WHX_XXH-CSDN博客

原创 Datawhale AI夏令营魔搭MCP&Agent赛事（MCP Server开发）

MCP广场可以说是AI的“App Store”，你开发的MCP Server就是其中一个“App”，可以供所有兼容MCP协议的AI调用。就像互联网上的HTTP协议统一了网页的访问方式一样，MCP旨在成为AI世界的基础通信协议。MCP Server 就是 ”AI互联网“ 上的一个“网站”，给AI提供特定的服务。MCP Server就是为它提供各种“手”和“工具”，让它能够执行实际操作，比如查询数据库、发送邮件、生成图片等。：通过自然语言指令操作复杂系统（如"调整生产线温度"），加速GUI向语言界面的迁移。

2025-07-10 10:22:02 258

原创 Datawhale春训营-2025[星火杯]大模型应用创新赛

Datawhale春训营-2025[星火杯]大模型应用创新赛

2025-05-16 23:36:57 523

原创 Datawhale AI春训营-第三届世界科学智能大赛新能源赛道：新能源发电功率预测

Datawhale AI春训营-第三届世界科学智能大赛新能源赛道：新能源发电功率预测

2025-04-17 12:25:28 242

原创 Datawhale AI夏令营-[星火杯]大模型应用开发学习活动 - 作品提交（求赞哦(⊙o⊙)）

Datawhale开源《讯飞2024星火杯》的UI应用产品欢迎大家访问Datawhale教程进行学习相关地址: 比赛地址、学习手册实用：直接面向幼儿教师和广大家长同志，简单便捷。本项目是以讯飞星火大模型为基础的幼儿教育助手。主要包括两大模式：1）问&答&交互模式：直面幼儿教育者的实际工作需求，为幼儿教育者提供技术思路，提高工作效率。2）图&文&音模式：每个人都可以成为教育者，以图&文&音的方式培养幼儿基本的视听说能力。本项目以讯飞星火大模型为模型底座，结合Gradio框架构建对外UI及功能。项目着重于基于大

2024-07-17 16:43:55 545

原创 Datawhale AI夏令营第2期-科大讯飞xDatawhale-电力需求预测挑战赛-Task3

时间序列预测是一个不断发展的领域，随着技术的进步，我们可以期待更多的优化方法和模型的出现。深度学习模型，特别是LSTM和其变体，已经在许多时间序列预测任务中显示出了优越的性能。更复杂的模型结构：如引入注意力机制的LSTM模型，以更好地捕捉时间序列中的长期依赖关系。多模态数据融合：结合时间序列数据和其他类型的数据，如文本或图像，以提供更全面的分析。模型解释性：提高模型的可解释性，以便更好地理解预测结果。自动化特征工程：开发自动化的特征工程工具，以减少手动特征提取的工作量。实时预测。

2024-07-15 15:03:19 913

原创 Datawhale AI夏令营第2期-科大讯飞xDatawhale-电力需求预测挑战赛-Task2

赛题数据由训练集和测试集组成，为了保证比赛的公平性，将每日日期进行脱敏，用1-N进行标识。即1为数据集最近一天，其中1-10为测试集数据。数据集由字段id（房屋id）、 dt（日标识）、type（房屋类型）、target（实际电力消耗）组成。在目前阶段，我们使用lightgbm完成了基本的模型训练，并且添加了时序问题中常见的特征提取方式，通过特征工程挖掘特征可以很快的提升模型预测效果，这也是数据挖掘比赛中的主要优化方向，很多情况下决定着最终的成绩。

2024-07-14 00:22:21 760

原创 Datawhale AI夏令营第2期-科大讯飞xDatawhale-电力需求预测挑战赛-Task1

给定多个房屋对应电力消耗历史N天的相关序列数据等信息，预测房屋对应电力的消耗。适用性：传统模型适合数据量较小、模式简单的问题；机器学习模型适合中等复杂度的问题，可以引入额外变量；深度学习模型适合数据量大、模式复杂的任务。解释性：传统时间序列模型通常具有较好的解释性；机器学习模型的解释性取决于特征工程；深度学习模型的解释性通常较差。计算资源：传统模型计算效率最高；机器学习模型次之；深度学习模型通常需要最多的计算资源。预测能力：深度学习模型在捕捉复杂模式方面具有优势，但需要大量数据支持；

2024-07-11 16:45:38 1006