化学信息学

大话机器学习三大门派：监督、无监督与强化学习

以武侠江湖为隐喻，系统阐述了机器学习的三大范式：监督学习（少林派）凭借标注数据精准建模，擅长图像分类等预测任务；无监督学习（逍遥派）通过数据自组织发现隐藏规律，在生成对抗网络（GAN）等场景大放异彩；强化学习
安意诚Matrix·2025-03-10 15:44

使用DeepSeek来构建LangGraph Agent

随着DeepseekR1的发布，我们不得不把目光聚焦在这个能赶超多个顶流大模型的模型身上，它主要是其在后训练阶段大规模使用了强化学习技术，在仅有极少标注数据的情况下，极大提升了模型推理能力。
乔巴先生24·2025-03-09 21:59

当深度学习遇见禅宗：用东方智慧重新诠释DQN算法

引言：代码与禅的碰撞♂️在某个调试代码到凌晨三点的夜晚，我突然意识到：强化学习的过程，竟与佛家修行惊人地相似。智能体在环境中探索
带上一无所知的我·2025-03-09 21:28

求最大公约数问题（信息学奥赛一本通-1207）

【题目描述】给定两个正整数，求它们的最大公约数。【输入】输入一行，包含两个正整数(usingnamespacestd;intgcd(intm,intn){if(n==0)returnm;returngcd(n,m%n);}intmain(){intm,n;cin>>m>>n;cout<<gcd(m,n);return0;}
Doopny@·2025-03-09 09:17

智能教育：DeepSeek在个性化学习中的应用与代码实现

个性化学习是教育技术领域的核心目标之一，它通过分析学生的学习行为、兴趣和能力，提供定制化的学习内容和路径，以最大化学习效果。
Evaporator Core·2025-03-08 21:30

可视化学习：如何使用后期处理通道增强图像效果

前言大家好，本文分享的是如何使用后期处理通道增强图像效果，通过前面几篇文章，我们了解了一些动态生成纹理的方法，比如符号距离场SDF、基于参数方程生成图案、基于噪声生成纹理，等等。这些生成纹理的技术有相似的地方，就是根据片元的纹理坐标，对片元着色，直接生成纹理。因为GPU是并行渲染的，每个像素的着色器程序是并行执行的，这样的渲染很高效。但是在实际需求中，有时我们计算片元色值时，需要依赖周围像素点或者
·2025-03-08 19:12

看视频学习方法总结

以下是提高教学视频吸收率的系统性方法，结合认知科学原理和实际学习场景，帮助您最大化学习效果：一、观看前的黄金准备阶段60秒快速扫描法用1分钟快速浏览视频目录、章节标题和简介，建立知识框架。
长勺·2025-03-08 19:29

上台阶（信息学奥赛一本通-1190）

【题目描述】楼梯有n(0usingnamespacestd;#defineintlonglonginta[80];signedmain(){a[1]=1,a[2]=2,a[3]=4;for(inti=4;i>n&&n!=0){cout<<a[n]<<endl;}return0;}
Doopny@·2025-03-08 18:12

Python和C++计算物理光学波形化学结构数学方程

要点Python|C++代码化排序索引和计算：冒泡排序，升序排序，快速排序，索引排序，基于索引数组的排名，基于直接插入的两个键索引，两个相关数组的索引。数学计算1：数据集升序排列后，生成索引和排名。数学计算2：一定量序列排序后，生成得新索引表，并绘制原始序列。计算3：一定量序列进行冒泡排序，插入排序，快速排序，绘制一张图显示三种排序依赖性，分别定性评估小型和广泛序列的排序算法的性能。Python|
亚图跨际·2025-03-08 14:33

就在刚刚！马斯克决定将“地球上最聪明的人工智能”Grok-3免费了！

Grok-3的核心优势在于其大规模强化学习（RL）优化，能够在几秒到几分钟内进行深度推理，适应复杂任务的需求。配备的D
源代码杀手·2025-03-08 12:16

机器学习入门知识

二、机器学习的基本类型1.监督学习2.无监督学习3.半监督学习4.强化学习三、机器学习的工作流程四、常见的机器学习算法五、机器学习的评价指标六、机器学习中的过拟合与欠拟合七、机器学习的应用八、学习机器学习的资源前言随着人工智能的发展
十五境剑修·2025-03-08 09:33

人工智能与深度学习的应用案例：从技术原理到实践创新

从计算机视觉到自然语言处理，从医疗诊断到工业制造，深度学习通过模拟人脑神经网络的层次化学习机制，实现了对复杂数据的高效分析与决策。
accurater·2025-03-08 08:07

