<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[]]></title><description><![CDATA[分享人工智能知识、python、自然语言处理、计算机视觉知识。]]></description><link>https://blog.csdn.net/qq_38735017</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; qq_38735017]]></copyright><item><title><![CDATA[智能体Agent性能优化从原理到实战]]></title><link>https://blog.csdn.net/qq_38735017/article/details/164403892</link><guid>https://blog.csdn.net/qq_38735017/article/details/164403892</guid><author>qq_38735017</author><pubDate>Sat, 05 Sep 2026 21:55:37 +0800</pubDate><description><![CDATA[智能体` `Agent` `大模型` `RAG` `LLM` `AI Agent优化` `多智能体`]]></description><category></category></item><item><title><![CDATA[2026计算机毕设选题避坑指南 (2)]]></title><link>https://blog.csdn.net/qq_38735017/article/details/164403788</link><guid>https://blog.csdn.net/qq_38735017/article/details/164403788</guid><author>qq_38735017</author><pubDate>Sat, 05 Sep 2026 21:35:16 +0800</pubDate><description><![CDATA[毕设是一个系统工程，选题只是第一步，但也是最关键的一步。求稳不冒险：技术主流、场景具体、功能能做出来；创新不堆砌：一个明确的创新点，胜过十个空洞的关键词；沟通不闭门：定期汇报，让导师全程看见你的进度。方向对了，剩下的就是坚持。祝大家选题顺利、答辩一次过！毕设是一场持久战，选题、开发、论文、答辩，每一步都需要认真对待。选对题目、做好规划、按流程推进，答辩自然会顺利。如果大家有任何选题疑虑，或者想讨论某个题目的实现思路，欢迎在评论区留言交流，看到都会回复。也可以关注我。]]></description><category></category></item><item><title><![CDATA[北大核心期刊发表全攻略-合规过审版]]></title><link>https://blog.csdn.net/qq_38735017/article/details/164403738</link><guid>https://blog.csdn.net/qq_38735017/article/details/164403738</guid><author>qq_38735017</author><pubDate>Sat, 05 Sep 2026 21:17:59 +0800</pubDate><description><![CDATA[北大核心期刊发表全攻略：从选题到录用的避坑指南（附四大核心区别）]]></description><category></category></item><item><title><![CDATA[雷达情报分析软件]]></title><link>https://blog.csdn.net/qq_38735017/article/details/163614363</link><guid>https://blog.csdn.net/qq_38735017/article/details/163614363</guid><author>qq_38735017</author><pubDate>Sun, 09 Aug 2026 18:55:54 +0800</pubDate><description><![CDATA[为规避直接调用 Python C API 带来的编译耦合、部署复杂与崩溃风险，设计采用表格文件作为数据交互介质：主程序将情报数据输出为本地表格文件，经系统终端启动 Python 进程运行分析脚本，以命令行参数传入数据与结果路径；脚本计算完毕后再将结果写回表格文件，由主程序读取并呈现于人机界面。系统核心为两个模块：一是计算引擎 PythonEngine，基于 QProcess 管理 Python 进程，提供环境配置、脚本设定、参数传递、启动/中止等接口及进度、错误等信号，异常时提示操作员而不致主程序崩溃；]]></description><category></category></item><item><title><![CDATA[[完整代码分享]基于Python的雷达情报分析软件]]></title><link>https://blog.csdn.net/qq_38735017/article/details/163614299</link><guid>https://blog.csdn.net/qq_38735017/article/details/163614299</guid><author>qq_38735017</author><pubDate>Sun, 09 Aug 2026 18:53:14 +0800</pubDate><description><![CDATA[新一代雷达需依据环境、任务与自身健康状态自动调节参数，实现环境自适应、任务自适应与状态自动调节。传统显控软件多采用 C/C++ 编写，虽满足高性能显示需求，却缺乏科学计算算法库，难以在现场完成情报的量化分析与挖掘；依赖 Matlab 离线分析又缺乏实时性，且存在版权受限、对嵌入式平台要求高、生态封闭不利于接入最新人工智能算法等问题。为此，本系统提出以 Python 作为情报分析引擎的方案。系统以既有 C/C++ 雷达显控程序为基础，通过调用 Python 脚本实现情报实时分析。]]