-
JoyAgent 荣获2025开放原子基金会 “《人工智能》开源先锋项目” 称号
2025开放原子开发者大会于11月21日至22日在北京北人亦创国际会展中心成功举办。本届大会以“一切为了开发者”为主题，汇聚了来自全球的开发者、学术专家、开源先锋及社区代表，围绕技术实践、生态建设等多个维度展开深度分享与交流。大会设有开幕式暨前沿主论坛，以及十余场平行技术分论坛，内容覆盖前沿技术与创新实践、开源项目与基础软件、开发者生态与社区治理、学术研究与开源融合等关键方向，为开发者构建了从战略
-
人工智能之数据分析 numpy：第十五章 项目实践
人工智能之数据分析 numpy第十五章 项目实践前言本文 5 个由浅入深的 NumPy 项目练习，覆盖数组操作、数学计算、数据处理、可视化和性能优化，适合巩固知识并提升实战能力。其中部分项目涉及到后续教程的学习内容，可以根据相关领域去拓展，或者学习完后续在进行复现。🧪 项目 1：图像灰度化与边缘检测（基础）目标用纯 NumPy 实现彩色图像转灰度图，并进行简单边缘检测（Sobel 算子
-
人工智能之数据分析 numpy：第十四章 知识总结
人工智能之数据分析 numpy第十四章 知识总结前言本文主要讲解 NumPy 的核心知识点总结，涵盖其作为 Python 科学计算基石的关键概念与最佳实践，适合快速回顾、面试准备或系统学习。🧱 一、基础核心：ndarray（N 维数组）唯一数据结构：所有操作围绕 numpy.ndarray 展开。关键属性：.shape：维度大小（元组）.dtype：元素数据类型（如 int32, fl
-
现在学人工智能晚不晚?
现在学人工智能还来得及吗？”这可能是许多人在AI时代心中的疑问。随着AI技术席卷各行各业，不少人既渴望抓住机遇，又担心自己已经错过最佳时机。 AI时代，现在起步正当时 2025年，人工智能呈现爆发式增长，已渗透至办公、医疗、交通、金融等全领域，形成万亿级市场规模。 据测算，中国AI人才缺口超120万，算法工程师、大模型开发、计算机视觉等岗位平均薪资达24.2K-31.2K，且需求年增速超过50
-
人工智能之数据分析 numpy：第九章 数组运算（二）
人工智能之数据分析 numpy第九章 数组运算（二）前言NumPy 提供了丰富的数学与统计函数，覆盖三角、指数对数、舍入、向量运算、概率统计等多个领域。这些函数都是通用函数（ufunc），支持向量化操作，可直接作用于整个数组，无需循环。本文紧接上一章系统梳理 NumPy 中常用的数学与统计函数。一、三角函数（Trigonometric Functions）所有三角函数默认使用弧度作为输入。函数说明
-
人工智能之数据分析 numpy：第十三章 工具衔接与迁移
人工智能之数据分析 numpy第十三章 工具衔接与迁移前言NumPy 作为 Python 科学计算的核心库，不仅功能强大，还与众多工具无缝衔接。本文从两个关键方向系统讲解：一、从 MATLAB 到 NumPy：语法对照与迁移指南MATLAB 用户迁移到 NumPy 时，最大的挑战是思维转换（从矩阵中心到数组中心）和语法差异。以下是核心对照表。✅ 基本原则NumPy 使用 ndarray
-
人工智能之数据分析 numpy：第十二章 数据持久化
人工智能之数据分析 numpy第十二章 数据持久化前言NumPy 提供了多种数据持久化（Persistence） 方式，用于高效地保存和加载数组数据。根据数据规模、结构复杂度、跨平台需求等不同场景，可选择不同的方法。本文系统讲解：基础二进制/文本保存（.npy, .npz, .txt）结构化数组（Structured Arrays） 与 记录数组（Record Arrays）内存映射（Memory
-
人工智能之数据分析 numpy：第十一章 字符串与字节交换
人工智能之数据分析 numpy第十一章 字符串与字节交换前言在 NumPy 中，字符串数组 和 字节序（Endianness）交换 是两个重要但常被忽视的主题。下面分别详细讲解，并说明它们的联系与应用场景。一、NumPy 中的字符串数组NumPy 支持两种主要的字符串类型：| 类型 &n
-
人工智能之数据分析 numpy：第十章 副本视图
人工智能之数据分析 numpy第十章 副本视图前言在 NumPy 中，副本（copy） 和 视图（view） 是理解数组内存管理、性能优化和避免意外修改的关键概念。它们决定了当你对一个数组进行切片、变形或赋值操作时，是否创建了新的数据副本，还是仅仅创建了一个指向原数据的新“窗口”。下面从原理、区别、判断方法到实战示例，详细解析：一、核心概念| 概念 &nb
-
人工智能之数据分析 numpy：第八章 数组广播
人工智能之数据分析 numpy第八章 数组广播前言NumPy 的 广播（Broadcasting） 是其最强大、也最容易被误解的特性之一。它允许不同形状的数组之间进行逐元素运算，而无需显式复制数据，既节省内存又提升性能。一、什么是广播？广播：NumPy 在执行算术运算时，自动将形状不同的数组“扩展”为兼容形状的机制。✅ 核心优势：避免创建不必要的副本（内存高效）代码简洁（无需手动 reshape
