DevOps
人工智能主题学习月｜共同学习亚马逊云科技人工智能课程，组团共学拿奖励~
墨衍会员 · AI 创作全网分发 墨衍智能分发 通过墨衍一键同步至各平台 可同步平台 CSDN微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网
我也要 关注 + 加入社区
CSDN 已上线亚马逊云科技超过 60 门中文数字化培训课程，希望为学习者提供亚马逊云科技基础技能知识和最佳实践。
每门课程时长从十分钟到几小时不等，由亚马逊云科技专家打造，其中包括最受欢迎的《亚马逊云科技云从业者必修知识》，涵盖了亚马逊云科技的云概念、核心服务、安全性、架构、定价和支持系统等内容，能够帮助学习者构建基础的云知识体系。其他内容包括亚马逊云科技解决方案入门系列课程（例如机器学习、安全性、无服务器开发）、亚马逊云科技认证备考课程以及专为开发者打造的学习计划等。
为了鼓励更多人了解、学习人工智能的相关技术，亚马逊云科技联合 CSDN 社区，在 12 月份推出了社区“人工智能主题学习月”活动。
我已申请成为“领学大使”，希望能招募到 ≥5 位学员，和我一起在本社区完成人工智能课程的学习，我会按奖励规则把奖品给到活动中的优秀学员。
欢迎大家在本帖任务区，提交自己的博客主页链接进行报名 ！
PS：请扫码加入我的活动群，如果 ≥5 人进群并完成报名，会有官方奖励的 10 元群红包～（ 每多 1人，红包 可多➕ 2元，最高300元）
此处可向学员介绍下加入自己社区的理由
本次学习课程
|
学习课程 |
推荐学习理由 |
|
这是人工智能 (AI) 入门课程。在本课程中，我们将讨论什么是 AI 及其重要性，并简要介绍机器学习和深度学习（它们是 AI 的子集），并介绍 Amazon 如何在其产品中使用 AI。 | |
|
本课程向您介绍机器学习概念和数据所起到的作用。我们将浏览使用案例、讨论构建智能应用程序的创新方法，并回顾可用于机器学习的亚马逊云科技框架和服务。 | |
|
本入门课程概述了深度学习 (DL) 的概念。在本课程中，我们将讨论可用于 DL 的亚马逊云科技服务，并介绍一个正在使用 DL 进行创新的亚马逊云科技客户的案例研究。 | |
|
亚马逊云科技认证解决方案架构师 – 助理级考试旨在检验考生在亚马逊云科技上设计和部署可扩展、高度可用且具有容错能力的系统方面的专业技术知识。参加这一为期半天的中级培训可以了解考试的主题领域，并了解这些主题与 Architecting on Amazon Web Services 以及具体学习领域的对应关系，从而为考试做好准备。本课程会分析每个主题领域的样题，并向您讲授如何解读试题考察的概念，让您能更轻松地排除错误答案。 |
参与方式：
1.完成报名：在本帖任务区，提交 CSDN 个人博客的主页链接；
2.加入活动群：扫码加入我的专属活动群
3. 完成相应任务并打卡：按奖励规则要求，完成相应任务后，在本帖评论区打卡。
|
类型 |
任务规则 |
打卡示例 |
|
入门任务 |
完整观看任一门指定课程中的任 2 个章节，并按要求在本帖评论区，完成截图打卡。 |
评论格式：入门任务完成打卡+截图（下为截图示例）
|
|
进阶任务 |
完整观看任一门指定课程后，输出质量分 85+ 的原创学习笔记博文，并按要求在本帖评论区，完成打卡。 |
评论格式：进阶任务完成打卡 - 第 x 篇 - 链接 |
参与奖励：
以下所有奖项可以叠加获得
|
奖项 |
奖励规则 |
奖励 |
奖品图 |
|
优秀奖 |
单社区内前 30 名完成「入门任务」
注： 1，领学大使社区每多 10 人完成，即可多加 10 个奖励名额，单社区最多 150个名额； 2，往期【云原生主题学习月】学员奖励获得者不参与此次评奖。 |
* 活动勋章（虚拟）*1 * 马克杯*1 |
|
|
精英奖 |
单社区内，≥10人完成「进阶任务」并原创合格质量的文章数 TOP 5
注：往期【云原生主题学习月】学员奖励获得者不参与此次评奖。
|
* 电子荣誉证书*1 * 亚马逊云科技 T 恤*1 |
|
活动时间安排：
- 参与时间：2022-12-23至 2023-1-10（5 人成团后即可开始学习）
- 获奖名单公示时间：2023-1-19 前
- 奖励领取时间：2023-1-20 至 2023-1-31
- 奖励发放时间：暂定 2023-2-20前
注：实物奖励发放受疫情及物流影响，具体发放时间可能有所调整。
Q&A
- 可以中途换领学大使或者报名多个领学大使吗？
答：不允许，将取消在本社区的获奖资格。
2. 如何得知获奖？
答：本社区的奖励请及时关注本帖动态/社群/私信通知。
3. 需要创作的合格质量的文章是什么样的？
答：文章需要是结构完整、语句通畅的技术类学习文章，最终质量分达到 85+。
质量分查询地址：https://www.csdn.net/qc
反作弊声明：
社区参与学员需要是 CSDN 真实用户，官方会通过实名认证、码龄、技术标签、内容互动、原力等级等维度核实参与学员的真实性。
如发现违规刷量、无法核实为真实用户的情况，会直接取消计入及获奖资格。
相关推荐
黑龙江省哈尔滨新区矢量面数据-02坐标-geojson格式.json
哈尔滨新区区划面数据，geojson格式，02坐标
输电线路绝缘子红外图像检测数据集VOC+YOLO格式203张1类别.md