></description><category></category></item><item><title><![CDATA[手把手教你：本地部署 Qwen + Python，30 分钟做出论文分析网站]]></title><link>https://blog.csdn.net/qq_38735017/article/details/163411043</link><guid>https://blog.csdn.net/qq_38735017/article/details/163411043</guid><author>qq_38735017</author><pubDate>Sun, 02 Aug 2026 10:39:30 +0800</pubDate><description><![CDATA[手把手教你：本地部署 Qwen + Python，30 分钟做出论文分析网站]]></description><category></category></item><item><title><![CDATA[基于 Qwen2.5-0.5B · 392 篇论文音频描述（Audio Description）领域（不用 GPT API！开源模型 + Python，论文主题分析一键可视化）]]></title><link>https://blog.csdn.net/qq_38735017/article/details/163410433</link><guid>https://blog.csdn.net/qq_38735017/article/details/163410433</guid><author>qq_38735017</author><pubDate>Sun, 02 Aug 2026 10:35:07 +0800</pubDate><description><![CDATA[基于 Qwen2.5-0.5B · 392 篇论文音频描述（Audio Description）领域（不用 GPT API！开源模型 + Python，论文主题分析一键可视化）]]></description><category></category></item><item><title><![CDATA[基于逻辑推理的医学疾病症状处方药知识图谱]]></title><link>https://blog.csdn.net/qq_38735017/article/details/163099064</link><guid>https://blog.csdn.net/qq_38735017/article/details/163099064</guid><author>qq_38735017</author><pubDate>Wed, 22 Jul 2026 10:14:51 +0800</pubDate><description><![CDATA[系统自动生成涵盖 疾病 / 症状 / 处方药 / 治疗方法 / 检查 / 科室 / 并发症 / 危险因素 八大类 实体及其关系的数据， 并提供绚丽的可视化、检索、编辑、路径分析与智能推理功能。POST /api/node/add POST /api/node/update POST /api/node/delete — 节点增删改。POST /api/link/add POST /api/link/delete — 关系增删。GET /api/export POST /api/import — 导入导出。]]></description><category></category></item><item><title><![CDATA[基于逻辑推理的医学疾病症状处方药知识图谱可视化系统 ]]></title><link>https://blog.csdn.net/qq_38735017/article/details/163097948</link><guid>https://blog.csdn.net/qq_38735017/article/details/163097948</guid><author>qq_38735017</author><pubDate>Wed, 22 Jul 2026 09:59:38 +0800</pubDate><description><![CDATA[基于逻辑推理的医学疾病症状处方药知识图谱可视化系统 ]]></description><category></category></item><item><title><![CDATA[如何解决大模型的「幻觉」问题？]]></title><link>https://blog.csdn.net/qq_38735017/article/details/162811837</link><guid>https://blog.csdn.net/qq_38735017/article/details/162811837</guid><author>qq_38735017</author><pubDate>Sun, 12 Jul 2026 12:33:07 +0800</pubDate><description><![CDATA[如何解决大模型的「幻觉」问题？]]></description><category></category></item><item><title><![CDATA[基于随机森林的电商客户流失预测系统]]></title><link>https://blog.csdn.net/qq_38735017/article/details/162811770</link><guid>https://blog.csdn.net/qq_38735017/article/details/162811770</guid><author>qq_38735017</author><pubDate>Sun, 12 Jul 2026 12:30:53 +0800</pubDate><description><![CDATA[基于随机森林的电商客户流失预测系统

]]></description><category></category></item><item><title><![CDATA[【毕业设计-完整代码数据】基于机器学习的电商用户流失预测系统]]></title><link>https://blog.csdn.net/qq_38735017/article/details/162811458</link><guid>https://blog.csdn.net/qq_38735017/article/details/162811458</guid><author>qq_38735017</author><pubDate>Sun, 12 Jul 2026 12:24:05 +0800</pubDate><description><![CDATA[【毕业设计-完整代码数据】基于机器学习的电商用户流失预测系统]]></description><category></category></item><item><title><![CDATA[基于改进的LF-Transformer的土壤等级预测研究]]></title><link>https://blog.csdn.net/qq_38735017/article/details/162657631</link><guid>https://blog.csdn.net/qq_38735017/article/details/162657631</guid><author>qq_38735017</author><pubDate>Tue, 