大气环流模型 (GCM) 构成了天气和气候预测的支柱，利用数值求解器进行大规模动力学计算，并利用参数化进行小规模过程（如云形成）。尽管不断改进，GCM 仍面临重大挑战，包括长期气候预测和极端天气事件中持续存在的错误、偏差和不确定性。最近的机器学习 (ML) 模型取得了显著的成功。Google AI 推出 NeuralGCM：一种基于机器学习 (ML) 的模拟地球大气的新方法，该文章首次出现在 AI Quantum Intelligence 上。
Medical Image Denoising with CNN. In this article, I will discuss… | by Rabeya Tus Sadia | Jul, 2024
在本文中，我将讨论使用 CNN 对 CT 图像进行去噪的不同方法以及一些传统方法。Daniel Öberg 在 Unsplash 上的照片使用卷积神经网络 (CNN) 对 CT 图像进行去噪代表了医学成像技术的重大进步。CT（计算机断层扫描）扫描对于诊断和监测各种医疗状况非常有用，文章使用 CNN 对医学图像进行去噪。在本文中，我将讨论……| 作者 Rabeya Tus Sadia | 2024 年 7 月首次出现在 AI Quantum Intelligence 上。
Visualizing Data: A Statology Primer
图片作者 | Midjourney & Canva KDnuggets 的姊妹网站 Statology 拥有大量由专家撰写的统计相关内容，这些内容是在短短几年内积累起来的。我们决定通过组织文章《可视化数据：Statology 入门》来帮助我们的读者了解这个统计、数学、数据科学和编程内容的宝贵资源，该文章首先出现在 AI Quantum Intelligence 上。
Visualizing Data: A Statology Primer
作者 | Midjourney & Canva KDnuggets 的姊妹网站 Statology 拥有由专家撰写的广泛可用的统计相关内容，这些内容是在短短几年内积累起来的。我们决定通过组织文章“可视化数据：Statology 入门”来帮助我们的读者了解这个统计、数学、数据科学和编程内容的绝佳资源，该文章首次出现在 AI Quantum Intelligence 上。
Spatial Index: Space-Filling Curves | by Adesh Nalpet Adimurthy | Jun, 2024
多维数据的空间索引和空间填充曲线 12 分钟阅读 · 2024 年 6 月 11 日 由于 Web 服务跟踪用户在何时何地做事，空间数据迅速增长（/正在增长）。大多数应用程序都会添加位置标签，并且通常允许用户在特定地点和时间签到。这种激增很大程度上归功于智能手机，文章空间索引：空间填充曲线 | 作者：Adesh Nalpet Adimurthy | 2024 年 6 月首次出现在 AI Quantum Intelligence 上。
ProcTag: A Data-Oriented AI Method that Assesses the Efficacy of Document Instruction Data
有效评估文档指令数据以训练文档视觉问答 (VQA) 中的大型语言模型 (LLM) 和多模态大型语言模型 (MLLM) 是一项重大挑战。现有方法主要是面向文本的，侧重于指令的文本内容而不是执行过程，这限制了它们全面评估质量和功效的能力。文章 ProcTag：一种评估文档指令数据功效的数据导向型 AI 方法首先出现在 AI Quantum Intelligence 上。
How to Convert Image to Text in Microsoft Word
图像无处不在 - WhatsApp 转发、餐厅收据、客户电子邮件和您的员工身份证。图像是跨渠道沟通的最常见形式。但如何将这些图像转换为可编辑的 Word 文件？在本文中，我们将学习如何使用 Microsoft Word 将图像转换为文本。虽然这种方法文章《如何在 Microsoft Word 中将图像转换为文本》首先出现在 AI Quantum Intelligence 上。
在计算化学中，分子通常表示为分子图，必须将其转换为多维向量才能进行处理，特别是在机器学习应用中。这是使用将分子结构编码为向量的分子指纹特征提取算法实现的。这些指纹对于化学信息学中的任务至关重要，例如化学空间多样性、聚类、虚拟筛选、Scikit-fingerprints：用于高效分子指纹计算和与机器学习管道集成的高级 Python 库首先出现在 AI Quantum Intelligence 上。