亲爱的CSDN用户： 首先感谢你点进这个资源页面。我需要提前说明一个重要情况： **本资源原本已设置为“0积分下载”**，即作者希望完全免费共享。但CSDN平台有时会根据文件的下载热度、文件大小、用户权限等因素，**自动将部分资源的积分调整为非0数值**（如1积分、2积分、5积分等）。这是平台系统的自动行为，而非作者本人的设定。 **因此，如果你当前看到该资源的下载所需积分不是0（例如显示为1、2、3……），请谨慎决定是否下载。** 如果你按照非0积分支付并下载后发现资源内容不符合预期、链接失效，或者实际上该资源本应是免费的，作者无法为此承担积分损失或退还操作。**强烈建议：仅在页面显示为0积分时进行下载。** 另外，本资源描述中**并未直接提供具体的下载地址或外部链接**，因为它本身是一个通过CSDN官方上传通道提交的文件/内容包。如果你看到描述中没有外部网盘地址，这是正常的——资源文件应通过CSDN内置的“下载”按钮获取。若因平台积分显示异常导致你支付了积分，请优先联系CSDN客服咨询积分退还政策，作者没有权限修改平台自动设定的积分值。 感谢你的理解与支持。技术分享本应开放，但受限于平台规则，特此提醒如上。祝学习进步！
器具焊接缺陷检测数据集8种缺陷8520张（已增强YOLO+CVOC）.zip
数据集格式：VOC格式+YOLO格式 压缩包内含：3个文件夹，分别存储图片、xml、txt文件 JPEGImages文件夹中jpg图片总计：8520 Annotations文件夹中xml文件总计：8520 labels文件夹中txt文件总计：8520 标签种类数：8 标签名称:["Burn-through","Crack","Excess Reinforcement","Good Welding","Overlap","Porosity","Spatters","Undercut"] 标签中文对照:[烧穿、裂纹、过度加固、良好、重叠、多孔、溅落物、咬边] 每个标签的框数（注意yolo格式类别顺序不和这个对应，而以labels文件夹classes.txt为准）： Burn-through 框数 = 107 Crack 框数 = 2347 Excess Reinforcement 框数 = 10921 Good Welding 框数 = 2504 Overlap 框数 = 275 Porosity 框数 = 29593 Spatters 框数 = 75509 Undercut 框数 = 525 总框数：121781 图片清晰度（分辨率：像素）：清晰 图片是否增强：是 标签形状：矩形框，用于目标检测识别 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注
【多机器人路径规划】基于动态边权膨胀与节点预留历史机制的多智能体无冲突轨迹生成方法（Matlab代码实现）
内容概要：本文提出了一种基于动态边权膨胀与节点预留历史机制的多智能体无冲突轨迹生成方法，旨在解决多机器人路径规划中的碰撞与死锁问题。该方法通过动态调整路径搜索过程中图模型的边权重，结合历史节点占用信息进行路径优化，有效提升路径规划的安全性与全局效率。算法在保证各智能体从起始点到目标点可达的同时，避免时空冲突，适用于密集环境下的多机器人协同作业场景，并通过Matlab仿真验证了其有效性与鲁棒性。; 适合人群：具备一定算法基础和机器人路径规划背景，从事自动化、智能控制、移动机器人或人工智能方向研究的研发人员与研究生。; 使用场景及目标：① 解决多机器人系统中的路径冲突与死锁问题；② 实现复杂环境中多智能体的高效、安全轨迹规划；③ 为工业自动化、仓储物流、无人车队等多主体协同系统提供路径规划解决方案； 其他说明：该方法结合了图搜索优化与冲突消解策略，具有较强的工程应用潜力，建议使用者深入理解其动态权重机制与节点预留逻辑，并结合具体应用场景进行参数调优与算法扩展。
无人驾驶车辆MPC模型预测+轨迹跟踪（双移线）Carsim与Matlab联合仿真、附参考资料
内容概要：本文围绕无人驾驶车辆的模型预测控制（MPC）技术展开，重点研究了在双移线工况下，基于Carsim与Matlab/Simulink联合仿真平台实现车辆轨迹跟踪的控制策略。文中系统阐述了基于线性时变MPC的轨迹跟踪算法设计，涵盖车辆动力学建模、参考轨迹生成、预测模型构建、代价函数设计及多类约束处理等关键技术环节，并通过联合仿真验证了控制算法在横向稳定性、轨迹跟踪精度与鲁棒性方面的有效性。同时，研究进一步拓展至神经网络（NN）与自适应神经模糊推理系统（ANFIS）对MPC控制器的优化方法，显著增强了系统在复杂动态工况下的自适应调节能力与控制性能。资源配套提供了完整的仿真代码、模型文件及详实的参考文献，支持算法复现与深入探索。; 适合人群：具备扎实的车辆动力学、自动控制理论基础，熟练掌握Matlab/Simulink与Carsim仿真工具，从事自动驾驶、智能车辆控制、先进控制算法研究的研发工程师及高校研究生。; 使用场景及目标：①深入理解MPC在无人驾驶车辆轨迹跟踪中的核心应用原理与工程实现细节；②掌握Carsim与Matlab/Simulink联合仿真的系统建模、参数配置与联合调试技巧；③复现并优化基于MPC及其智能优化算法的双移线轨迹跟踪控制方案，提升复杂工况下的控制性能； 阅读建议：建议结合所提供的完整仿真代码与模型文件，亲手搭建联合仿真环境，重点剖析MPC控制器的设计逻辑、参数整定（tuning）方法及优化策略的实现机制，并尝试引入其他智能算法以进一步提升系统的自适应能力与鲁棒性。
