深度学习模型预测 深度学习已经广泛应用于图像分类、图像识别和 语音识别 等不同领域， DLI 服务中提供了若干函数实现加载深度学习模型并进行预测的能力。 目前可支持的模型包括DeepLearning4j 模型和Keras模型。由于Keras它能够以 TensorFlow、CNTK或者 Theano

查看更多 →

深度学习模型预测 深度学习已经广泛应用于图像分类、图像识别和语音识别等不同领域，DLI服务中提供了若干函数实现加载深度学习模型并进行预测的能力。 目前可支持的模型包括DeepLearning4j 模型和Keras模型。由于Keras它能够以 TensorFlow、CNTK或者 Theano

查看更多 →

重点云服务清单 框架 分类 云服务 数据库 关系型数据库 云数据库 GaussDB 、GaussDB（for MySQL）、GaussDB（for Mongo）、GaussDB（for Redis）、GaussDB（for Influx）、GaussDB（for Cassandra）

查看更多 →

支持十亿节点、百亿边的超大规模图数据库查询，提供适用于基因和生物网络数据的图深度学习算法。 拥有基于基因组数据自动深度学习的技术框架AutoGenome，深度融合人工智能技术，产生更加便捷、快速、准确、可解释的医疗智能模型，加速医疗大健康行业的研究工作。 成熟的权限管理体系，保障数据安全的同时，确保团队高效协作。

查看更多 →

基于CodeArts IDE Online、TensorFlow和Jupyter Notebook开发深度学习模型 概要 准备工作 导入和预处理训练数据集 创建和训练模型 使用模型

查看更多 →

源，保障学生通过多方面的教学方式以及完善的学习体系，真正掌握专业技能，并提高院校学生的就业率；同时结合讯方高校服务经验的积累，为院校提供配套专业化的教学培训服务，完成线上学习和线下培训教学的有机结合，使教师、学生充分享受到随时随地访问学习和教学云化、移动化的便利，为校园的管理和人才的培养注入强大的推动力。

查看更多 →

新建研究 进入“专题”页面，单击“新建研究”。 图1 新建研究 参考表1，设置运行信息。 表1 参数说明 参数 说明 选择项目 选择创建好，并带有数据的项目。 研究名称 可自定义研究名称。 流程 选择资产市场中订阅的Docking Summary流程。 配体分子 选择上传的配体小分子文件。

查看更多 →

推荐系统结合用户实时行为，推送更具针对性的内容，实现“千人千面”。 创建智能场景 关联推荐 基于大规模机器学习算法，深度挖掘物品之间的联系，自动匹配精准内容。 热门推荐 基于多维度数据分析，自动匹配所覆盖用户群体更关心的内容进行重点展示。 获取推荐结果 根据不同的功能模块，获取对应的推荐结果。 获取推荐结果 父主题：

查看更多 →

业实习全实践教学场景。 专业建设和课程改革：通过实践教学平台进行不同方式的学习模式，为各院校补充更加贴合实际岗位能力需要的专业课程、配套教学与实验案例，采用场景化教学、游戏化教学、虚拟仿真教学等方式打造院校特色专业建设和课程建设 标准建立：通过统一的课程制作、案例制作平台发布课程

查看更多 →

迁移学习 如果当前数据集的特征数据不够理想，而此数据集的数据类别和一份理想的数据集部分重合或者相差不大的时候，可以使用特征迁移功能，将理想数据集的特征数据迁移到当前数据集中。 进行特征迁移前，请先完成如下操作： 将源数据集和目标数据集导入系统，详细操作请参见数据集。 创建迁移数据

查看更多 →

可见范围内的学员在学员端可看见此项目并可以进行学习，学习数据可在学习项目列表【数据】-【自学记录】查看。 学习设置： 防作弊设置项可以单个项目进行单独设置，不再根据平台统一设置进行控制。 文档学习按浏览时长计算，时长最大计为：每页浏览时长*文档页数；文档学习按浏览页数计算，不计入学习时长。 更多设置：添加协同人

查看更多 →

学习任务 管理员以任务形式，把需要学习的知识内容派发给学员，学员在规定期限内完成任务，管理员可进行实时监控并获得学习相关数据。 入口展示 图1 入口展示 创建学习任务 操作路径：培训-学习-学习任务-【新建】 图2 新建学习任务 基础信息：任务名称、有效期是必填，其他信息选填 图3

查看更多 →

学习目标 掌握座席侧的前端页面开发设计。 父主题： 开发指南

查看更多 →

课程学习 前提条件 用户具有课程发布权限 操作步骤-电脑端 登录ISDP系统，选择“作业人员->学习管理->我的学习”并进入，查看当前可以学习的课程。 图1 我的学习入口 在“我的学习”的页面，点击每个具体的课程卡片，进入课程详情页面。可以按学习状态（未完成/已完成）、学习类型（

查看更多 →

，可以抵过大量的弱表达能力的特征。 特征的数量并非重点，质量才是，总之强表达能力的特征最重要。 能否挖掘出强表达能力的特征，还在于对数据本身以及具体应用场景的深刻理解，这依赖于经验。 调整参数和超参数。 神经网络中：学习率、学习衰减率、隐藏层数、隐藏层的单元数、Adam优化算法中

查看更多 →

学习空间 我的课堂 MOOC课程 我的考试

查看更多 →

AI药物研究 父主题： 图解 医疗智能体

查看更多 →

nytime均可学习； 便捷：无需部署、使用便捷，一键进入学习环境学习进度实时跟踪，维护省心； 动态：实训沙箱（系统镜像、软件版本）、课程资源跟随技术发展动态更新； CAD、CAE、EDA、MES等工具链的教育版及课程资源； 职业标准导向的认证体系，职业课程学习、认证，提供能力评价标准。

查看更多 →

。 自动学习的关键技术主要是基于信息熵上限近似模型的树搜索最优特征变换和基于信息熵上限近似模型的贝叶斯优化自动调参。通过这些关键技术，可以从企业关系型（结构化）数据中，自动学习数据特征和规律，智能寻优特征&ML模型及参数，准确性甚至达到专家开发者的调优水平。自动深度学习的关键技术

查看更多 →

AI开发的目的是什么 AI开发的目的是将隐藏在一大批数据背后的信息集中处理并进行提炼，从而总结得到研究对象的内在规律。 对数据进行分析，一般通过使用适当的统计、机器学习、深度学习等方法，对收集的大量数据进行计算、分析、汇总和整理，以求最大化地开发数据价值，发挥数据作用。 AI开发的基本流程

查看更多 →

息通信技术推动传统教学与育人模式的变革。通过对传统教室空间的数字化改造，建设新型智慧教室与智慧学习空间，帮助院校构建下一代的融合式教学环境，从以教师为中心的教学模式向以学生为中心的学习模式转变，促进教学对象、教学内容、教学活动、教学工具、教学空间等教育教学全环节、全要素的有机融合。

查看更多 →