07 Jul 2026 10:49:27 +0800</pubDate><description><![CDATA[基于改进的LF-Transformer的土壤等级预测研究]]></description><category></category></item><item><title><![CDATA[模型剪枝、量化、知识蒸馏核心区别]]></title><link>https://blog.csdn.net/qq_38735017/article/details/162512347</link><guid>https://blog.csdn.net/qq_38735017/article/details/162512347</guid><author>qq_38735017</author><pubDate>Thu, 02 Jul 2026 10:50:09 +0800</pubDate><description><![CDATA[模型剪枝、量化、知识蒸馏核心区别]]></description><category></category></item><item><title><![CDATA[【完整代码数据】电站提质增效：混合机器学习光伏发电量智能预测系统]]></title><link>https://blog.csdn.net/qq_38735017/article/details/162509889</link><guid>https://blog.csdn.net/qq_38735017/article/details/162509889</guid><author>qq_38735017</author><pubDate>Thu, 02 Jul 2026 10:42:57 +0800</pubDate><description><![CDATA[【完整代码数据】电站提质增效：混合机器学习光伏发电量智能预测系统]]></description><category></category></item><item><title><![CDATA[电商用户流失智能预测平台｜PyTorch 深度学习精准锁定流失客户]]></title><link>https://blog.csdn.net/qq_38735017/article/details/162163811</link><guid>https://blog.csdn.net/qq_38735017/article/details/162163811</guid><author>qq_38735017</author><pubDate>Sun, 21 Jun 2026 09:43:15 +0800</pubDate><description><![CDATA[​
电商用户流失智能预测平台｜PyTorch 深度学习精准锁定流失客户
​]]></description><category></category></item><item><title><![CDATA[融合 12 维用户行为特征的电商客户流失风险深度学习预测模型-完整项目代码分享]]></title><link>https://blog.csdn.net/qq_38735017/article/details/162163660</link><guid>https://blog.csdn.net/qq_38735017/article/details/162163660</guid><author>qq_38735017</author><pubDate>Sun, 21 Jun 2026 09:36:49 +0800</pubDate><description><![CDATA[融合 12 维用户行为特征的电商客户流失风险深度学习预测模型-完整项目代码分享]]></description><category></category></item><item><title><![CDATA[基于PatchTST模型的黄金、期货、铁矿石、价格预测分析]]></title><link>https://blog.csdn.net/qq_38735017/article/details/161974214</link><guid>https://blog.csdn.net/qq_38735017/article/details/161974214</guid><author>qq_38735017</author><pubDate>Sun, 14 Jun 2026 11:46:59 +0800</pubDate><description><![CDATA[https://www.bilibili.com/video/BV1mRJF6PE9M/]]></description><category></category></item><item><title><![CDATA[【完整数据模型代码分享】基于PatchTST模型的黄金、期货、铁矿石、价格预测分析]]></title><link>https://blog.csdn.net/qq_38735017/article/details/161973707</link><guid>https://blog.csdn.net/qq_38735017/article/details/161973707</guid><author>qq_38735017</author><pubDate>Sun, 14 Jun 2026 11:39:06 +0800</pubDate><description><![CDATA[【完整数据模型代码分享】基于PatchTST模型的黄金、期货、铁矿石、价格预测分析]]></description><category></category></item><item><title><![CDATA[改进transforemr预测工器具磨损+可视化大屏]]></title><link>https://blog.csdn.net/qq_38735017/article/details/161806689</link><guid>https://blog.csdn.net/qq_38735017/article/details/161806689</guid><author>qq_38735017</author><pubDate>Mon, 08 Jun 2026 19:34:20 +0800</pubDate><description><![CDATA[改进transforemr预测工器具磨损+可视化大屏]]></description><category></category></item></channel></rss>