduces the overall communication volume and with that opens up the concept of federated learning to more application scenarios in network-constrained environments./我们引入了一个新颖的联合学习框架FedD3,它减少了整体的通信量,并由此将联邦学习的概念开辟到网络受限环境中的更多应用场景。

论文摘要:我们介绍了一个新颖的联合学习框架FedD3,它减少了整体的通信量,并由此将联邦学习的概念开辟到网络受限环境中的更多应用场景。它通过利用本地数据集的提炼而不是传统的学习方法来实现这一目标,(i)显著减少通信量,(ii)将传输限制在一次通信,而不是迭代的多路通信。FedD3不是像其他联合学习方法那样共享模型更新,而是允许连接的客户端独立提炼本地数据集,然后在整个网络中只聚合这些分散的提炼数据集(通常是以一些无法识别的图像的形式,这些图像通常比模型小)以形成最终模型。我们的实验结果表明,FedD3在所需的通信量方面明显优于其他联合学习框架,同时它还提供了额外的好处,能够根据使用场景或目标数据集,平衡准确性和通信成本之间的权衡。例如,在有10个客户端的非IID CIFAR-10数据集上训练AlexNet模型,与其他一次性联合学习方法相比,FedD3可以在类似的通信量下提高71%以上的准确性,或者节省98%的通信量,同时达到同样的准确性。

⚡ 论文:Individual Tree Detection in Large-Scale Urban Environments using High-Resolution Multispectral Imagery

论文时间:22 Aug 2022

领域任务:计算机视觉

论文地址:https://arxiv.org/abs/2208.10607

代码实现:https://github.com/jonathanventura/urban-tree-detection

论文作者:Jonathan Ventura, Milo Honsberger, Cameron Gonsalves, Julian Rice, Camille Pawlak, Natalie L. R. Love, Skyler Han, Viet Nguyen, Keilana Sugano, Jacqueline Doremus, G. Andrew Fricker, Jenn Yost, Matt Ritter

论文简介:We introduce a novel deep learning method for detection of individual trees in urban environments using high-resolution multispectral aerial imagery./我们介绍了一种新型的深度学习方法,用于使用高分辨率多光谱航空图像检测城市环境中的单个树木。

论文摘要:我们介绍了一种新型的深度学习方法,用于使用高分辨率多光谱航空图像检测城市环境中的单个树木。我们使用卷积神经网络来回归显示单个树木位置的置信图,这些树木使用峰值查找算法进行定位。我们的方法通过检测公共和私人空间的树木提供了完整的空间覆盖,并且可以扩展到非常大的区域。在我们横跨南加州五个城市的研究区域,我们取得了0.735的F分数和2.157米的RMSE。我们用我们的方法制作了加州城市森林中所有树木的地图,表明我们的方法有可能支持未来前所未有的城市森林研究。

我们是 ShowMeAI,致力于传播AI优质内容,分享行业解决方案,用知识加速每一次技术成长!

◉ 点击 日报合辑,在公众号内订阅话题 #ShowMeAI资讯日报,可接收每日最新推送。

◉ 点击 电子月刊,快速浏览月度合辑。

◉ 点击 这里 ,回复关键字 日报 免费获取AI电子月刊与论文 / 电子书等资料包。

GIS大数据处理框架sedona(塞多纳)编程入门指导 是一个用于处理大规模空间数据的集群计算系统。Sedona扩展了现有的集群计算系统,如Apache Spark和Apache Flink,使用一组开箱即用的分布式空间数据集和空间SQL,可以有效地加载、处理和分析跨机器的大规模空间数据。 阅读详情

相关推荐

Apache Sedona(GeoSpark) spatial join 源码解析

文章目录Apache Sedona(GeoSpark) Spatial JoinRange joinDistance join源码解析SedonSQLRegistrator.registerAll(sparkSession)JoinQueryDetectorplanSpatialJoinplanDistanceJoinTraitJoinQueryExecdoExecute1. 构造SpatialRDD2. doSpatialPartitioning3. spatialJoin4. extraConditio

qq_41775852的博客 1920

空间大数据相关的技术

编者荐语: 以前推过GeoSpark,现在已经被Apache孵化了,叫做Sedona,请做空间大数据的同学,不要放过,好好拉练拉练……另外,有写关于Sedona的,欢迎投稿和公众号互白。 以下文章来源于小兔子GIS,作者小兔子GIS 小兔子GIS.https://mp.weixin.qq.com/s/cqU2jhoYPIMJ_U6jJ6CWiA# 以GIS为核心,交流IT知识 1、Apache Sedona Sedona是基于Spark分布式的地理信息计算引擎,原为GeoSpark...

shishi521的专栏 2510

COVID-19新冠肺炎数据集汇总

????全球新冠肺炎COVID-19数据 全球????COVID-19新冠疫苗接种 新冠肺炎声音诊断挑战赛数据集 ????印度新冠肺炎COVID-19数据 COVID-19世界新冠疫苗不良反应 辉瑞新冠????疫苗????推文 数据集 天池比赛-新冠肺炎问句匹配 新冠疫情数据分析 新冠肺炎 COVID-19 相关Twitter 新冠疫情谣言信息 美国各州各城市2019新型冠状病毒????COVID19数据 ????COVID India ????????推文情感分析数据集 COVID