生物信息学工作流（Bioinformatics Workflow）：概念、历史、现状与展望？

李升伟整理1.引言生物信息学工作流是指通过一系列计算步骤和工具，对生物学数据进行处理、分析和解释的系统化流程。
lisw05·2025-03-08 06:22

可视化学习：WebGL实现简易的局部“马赛克”

前言接触过Canvas的小伙伴应该都知道，在Canvas2D中我们要加载一个图片很简单，通过调用drawImageAPI就能将图像绘制到画布上，当然在WebGL中我们也可以绘制图像，在绘制时我们需要用到WebGL中的纹理对象，在之前WebGL实现网格背景的文章中，我使用了一个叫做纹理坐标的配置，现在要完成纹理的加载我们也需要用到纹理坐标，并且我们可以通过对纹理坐标处理实现简单的”马赛克“效果。通过
·2025-03-08 06:50

可视化学习：使用WebGL绘制圆形，实现色盘

前言在Canvas2D中实现圆形的绘制比较简单，只要调用arc指令就能在Canvas画布上绘制出一个圆形，类似的，在SVG中我们也只需要一个标签就能在页面上绘制一个圆形。那么在WebGL中我们要怎么去绘制呢？WebGL只能绘制三种形状：点、线段和三角形，它没有提供直接绘制圆形的功能，当然也无法像SVG一样使用标签，所以我们是无法直接绘制圆形曲线的，这个时候我们可以借助相关的数学知识，来实现圆形的绘
·2025-03-08 06:49

羧基/氨基化sio2荧光微球：是一种表面修饰有羧基或氨基的荧光二氧化硅微球

羧基/氨基化SiO₂荧光微球是一种表面修饰有羧基或氨基的荧光二氧化硅微球，具有特别的物理化学性质和广泛的应用前景，以下为你详细介绍：基本信息外观：通常为白色粉末或胶体溶液，在特定波长的激发光下可发出荧光
星贝爱科生物-xb·2025-03-08 01:30

象牙塔中的“智者”：DeepSeek R1 引领高校问答智体新纪元

目录高校问答智体的“前世今生”：痛点与机遇DeepSeekR1：开启推理大模型的新篇章“DeepSeekR1+高校”：场景、架构与实践3.1场景一：智能学术助手3.2场景二：个性化学习导航3.3场景三：
海棠AI实验室·2025-03-08 00:50

016.3月夏令营：数理类

mod=viewthread&tid=386109北京大学化学学院第一轮：http://www.eeban.com/forum.php?
力学AI有限元·2025-03-07 23:43

特斯拉FSD不同版本的进化

特斯拉，FSD，自动驾驶，深度学习，计算机视觉，强化学习，神经网络，模型训练1.背景介绍特斯拉自2016年推出Autopilot以来，一直致力于开发全自动驾驶系统，其目标是实现完全无人驾驶，让汽车能够像人类一样感知周围环境
AI智能涌现深度研究·2025-03-07 19:35

阿里深夜开源QwQ-32B模型，仅需1/10的成本即可比肩R1满血版

大规模强化学习（RL）有潜力超越传统的预训练和后训练方法来提升模型性能。近期的研究表明，强化学习可以显著提高模型的推理能力。
伪_装·2025-03-07 13:45

2024年图灵奖公布：两位AI先锋因强化学习获奖

纽约时报》报道，全球最大的计算机专业人士协会计算机协会(ACM)周三宣布，将2024年图灵奖授予安德鲁·巴托(AndrewBarto)博士和理查德·萨顿(RichardSutton)博士，以表彰他们在强化学习方面的研究
吴脑的键客·2025-03-07 13:15

（24-1）DeepSeek中的强化学习：DeepSeek简介

在人工智能的浩瀚星空中，DeepSeek犹如一座巍峨的科技丰碑，熠熠生辉，引领着大模型时代的风云变幻。DeepSeek以卓越的创新精神和前沿的技术架构，突破常规极限，将海量知识与智能推理完美融合，展现出惊人的计算力与思维深度。4.1DeepSeek简介DeepSeek是一家成立于2023年的中国人工智能初创公司，专注于开发高效且经济的大型语言模型。其核心技术包括多头潜在注意力（Multi-head
码农三叔·2025-03-07 12:33

数字组合（信息学奥赛一本通-1291）

【题目描述】有n个正整数，找出其中和为t(t也是正整数)的可能的组合方式。如：n=5,5个数分别为1,2,3,4,5，t=5；那么可能的组合有5=1+4和5=2+3和5=5三种组合方式。【输入】输入的第一行是两个正整数n和t，用空格隔开，其中1≤n≤20,表示正整数的个数，t为要求的和(1≤t≤1000);接下来的一行是n个正整数，用空格隔开。【输出】和为t的不同的组合方式的数目。【输入样例】55
Doopny@·2025-03-07 12:59

