XiaoMi-AI文件搜索系统
World File Search Systemjupyter
基于 AI/ML 的气候服务 S2S 预测工具
有很多 Python 包可用，但没有一个可以处理气候数据集的多维。它安装起来非常容易（一行命令），不需要任何特殊的计算机，并且适用于 Window、Mac 和 Linux/Unix 系统。Xcast 并行化代码，因此速度更快。它包括所有传统方法（MLR、PCR、CCA）和最先进的 AI/ML 方法（如 ANN、随机森林等）。它读取 NetCDF/Grib2/Zar 数据，而传统工具需要“ASCII 格式”。它还可以读取任何模型输出（NMME、C3S、S2S 和 SubX 或您自己的）。它不仅仅是一个“Jupyter 笔记本”，而是一个 Python 包。
使用 Python 进行人工智能编程
成功的软件开发人员需要知道如何将深度学习模型融入日常应用中。任何带有摄像头的设备都将使用图像分类、对象检测和人脸识别，所有这些都基于深度学习模型。在这个项目中，您将实现一个图像分类应用程序。此应用程序将在图像数据集上训练深度学习模型。然后它将使用训练后的模型对新图像进行分类。首先，您将在 Jupyter 笔记本中开发代码，以确保您的训练实施效果良好。然后，您将代码转换为 Python 应用程序，然后从系统的命令行运行该应用程序。
普通微分方程 - IE
尽管在另一个课程中涵盖了用于集成微分方程的数值方案的全部覆盖范围，但专门的课程是启发性的，以介绍数值集成商的使用并学习Python中的语法以运行这些算法。特别是在本讲座中，我们将练习如何使用Python库Scipy.integrate对非线性ODES系统进行编码。tihs课程主要集中在基本面和分析技术上，但是关注数值方法将很有用，因为在实践中，这是我们最终在所有实际情况中最终使用的。我们将使用jupyter笔记本进行本课程，而重点并不是了解数值集成方法如何工作，而是能够使用它们。
AI课程 - UF目录 - 佛罗里达大学
BSC 4892 AI生物学3学分评分方案：Letter等级研究AI在日常生活中如何迅速变得无处不在，并应用于生物学的不同领域。专注于机器学习方法以及包括变压器在内的深度学习方法。涵盖了表格数据，计算机视觉，传输学习，自然语言处理和基于变压器的体系结构的机器学习方法。类通常在嘻哈剂上使用jupyter笔记本进行编码。需要先前的Python编码经验。先决条件：BSC 4452或BSC 6451或BSC 2891或教练许可（Python编程经验。）
Azure AI 和高级分析功能
UST 经验丰富的数据科学家、AI 工程师和机器学习开发人员为您的组织提供最佳实践，并帮助您快速掌握最新的 Microsoft Azure 机器学习功能 - 快速轻松地构建、训练和部署机器学习模型。他们的专业知识可帮助您利用尖端技术，如自动化机器学习、Fairlearn、Jupyter、Visual Studio Code 框架（如 PyTorch Enterprise、TensorFlow 和 Scikit-learn）。借助自动化机器学习和拖放界面等低代码和无代码工具，您可以扩展数据科学团队并更快地生成模型。此外，使用 ONNX Runtime，您可以使用 Azure Kubernetes 服务 (AKS) 轻松大规模部署并最大化机器学习推理。
在虚拟学习环境中使用主动学习的人工智能教育模式的提案
摘要：人工智能（AI）是目前发展最快的领域之一，但关于人工智能教育课程设计和教学方法的教学研究相对较少。本文旨在确定大学人工智能教学中使用的技术和内容及其优缺点。随后，本文根据经验和融入最现代教育环境的可能性，确定了适合 MOOC 的人工智能教学形式。因此，本文提出了一种基于主动学习和虚拟学习环境相结合的教育模式，支持将教育内容分发给对人工智能感兴趣的尽可能广泛的人群。同时，它描述了将 Jupyter 笔记本微环境集成到独立 Web 应用程序中的要求和过程，这是连接 MOOC 和计算服务器基础设施的必要先决条件。
使用英特尔® 边缘开发人员云，通过 Red Hat* OpenShift* 数据科学平台在英特尔® 硬件上评估人工智能应用程序
带有相关 Tensorflow* 或 PyTorch* 内核的 Jupyter* 笔记本，从源代码存储库克隆训练示例笔记本 (ipynb 文件)，使用所选数据集训练模型并将训练好的模型上传到您选择的存储设施。通过“启动 Red Hat OpenShift Data Science”学习路径了解有关如何使用 Red Hat* OpenShift* Data Science 的更多信息。对于本教程中选择的示例，我们假设开发人员已完成此部分，并将训练好的 PyTorch* 肾脏分割模型上传到 AWS* S3 存储桶。为方便起见，我们以 OpenVINO™ 中间表示 (IR) 文件的形式为本练习提供预训练模型。有关说明，请参阅先决条件部分。2. 不同英特尔® 硬件上的 AI 模型推理利用了英特尔® 开发者云
tysserand-fast and from-div>的空间网络的准确重建
摘要：网络提供了一个强大的框架来分析空间OMICS实验。但是，我们缺少集成几种方法来轻松重建网络以与专用库进行进一步分析的工具。在附加过程中，选择适当的方法和参数可能具有挑战性。我们提出了python库Tysserand，以从空间解决的OMICS实验中重建空间网络。它是一种通用工具，生物信息学界可以添加新方法来重建网络，选择适当的参数，清洁结果网络和管道数据到其他库。可用性和实现：带有Jupyter笔记本的Tysserand软件和教程，可在https://github.com/verapancaldilab/tysserand上获得。联系人：Alexis.coullomb@inserm.fr或vera.pancaldi@inserm.fr补充信息：补充数据可在Bioinformatics Online上获得。