登录社区云，与社区用户共同成长
邀请您加入社区
目前市面上的英语作文批改平台主要分三类技术路线，各有优劣： 第一类是基于通用大模型开放接口二次开发的工具，比如很多小工作室做的免费批改网站，优点是响应速度快、免费额度高，缺点是没有经过垂直写作语料的微调，对课标要求的题型适配性差，实测对固定写作题型的批改准确率只有78%左右，经常出现超纲的修改建议。首先是批改精度不稳定，实测数据显示，多数通用类工具对语法错误的识别准确率能到85%，但涉及篇章逻辑、
我们2025年和3所公立校的高一年级合作做了对照实验，2个对照班用通用大模型的口语评测工具，2个实验班用天学网的听说系统，跟踪一学期的教学数据显示：实验班的教师批改口语作业的周平均时长从7.2小时降到了1.1小时，减负幅度达到84%，学生的听说能力达标率从期初的62%提升到期末的89%，92%的参与教师反馈，系统自动生成的班级学情报告，能直接定位整个班级的共性薄弱点，比如某班72%的学生存在多音节
R语言机器学习【特征筛选】及【二分类机器学习】模型实战R代码
天学网还有个行业里少见的实时算法同步机制，实测数据显示，学生提交口语作业后1.2秒就能出个人测评结果，同时和教师端的学情后台同步延迟不超过3秒，不需要额外刷新等待，而且它的智能合规校验底层逻辑过了教育部APP备案、等保三级认证、个性化算法备案三重校验，学生的语音数据和个人信息不会外流，完全符合公立校的信息安全要求。实测数据显示，用天学网的班级，一学期后学生口语表达的流利度提升42%，教师批改听说作
AI大模型支持下的：R语言Meta分析核心技术：从热点挖掘到高级建模、论文写作与发表全链路
普通的检测模型在COCO上训出来，对小目标的AP本来就不高，放到森林场景里那就是灾难——一个小火星在绿色树冠背景里，特征弱得可怜，模型直接当噪声滤掉了。火焰形态极其多样——正常的生产火炬、焊割作业的火花、设备故障的电弧、化学品的爆炸火焰，颜色从红色到蓝色到白色全有。我在这个圈子里见过太多公司，拿着森林火灾的数据集训了个模型，跑去给化工厂做方案，结果演示的时候对着一个乙炔焊枪的火花疯狂误报，场面尴尬
你在顶会上看到的那些刷榜模型，背后用的训练集通常是MS-Celeb-1M、VGGFace2这类公开数据集，或者私有的大规模数据集（比如Facebook、Google内部搞的不公开的数据）。但你要真问他"机器是怎么认出你这张脸的"，他肯定一脸懵。那些吹"99.99%准确率"的PPT，要么是忽略了一堆边界条件，要么就是在特定测试集上跑出来的漂亮数字——拿到真实场景里，掉到90%以下都是常有的事。你看一
评测发现，AI生成GEO（生成式引擎优化）内容存在显著质量问题。测试3款主流AI工具（GPT-4、Claude 3.5、文心一言4.0）生成的27篇文章显示：48%含虚构数据，30%结构同质化，30%存在平台事实错误。GPT-4框架完整但数据造假率高；Claude 3.5语言自然但爱补充虚假信息；文心一言中文表达优但术语混乱。提出60/40法则：AI仅适合完成40%框架搭建，人类必须补足60%的数
原书(Introduction to Machine Learning with R)使用的是lasso2包的l1ce()函数，此包已弃用，改用glmnet包的cv.glmnet函数。
R语言中glmnet包是比较重要且流行的包之一，曾被誉为“三驾马车”之一。从包名就可以大致推测出，glmnet主要是使用Elastic-Net来实现GLM，广大的user可以通过该包使用Lasso 、 Elastic-Net 等Regularized方式来完成Linear Regression、 Logistic 、Multinomial Regression 等模型的构建。本人学习了CRAN上G
学习记录
R语言安装glmnet包安装glmnet包安装glmnet包正常这样安装时报错install.packages("glmnet")改为如下代码可正常安装。install.packages("glmnet", dependencies=TRUE)具体原因等写完作业有时间再查。
报错： Error in object$na.action : $ operator not defined for this S4 class。请问如何才能解决呢？
这里向您展示如何在R中使用glmnet包进行岭回归（使用L2正则化的线性回归），并使用模拟来演示其相对于普通最小二乘回归的优势。岭回归当回归模型的参数被学习时，岭回归使用L2正则化来加权/惩罚残差。在线性回归的背景下，它可以与普通最小二乘法（OLS）进行比较。OLS定义了计算参数估计值（截距和斜率）的函数。它涉及最小化平方残差的总和。...
李恒团队开发出高效基因组组装算法hifiasm(ONT)，仅需标准ONT测序数据即可实现近端粒到端粒(T2T)组装。该算法通过创新的相位校正技术克服ONT数据的高错误率，相比现有方法计算效率提升10倍且无需GPU。测试显示其组装质量优于Verkko+HERRO等算法，能解析HiFi难以处理的SMN1/SMN2等医学相关基因。这一突破使群体规模T2T基因组分析和临床样本研究成为可能，相关成果已发表于
Quarto 是一个由 RStudio 的母公司 Posit 团队开发的开源科学和技术出版系统，它建立在 Pandoc 之上，支持使用 Python、R、Julia 和 Observable.js 等多种编程语言来创建动态内容。Quarto 允许用户以纯文本 Markdown 或 Jupyter 笔记本的形式编写文档，并能够将这些文档发布为高质量的文章、报告、演示文稿、网站、博客和书籍等，输出格式
【代码】错误: 函数‘gsva’标签‘param = “matrix“’找不到继承方法。
这是一个面向新手的 R 包构建与 GitHub 发布入门教程文档。该 Markdown 文档以“从零开始、一步不跳”为原则，完整记录了创建 R 包骨架、配置 Git、生成文档与示例数据、添加测试、通过 roxygen2 生成帮助文件，以及最终将包发布到 GitHub 并供用户安装使用的全过程。
建立input、data_raw、data_processed、scripts、notebooks、outputs、figures、arcgis_project、paper_pack等标准目录，使数据、脚本、结果和论文材料有清晰位置。利用AI对文献标题、摘要、关键词和空间数据字段进行快速整理，识别研究热点、关键词组合、空间现象和潜在研究空白。制作研究区图、空间因子图、研究对象图、指标分布图、空间叠
② 复杂统计模型生成的零代码实现路径（续） 这种智能化的选型机制，让分析师无需成为算法专家也能获得高质量的模型输出。下面通过一个完整的案例演示这一流程： 实战案例：银行客户流失预测 1. 业务需求描述 "基于客户最近3个月的交易行为（交易次数、平均金额、最大单笔）、账户余额变化趋势、客服互动频率，预测未来30天内流失概率。需要输出模型评估报告和关键影响因素的可视化图表。" 2. 模拟数据集生成 l