智慧树刷课神器：自动化学习新体验

智慧树刷课神器：自动化学习新体验zhihuishu智慧树刷课插件，自动播放下一集、1.5倍速度、无声项目地址:https://gitcode.com/gh_mirrors/zh/zhihuishu在开源社区的一隅
詹坦直Lucinda·2025-03-07 11:11

Python第十四课：数据可视化 | 信息炼金术

本节目标掌握Matplotlib基础图表绘制理解Seaborn高级统计可视化学会使用Pyecharts制作交互式图表开发实战项目：疫情数据动态仪表盘掌握可视化设计原则与优化技巧1️⃣可视化工具全景图生活化比喻
程之编·2025-03-07 03:31

DeepSeek独立部署对垂直行业影响力分析

1.教育深化应用场景场景1：个性化学习路径生成描述：根据学生的学习风格（视觉型、听觉型等）、薄弱科目和兴趣，生成定制化课程。
懂AI的老郑·2025-03-07 03:57

信奥赛CSP-J复赛集训（模拟算法专题）（1）：P8813 [CSP-J 2022] 乘方

信奥赛CSP-J复赛集训（模拟算法专题）（1）：P8813[CSP-J2022]乘方题目描述小文同学刚刚接触了信息学竞赛，有一天她遇到了这样一个题：给定正整数aaa和bbb，求aba^bab的值是多少。
王老师青少年编程·2025-03-06 19:23

详解：Grok中文版 _Grok 3 国内中文版本在线使用

借助深度学习与强化学习等先进技术，GrokAI具备自我学习的能力，可以通过不断的训练来优
·2025-03-06 18:35

智能教育：DeepSeek在个性化学习中的创新应用与代码实现

教育是塑造未来的基石，而个性化学习则是现代教育的重要趋势。随着人工智能技术的飞速发展，教育领域正迎来一场深刻的变革。
Evaporator Core·2025-03-06 18:07

【大模型学习】第八章 深入理解机器学习技术细节

SupervisedLearning）1.定义与工作原理2.常见任务3.应用场景示例：房价预测二、无监督学习（UnsupervisedLearning）1.定义与工作原理2.常见任务3.应用场景示例：客户细分三、强化学习
好多渔鱼好多·2025-03-06 16:57

职坐标AIGC课程实战项目深度解析

课程聚焦人工智能生成内容（AIGC）的核心技术链，涵盖自然语言处理、生成模型架构及多模态数据融合等模块，通过电商智能客服系统与新媒体文案生成工具两类典型场景的深度实践，强化学员对模型训练、参数调优及商业落地的综合能力
职坐标在线·2025-03-06 09:21

AI语言模型的技术之争：DeepSeek与ChatGPT的架构与训练揭秘

的基础概述1.1DeepSeek简介1.2ChatGPT简介第二章：模型架构对比2.1Transformer架构：核心相似性2.2模型规模与参数第三章：训练方法与技术3.1预训练与微调：基础训练方法3.2强化学习与奖励建模
m0_74825466·2025-03-06 06:29

自然语言模型（NLP）介绍

例如，DeepSeek通过强化学习提升推理能力，其混合专家架构（MoE）显著优化了计算效率‌。二、核心技术解析1.DeepSeek模型架构混合专家模型（MoE）：DeepSeek-V3采用Mo
Liudef06·2025-03-06 04:11

深度学习day1

**可视化学习（TensorBoard）**：用来展
孤城laugh·2025-03-06 00:39

Search-o1：智体搜索增强的大型推理模型

大型推理模型(LRM)（例如OpenAI-o1）已通过大规模强化学习展示长步推理能力。然而，它们的扩展推理过程通常会受到知识不足的影响，从而导致频繁出现不确定性和潜在错误。
三谷秋水·2025-03-05 22:53

强化学习实践 openai gymnasium CartPole-v1 DQN算法实现

前言最近在学习强化学习，大致过了一遍强化学习的数学原理（视频）。视频讲的很好，但是实践的部分总是感觉有点匮乏（毕竟解决gridworld方格世界（GitHub）的问题的很难给人特别大的
abstcol·2025-03-05 14:12

强化学习是否能够在完全不确定的环境中找到一个合理的策略，还是说它只能在已知规则下生效？

强化学习（ReinforcementLearning，RL）是机器学习的一个重要分支，广泛应用于机器人控制、自动驾驶、游戏策略和金融决策等领域。
concisedistinct·2025-03-05 12:58

清华大学DeepSeek PPT第二版深度解读：人工智能前沿技术解析

第二版PPT从以下方面实现全面升级：AI前沿技术覆盖：涵盖大模型、深度强化学习等领域最新研究进展工业级实践案例：新增多个企业级项目解决方案案例三维知识框架：从算法原理→代码实现→工程部署的全链路解析下载建议
qudongmofashi·2025-03-05 09:04