1万+

清华大学和MIT研究人员使用DeepMind的AlphaFold方法来增强COVID-19抗体

来源:ScienceAI 本文约2100字,建议阅读10+分钟 利用 DeepMind 先进的蛋白质知识,清华大学的科学家们设计出能够抵抗 COVID-19 免疫逃逸的突变单克隆抗体。利用 DeepMind 先进的蛋白质知识,清华大学的科学家们设计出能够抵抗 COVID-19 免疫逃逸的突变单克隆抗体。2020 年底,AlphaFold 2 的问世震惊了结构生物学界,Al...

数据派THU 520

WWW2021推荐系统论文集锦(附下载)

嘿,记得给“机器学习与推荐算法”添加星标国际顶级学术会议WWW2021定在2021年4月12-23日举行。受新冠肺炎疫情影响,大会将在线上举行。今天为大家收集了一些作者提前发布到Arxiv...

张小磊的博客 2473

使用 Apache Spark 和 Apache Sedona 的地理空间流简介

Apache Spark 是大数据世界中的工具之一,其在解决问题方面的有效性已被一次又一次地证明。可以通过向 Apache Spark 添加 Apache Sedona 扩展来解决缺少原生地理空间支持的问题。 现在我们可以: 使用 ST_Area、ST_Length 等空间函数处理地理空间数据。 基于谓词验证地理空间数据 使用空间连接技术(流到表连接或流到流连接)丰富地理空间数据。

天波风客的博客 1015

Apache Sedona

Apache Sedona(孵化)是一个用于处理大规模空间数据的集群计算系统。Sedona扩展了Apache Spark / SparkSQL,提供了一套开箱即用的空间弹性分布式数据集/ SpatialSQL,可以跨机器有效地加载、处理和分析大规模空间数据。 使用Maven和SBT在5分钟内设置Scala和Java API。 Python和R API也可 系统架构 Apache Sedona是基于geospark改造的高可用的分布式处理平台,属于商业专项孵化项目。 学习网站链接: Ov.

shishi521的专栏 3146

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品)

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品)

jks212454的博客 473

初中计算机课编程,中学信息技术课加入编程、人工智能等内容

原标题:中学信息技术课加入编程、人工智能等内容近日,华东师范大学上海市教育装备工程技术研究中心助理研究员周宏以海龟编辑器为软件平台和工具开发了一套集成舞台、Python、Micro:bit硬件、人工智能为主题的课程。该课程以中学信息技术课程为载体,通过 micro:bit开发板教学,有利于培养学生的计算思维。课程主题活动安排总共分为四个章节。第一单元:Python入门在舞台的绘图,学习内容包括绘制...

weixin_39854778的博客 951

incubator-sedona:用于处理大规模地理空间数据的集群计算框架

Apache Sedona:trade_mark:(孵化)是用于处理大规模空间数据的集群计算系统。 Sedona通过一组开箱即用的空间弹性分布式数据集(SRDD)/ SpatialSQL扩展了Apache Spark / SparkSQL,该数据集可以有效地跨机器加载,处理和分析大型空间数据。 塞多纳包含几个模块: 名称 API 介绍 核心 RDD SpatialRDD和查询运算符。 SQL SQL /数据框 Sedona核心SQL接口。 威兹 RDD,SQL /数据框 空间RDD和DataFrame的可视化 齐柏林飞艇 阿帕奇·齐柏林 Apache Zeppelin的插件0.8.1+ Sedona支持

影视站泛目录程序(泛目录站群):构建多元化影视内容平台的利器

同时,搭建多元化影视内容平台还能够为平台创造更多商业价值,提升平台的竞争力。构建多元化影视内容平台:通过影视站泛目录程序,影视平台可以整合来自不同渠道和来源的影视资源,打破传统影视平台的局限性,提供更加多样化的影视内容供用户选择。提高用户体验:泛目录站群程序能够自动化处理和分类整理影视资源,提供便捷的搜索功能,使用户能够快速找到所需的影视内容,提升用户的使用体验。增加用户粘性:通过提供多元化的影视资源和个性化的推荐服务,影视站泛目录程序可以吸引用户长时间停留在平台上,增加用户的粘性和忠诚度。

qq_20005121的博客 827

FedED:用于医学关系提取的联邦学习(基于融合蒸馏) [EMNLP 2020]

FedED:用于医学关系提取的联邦学习(基于融合蒸馏) 论文题目: FedED: Federated Learning via Ensemble Distillation for Medical Relation Extraction Dianbo 论文出处: EMNLP 2020 论文原文地址 这里记录以下这篇论文的整体技术流程,关键思路以及亮点。 论文解决的是存在数据隐私要求情形下的医学关系抽取问题,也就是说不能将所有数据集中的进行中心化的训练,对数据隐私的解决方案是联邦学习。总结来说,这篇论文的两个立

