人工智能

1. 首页
2. IT互联网
3. 人工智能

ggplot-RNA文库reads比对情况-饼图[pie chart]展示

任务目标：批量绘制每个RNA文库reads比对情况的饼图； 任务流程: 数据预处理 和 图样式处理 + 循环出图 library(RColorBrewer);library(ggforce);set.seed(123);;library(ggplot2);library(dplyr);library(tidyverse) 数据集概况 加载进来的的数据集是按行记录了每

人工智能 2025年07月05日 199 点赞 0 评论 12553 浏览

招聘可以AI面试，那么我制作了一个AI面试教练不过分吧

招聘可以AI面试，那么我制作了一个AI面试教练不过分吧 1.背景随着AI的发展，面试出现了AI面试，毕设出现了AI查重率，我觉得AI发展的都没那么超级智能化，但是这种东西倒是先出现了，查重率是对比知网得出的结果，我认事实依据，AI查重率都不知道是依据什么，总之降AI率就是

人工智能 2025年10月25日 195 点赞 0 评论 12551 浏览

一文了解 NebulaGraph 上的 Spark 项目

本文首发于 Nebula Graph Community 公众号 最近我试着搭建了方便大家一键试玩的 Nebula Graph 中的 Spark 相关的项目，今天就把它们整理成文分享给大家。而且，我趟出来了 PySpark 下的 Nebula Spark Connector 的使用方式，后边也会一并贡献到文档里。 NebulaGraph 的三个 Spark 子项目 我曾经围绕 NebulaGr

人工智能 2024年11月22日 58 点赞 0 评论 12484 浏览

物理-压强笔记及错点整理

常考常错类型： 1.实验题分析结论 【注意要点】 1.注意控制变量（例如在同种液体同一深度处，液体的压强相等；同种物质同种xx同种xx.....，xx和xx和xx.....的关系） 2.注意顿号逗号文字的使用（因为教研员很恶心，会咬文嚼字），例如“分析比较____，得出结论....”这类题中，写“1，2，3,或4”“1、2、3或4”“1和2和3，或4和5和6，或7和8和9” 错误示范： （1）“1

人工智能 2025年06月11日 96 点赞 0 评论 12477 浏览

【OpenClaw从入门到精通】第01篇：保姆级教程——从零开始搭建你的第一个本地AI助理（2026实测版）

摘要：本文聚焦2026年开源AI代理工具OpenClaw的本地部署与实操，从核心概念拆解入手，先厘清OpenClaw、Gateway、Skills、ClawHub的关联，再明确硬件系统要求与大模型API-Key准备要点，通过官方一键安装脚本完成本地部署，并配置阿里云百炼API实现大模型对接。以“让AI助理抓取

人工智能 2026年04月24日 94 点赞 0 评论 12475 浏览

数据中台的数据清理

本来我想是根据现在流程的模式建立数据中台，但是我发现同样的目的下也许有一个其他方案 首先在数据采集和数据清洗上，由于数据源是多种多样，现在是需要导入的大数据平台中，然后进行清洗。但是，现在的数据源很多是excel，需要先导入到Mysql中，在导入的大数据平台平台上，一方面通过开发工具支持excel解析很慢，另一方面目前也没有大数据平台，等到建立起ODS层还不知道猴年马月呢。 今天看了Tableau

人工智能 2025年06月18日 35 点赞 0 评论 12454 浏览

Kafka基础原理

人工智能 2025年09月12日 146 点赞 0 评论 12452 浏览

还在手动绘图？这5款AI工具帮你瞬间生成专业流程图！

一张清晰的流程图，有时胜过千言万语。无论是梳理业务流程、展示产品逻辑，还是进行团队协作，一张结构清晰、逻辑严谨的流程图，总能让沟通更加高效。但说到绘制流程图，过程确实有些繁琐——要一边理清思路，一边拖拉箭头、调整布局，稍不注意就需要重复修改。好在，AI已经改变了这一现状，只

人工智能 2025年06月08日 178 点赞 0 评论 12448 浏览

R语言-稀疏矩阵对象格式学习-重点理解稀疏矩阵对象的重构

稀疏矩阵几乎产生于所有的大型科学工程计算领域，记录样本特征值的稠密矩阵中很多记录值都是0，由于0不携带信息，因此耗费空间存储0元素是很浪费资源的行为。而且很多计算只对非零元素进行操作，将特征矩阵构建成稀疏矩阵，可以很容易的索引到非零元素，所以基于稀疏矩阵的数据运算，可是实现更低的资源占用和更快的计算速度。 在单细胞领域，稀疏矩阵对于处理 scRNA-seq 表达谱数据是非常必要的，构建分析对象的

人工智能 2025年09月29日 180 点赞 0 评论 12447 浏览

微调模型成本太高，用RAG技术，低成本实现AI升级

文章目录 大模型 RAG 技术深度解析：从入门到进阶 一、大语言模型（LLM）的三大痛点 1.1 幻觉问题：一本正经地胡说八道 1.2 时效性问题：知识更新不及时 1.3 数据安全问题：敏感信息泄露风险 二、RAG 技术：检索增强生成 2.1 RAG 的定义 2.2 RA

人工智能 2026年03月01日 93 点赞 0 评论 12445 浏览