PyTorch 中结合迁移学习和强化学习的完整实现方案

结合迁移学习（TransferLearning）和强化学习（ReinforcementLearning,RL）是解决复杂任务的有效方法。
小赖同学啊·2025-03-05 07:54

《信息学奥赛一本通 编程启蒙C++版》3431-3435（5题）

3431：【例75.2】区间合并信息学奥赛一本通-编程启蒙（C++版）在线评测系统[例75.2]区间合并信息学奥赛一本通-编程启蒙（C++版）在线评测系统ACWing803.区间合并（C++）ACWing803
dllglvzhenfeng·2025-03-05 05:32

【机器学习】Reinforcement Learning-强化学习基本概念

1、Q值与V值1.1Q值和V值的定义Q值：也称为动作价值函数，评估动作的价值，它代表了智能体选择这个动作后，一直到最终状态奖励总和的期望，表示为Q(s,a)，其中s是状态，a是动作。V值：评估状态的价值，也称为状态价值函数，表示为V(s)，其中s是状态。它代表了智能体在这个状态下，一直到最终状态的奖励总和的期望。V值与动作无关只与状态有关。Q值和V值的概念是一致的，都是衡量在马可洛夫树上某一个节点
长相忆兮长相忆·2025-03-05 02:42

凤凰架构——世间安得两全法，不负如来不负卿

今年早些时候写了一篇《世间安得两全法，不负如来不负卿》科普文，在这篇科普文里，我写到了由于电池会经历电能到化学能转换的过程，目前无法实现极速充电，电容虽然可以极速充电，但是能量密度又太低的问题，所以不得不妥协
ezreal_pan·2025-03-05 02:09

统基化磁珠是一种表面修饰有巯基（-SH）的磁性微球

巯基化磁珠是一种表面修饰有巯基（-SH）的磁性微球，在生物医学、生物化学等领域有广泛应用。
星贝爱科生物-xb·2025-03-05 00:48

SFT与RLHF的关系

在大模型训练中，SFT（监督微调）和RLHF（基于人类反馈的强化学习）是相互关联但目标不同的两个阶段，通常需要结合使用以优化模型性能，而非互相替代。
一只积极向上的小咸鱼·2025-03-04 11:12

金手指精密镀金工艺全解析：猎板PCB 0.1μm级触点控制技术实践

一、金手指基础工艺架构1.底层铜面处理化学微蚀控制：采用硫酸-双氧水体系，表面粗糙度Ra≤0.15μm（SEM检测）活化工艺：钯基催化液浓度精准控制（0.8-1.2ppm），活化点密度＞5000个/mm²2
lboyj·2025-03-04 11:41

镍钯金电路板的“镀“造玄机：猎板PCB工程师深度解析新一代封装黑科技

一、镍钯金工艺的三大技术突破点原子级镀层控制：通过自主研发的化学镀设备，猎板PCB实现了镍层（3-5μm）/钯层（0.05-0.1μ
lboyj·2025-03-04 11:11

蚂蚁技术研究院发布推理大模型强化学习框架，邀请开发者共同助力 AGI 生态

2月25日，蚂蚁技术研究院正式开源强化学习框架AReaL（AntReasoningRL）。AReaL源自开源项目ReaLHF，旨在训练每个人都可以复现和贡献的大型推理模型(LRM)。
·2025-03-04 10:52

零基础到精通Java合集

Java从零基础到精通合集课程大纲，共分为6个阶段、50+个课程模块，每个课程控制在15分钟以内，结合实战案例与高频面试题，适合碎片化学习：第一阶段：Java基础与开发环境搭建（8课时）目标：掌握基础语法与环境配置
羽轩GM·2025-03-04 07:38

信息学奥赛一本通1009

哈哈，技术含量也不过如此，输入被除数和除数，求商和余数，我们要知道，除号在c++中是用/来代替的，但是余数咋求呢？我们要用取模运算来求，模在c++中是用%来代替的，知道了这些知识点，问题就迎刃而解了！#includeusingnamespacestd;inta,b,c,d;intmain(){cin>>a>>b;c=a/b;d=a%b;cout<
昏沉之夜·2025-03-03 23:41

DeepSeek-R1：通过强化学习激励大型语言模型的推理能力

DeepSeek-R1-Zero是一个通过大规模强化学习（RL）训练而成的模型，无需监督微调（SFT）作为初步步骤，展示了卓越的推理能力。
AI专题精讲·2025-03-03 22:05
上一页 1 2 3 4 5 6 7 8 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他