Kurs Grundschule 54285
Kurseinführung:《HTML5从入门到精通教程》详细介绍了HTML5在HTML的基础上新增了很多新的内容,功能更多,效果更炫。
Kurs Grundschule 27091
Kurseinführung:《Javascript 基础教程》将带你快速学习javascript的基础知识,通过实例进行讲解,让你更加理解javascript脚本语言
Kurs Grundschule 30957
Kurseinführung:本教程将从基础讲起,不要求你具备任何编程知识。在《HTML教程》里包含了我们HTML5的知识,真正的做到了HTML的全面学习
Kurs Grundschule 24244
Kurseinführung:《HTML5轻快入门自学教程》适合htm5l零基础入门学习,HTML5是HTML发展的第5个版本,随着浏览器技术的支持也开始广泛应用,H5将成为WEB开发的新标准,本课程将为读者讲解HTML5的全部核心特性。
Kurs Grundschule 90814
Kurseinführung:《javascript初级教程》是JavaScript的入门课程,旨在让大家认识,了解JavaScript的常见知识,
Wie lerne ich systematisch, wie man VIM-Konfigurationsdateien konfiguriert?
2017-05-16 16:36:43 0 1 677
Künstliche Intelligenz – Python, maschinelles Lernen, medizinische Daten, wie man lernt
2017-06-12 09:25:45 0 1 986
2017-06-17 09:16:44 0 2 974
Was ist Root in Bezug auf das Problem der Nginx-Standortkonfiguration?
2017-05-16 17:07:45 0 2 588
Kurseinführung:Verwendung des Tensorflow-Moduls für Deep Learning in Python3.x Einführung Deep Learning hat sich in den letzten Jahren zu einer der heißesten Technologien im Bereich der künstlichen Intelligenz entwickelt. Als beliebtes Deep-Learning-Framework unterstützt TensorFlow nicht nur eine Vielzahl von Deep-Learning-Modellen, sondern bietet auch eine Fülle von Tools und Funktionen zur Vereinfachung der Modellentwicklung. In diesem Artikel wird die Verwendung des TensorFlow-Moduls für Deep Learning in der Python3.x-Umgebung vorgestellt und relevante Codebeispiele bereitgestellt. Installieren Sie Zehner
2023-07-29 Kommentar 0 702
Kurseinführung:Herausgeber |. KX Generatives Deep Learning verändert das Arzneimitteldesign. Von besonderer Bedeutung für diesen Prozess sind chemische Sprachmodelle (CLMs), die Moleküle als Molekülketten erzeugen. Kürzlich haben Forscher der Technischen Universität Eindhoven in den Niederlanden eine neueste Deep-Learning-Architektur (S4) in das De-novo-Arzneimitteldesign eingeführt. Das Structured State Space Sequence (S4)-Modell bietet eine hervorragende Leistung beim Erlernen der globalen Eigenschaften der Sequenz. Kann S4 also die von Grund auf neu entwickelte chemische Sprachmodellierung vorantreiben? Um diese Frage zu beantworten, verglichen die Forscher S4 bei einer Reihe von Arzneimittelforschungsaufgaben systematisch mit dem hochmodernen CL.
2024-08-05 Kommentar 0 850
Kurseinführung:Herausgeber |KX Bis heute sind die durch die Kristallographie ermittelten Strukturdetails und Präzision, von einfachen Metallen bis hin zu großen Membranproteinen, mit keiner anderen Methode zu erreichen. Die größte Herausforderung, das sogenannte Phasenproblem, bleibt jedoch die Gewinnung von Phaseninformationen aus experimentell bestimmten Amplituden. Forscher der Universität Kopenhagen in Dänemark haben eine Deep-Learning-Methode namens PhAI entwickelt, um Kristallphasenprobleme zu lösen. Ein Deep-Learning-Neuronales Netzwerk, das mithilfe von Millionen künstlicher Kristallstrukturen und den entsprechenden synthetischen Beugungsdaten trainiert wird, kann genaue Elektronendichtekarten erstellen. Die Studie zeigt, dass diese Deep-Learning-basierte Ab-initio-Strukturlösungsmethode das Phasenproblem mit einer Auflösung von nur 2 Angström lösen kann, was nur 10 bis 20 % der bei atomarer Auflösung verfügbaren Daten im Vergleich zur herkömmlichen Ab-initio-Berechnung entspricht
2024-08-08 Kommentar 0 427
Kurseinführung:Herausgeber | Rettichhaut Die Vorhersage der Protein-DNA-Bindungsspezifität ist eine anspruchsvolle, aber entscheidende Aufgabe für das Verständnis der Genregulation. Protein-DNA-Komplexe binden typischerweise an ausgewählte DNA-Ziele, wohingegen Proteine an ein breites Spektrum von DNA-Sequenzen mit unterschiedlichem Grad an Bindungsspezifität binden. Diese Informationen sind nicht direkt in einer einzelnen Struktur zugänglich. Um auf diese Informationen zuzugreifen, schlugen Forscher der University of Southern California und der University of Washington den Deep Binding Specificity Predictor (DeepPBS) vor, ein geometrisches Deep-Learning-Modell, das die Bindung anhand von Protein-DNA-Strukturen vorhersagen soll.
2024-08-19 Kommentar 0 1047
Kurseinführung:Laut Nachrichten dieser Website vom 3. September ist eine genaue Vorhersage der Lebensdauer von Lithiumbatterien für den normalen Betrieb elektrischer Geräte von entscheidender Bedeutung. Eine genaue Vorhersage der Batterielebensdauer ist jedoch aufgrund der Nichtlinearität des Batteriekapazitätsabbauprozesses und der Unsicherheit der Betriebsbedingungen mit Herausforderungen verbunden. Die Chinesische Akademie der Wissenschaften erklärte, dass das Team des Forschers Chen Zhongwei und des assoziierten Forschers Mao Zhiyu von der Abteilung für Energiebatterie- und Systemforschung des National Key Laboratory of Energy Catalytic Conversion des Dalian Institute of Chemical Physics zusammen mit Professor Feng Jiangtao von Xi „an der Jiaotong-Universität haben Fortschritte in der Forschung zum Batteriegesundheitsmanagement gemacht.“ Relevante Forschungsergebnisse wurden im Journal of Transportation Electrochemistry des Institute of Electrical and Electronics Engineers veröffentlicht (DOI: 10.1109/TTE.2024.3434553 im Anhang dieser Website). 1. Berichten zufolge hat das Forschungsteam ein neues Deep-Learning-Modell entwickelt
2024-09-03 Kommentar 0 221