研究人员正在努力应对异构时间序列数据中因果关系发现的挑战，其中单一因果模型无法捕捉到不同的因果机制。基于结构因果模型、条件独立性检验和 Granger 因果关系的传统时间序列数据因果发现方法通常假设整个数据集的因果结构统一。然而，现实世界的场景 UCSD 研究人员提出了一种基于通用变分推理的框架 (MCD) 来推断潜在的因果模型以及每个样本的混合概率 这篇文章首先出现在 AI Quantum Intelligence 上。
Neural Network (MLP) for Time Series Forecasting in Practice | by Daniel J. TOTH | Jul, 2024
时间序列，更具体地说是时间序列预测，是专业人士和商业用户中非常熟悉的数据科学问题。存在几种预测方法，为了便于理解和更好地概述，可以将其归类为统计或机器学习方法，但事实上，对预测的需求如此之高，Daniel J. TOTH 于 2024 年 7 月发表的《神经网络 (MLP) 在时间序列预测中的应用》一文首次出现在 AI Quantum Intelligence 上。
How ChatGPT is Changing the Face of Programming
作者图片自 OpenAI 的 ChatGPT 推出以来，编程领域进入了一个新时代。通过利用先进的自然语言处理功能，初学者和经验丰富的开发人员现在拥有强大的工具来简化编码过程。像 ChatGPT 或 Gemini 这样的人工智能聊天机器人改变了开发人员解决复杂问题和学习新技术的方式。这篇文章 ChatGPT 如何改变编程面貌首先出现在 AI Quantum Intelligence 上。
How ChatGPT is Changing the Face of Programming
作者提供的图片 自 OpenAI 的 ChatGPT 推出以来，编程领域进入了一个新时代。 通过利用先进的自然语言处理功能，初学者和经验丰富的开发人员现在拥有强大的工具来简化编码过程。 像 ChatGPT 或 Gemini 这样的人工智能聊天机器人改变了开发人员解决复杂问题和学习新技术的方式。 这篇文章 ChatGPT 如何改变编程的面貌 最先出现在 AI Quantum Intelligence 上。
Ukraine s Vector Drones Enhanced with AI Sensors for Reconnaissance
德国无人机制造商 Quantum-Systems 宣布其 Vector 侦察无人机
在过去的几十年里，传感器、人工智能和处理能力的技术进步将机器人导航推向了新的高度。为了将机器人技术提升到一个新的水平，并使它们成为我们生活中的常规部分，许多研究建议将 ObjNav 和 VLN 的自然语言空间转移到多模态空间，以便机器人 Google DeepMind 研究人员展示了 Mobility VLA：具有长上下文 VLM 和拓扑图的多模态指令导航，首先出现在 AI Quantum Intelligence 上。
机器学习，特别是深度神经网络，专注于开发能够准确预测结果并量化与这些预测相关的不确定性的模型。这种双重关注在医疗保健、医学成像和自动驾驶等高风险应用中尤其重要，在这些应用中，基于模型输出的决策可能会产生深远的影响。准确的不确定性估计有助于评估 MIT 研究人员提出 IF-COMP：一种可扩展的不确定性估计解决方案，并在分布偏移下改进深度学习中的校准 首先出现在 AI Quantum Intelligence 上。
了解 AI 工具如何将复杂的概念转化为清晰、实用的框架和图表 图片由作者制作，在 Napkin AI 中制作 像 Chat GPT 这样的 AI 工具正在改变我们处理复杂想法的方式。我喜欢用 Chat GPT 做的事情之一是整合不同思想家的观点和想法，以及区分帖子使用 LLM 可视化和集成复杂想法，第 1 部分：Napkin AI | 作者 Kunal Kambo Puri | 2024 年 7 月首先出现在 AI Quantum Intelligence 上。
稳健性对于在实际应用中部署深度学习模型至关重要。自 2020 年代推出以来，视觉变换器 (ViT) 在各种视觉任务中表现出强大的稳健性和最先进的性能，优于传统 CNN。大核卷积的最新进展重新引起了人们对 CNN 的兴趣，表明它们可以匹敌或超过 ViT 性能。然而，这篇文章《探索稳健性：大核卷积网络与卷积神经网络 CNN 和视觉变换器 ViT 的比较》首先出现在 AI Quantum Intelligence 上。
RTMW: A Series of High-Performance AI Models for 2D/3D Whole-Body Pose Estimation
全身姿势估计是提高以人为本的 AI 系统能力的关键组成部分。它在人机交互、虚拟化身动画和电影行业中很有用。由于任务的复杂性以及有限的计算能力和数据，该领域的早期研究具有挑战性，因此研究人员专注于估计单独的姿势。文章 RTMW：一系列用于 2D/3D 全身姿势估计的高性能 AI 模型首先出现在 AI Quantum Intelligence 上。