SZ-crystal 2285

555定时器呼吸灯电路制作全攻略:从仿真到实物搭建(附避坑指南)

本文详细介绍了使用555定时器制作呼吸灯电路的完整流程,从基础原理到实物搭建,包括电路设计、元件选择、仿真验证、焊接技巧及调试优化。特别提供了避坑指南,帮助电子爱好者快速掌握这一经典DIY项目,实现美观的呼吸灯效果。

weixin_33734785的博客 405

7篇ICLR论文,遍览联邦学习最新研究进展

2020-04-30 13:10:54 机器之心分析师网络 作者:仵冀颖 编辑:H4O 本篇提前看重点关注 ICLR 2020 中关于联邦学习(Federated Learning)的最新研究进展。 2020 年的 ICLR 会议原计划于4 月 26 日至 4 月 30 日在埃塞俄比亚首都亚的斯亚贝巴举行,这本是首次在非洲举办的顶级人工智能国际会议,但受到疫情影响,ICL...

喜欢打酱油的老鸟 4408

基于FPGA与红外成像的眼动追踪系统设计与实现(教学向)

本文详细介绍了基于FPGA与红外成像的眼动追踪系统设计与实现。通过红外摄像头采集图像,利用FPGA进行实时图像处理和红外瞳孔追踪,结合Verilog编程实现多目标检测与瞳孔定位。该系统适用于嵌入式视觉教学,展示了硬件搭建、算法优化及实时显示的完整流程。

g5h6i7j的博客 823

MRI图像切片(nii格式转2D)

代码参考:将一个MRI(nii格式)数据进行切片 想要批量抽取MRI数据的几个切片,借鉴了上述代码的Python版本,原始代码抽取了全部切片。本次实验主要是抽取sMRI的横断面(axial)方向的其中30张切片,数量根据自己需求可自行设置。 import scipy, numpy, shutil, os, nibabel import sys, getopt import imageio def niito2D(filepath): inputfiles = os.listdir(filep

chs_502的博客 7552

编程猫海龟编辑器 附使用教程

Python是一门简单易学且功能强大的编程语言,拥有高效的高级数据结构,能够用简单而又高效的方式进行面向对象编程,而小编此次带来的是编程猫海龟编辑器2,这是由编程猫专为少儿所开发的一款Python编辑器,扩展功能非常强大,且支持硬件编程,可以一键安装第三方库,主要通过搭积木的方式让孩子们来学习Python,可充分提高他们的学习兴趣。在这里,学生们可以利用简单的操作来创造故事、动画、游戏、音乐和艺术,并通过图形化编程,引导学生了解、掌握编程语言中的循环、判断等多种基础结构,另外,该软件外观设计不仅活泼可爱,而

知世爱火锅的博客 3万+

为ESXI Host添加v3700 FC存储

物理环境: ESXI Host version 5.1.0 Brocade SAN Switch v3700 Storage 存储和ESXI Host分别用光纤线连接在SAN交换机上 1.查询ESXI Host 的WWN号: 2. SAN交换机上查询存储的WWPN号 SAN交换机: 3.建立zone,添加到cfg文件中 brocade8Gb

haoshuwei531024的专栏 7564

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 341

保边滤波之Mean shift filter

保边滤波之Mean shift filter 目录 保边滤波之Mean shift filter 一、算法原理 二、练手实现的算法代码如下: 三、实现结果 一、算法原理 在OpenCV中,meanshift filter函数为 p...

大熊 1562

LSTM+Transformer混合模型时间序列预测实战教学

LSTM+Transformer混合模型时间序列预测实战教学 毕业设计

8221

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 279

微信公众号 - 解决报错 “err_msg“:“system:access_denied“,微信环境浏览器真机使用微信支付、微信授权登录、分享朋友圈转发好友报错system:access_denied

微信公众号,微信网页,手机h5网页,微信报错,system:access_denied,微信支付,提示报错,微信登录授权报错,微信朋友圈分享,微信转发,WeixinJSBridge,微信环境下,微信内置浏览器,微信公众号项目报错system:access_denied,如何解决,invoke(),API调用后出现报错,微信内部H5 WeixinJSBridge.invoke system:access_denied,使用微信jssdk时报access_denied错误,还是报错,真机运行,真机调试api返回

🏆 前端领域优质创作者 1万+

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 616

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 208

华为的C语言编程规范.pdf

华为技术有限公司内部技术规范。本规范制定了编写C语言程序的基本原则、规则和建议。从代码的清晰、简洁、可测试、安全、程序效率、可移植各个方面对C语言编程作出了具体指导。

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 345

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

上一篇: 从头训练一个神经网络!教它学会莫奈风格作画!
下一篇: 2022年Python自动化特征工程框架
ShowMeAI
博客等级 码龄5年 6514粉丝 672原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

ShowMeAI

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值