湖南师大翟绍军Appinventor移动应用开发课程作业。12个作业分别是：你好猫猫加强版、求最大数、求斐波那契数、求水仙花数、数据排序、素数、调色板、几何图形生成器、课程表、API调用、人工智能应用。 每个作业的aia和word说明文档。欢迎大家下载学习。

在当今的软件开发领域，企业应用集成(EAI)是实现不同系统间通信和数据共享的关键技术之一。传统的集成方法往往复杂且耗时，而基于Spring框架的集成方式则因其轻量级和开发效率高而受到许多开发者的青睐。Spring框架作为一个开源的Java平台，它提供了一系列功能，可以大大简化企业级应用的开发。 随着人工智能技术的发展，将AI技术与Spring框架相结合，形成所谓的SpringAI，为开发人员提供了一种新思路。SpringAI利用Spring框架的灵活性和扩展性，结合人工智能技术，从而创建出智能化的业务系统。其中，RAG系统作为SpringAI的一部分，它代表的是一个响应式和适应性强的系统架构，它能够在不断变化的环境中自我调节和优化。 SpringAI的RAG系统不仅仅是一个简单的应用集成解决方案，它通过响应式编程模型和AI算法，实现了对数据流的实时处理和智能决策支持。这使得它在与各种基于Spring体系的业务系统集成时，能够提供更加灵活和高效的服务。例如，在一个电子商务平台中，RAG系统可以实时分析用户的购物行为，预测用户需求，并调整推荐系统，从而提升用户体验和销售效率。 RAG系统的无缝集成能力，来源于它对Spring核心特性的利用，比如依赖注入、面向切面编程(AOP)和声明式事务管理等。这些特性使得RAG系统能够轻松地与现有的业务系统连接，并且提供一致的编程模型和开发体验。此外，RAG系统的集成不局限于传统的服务间通信，它还包括数据集成、消息传递、事件驱动架构等多个方面，从而为构建复杂的系统集成提供了全方位的解决方案。 在标签方面，“人工智能”和“deepseek”这两个词汇暗示了RAG系统在实现智能化服务时，可能采用了深度学习等先进的机器学习技术。深度学习是人工智能研究领域的一个热点，它通过构建多层的神经网络模型，能够从大数据中学习复杂的模式和关系。RAG系统可能利用深度学习进行自然语言处理、图像识别、预测分析等任务，以此来提高系统的智能化水平和业务价值。 基于SpringAI的RAG系统展现了将传统的Spring框架优势与现代AI技术相结合的潜力，为开发人员提供了一种全新的、智能化的企业应用集成方式。通过RAG系统，企业可以在保证业务连续性和系统稳定性的同时，快速适应市场变化和业务需求的演进。

基于spring-ai框架实现的RAG增强检索，及ai对话demo后端服务源码。 Demo中演示了，根据本地客户宠物的洗澡剪毛记录，和剪毛和洗澡间隔规则，询问ai,哪些宠物应该剪毛或洗澡了。 运行前准备工作： 1.Java运行环境：openjdk22 2.安装ollama 3.pull大模型nomic-embed-text，wangshenzhi/llama3-8b-chinese-chat-ollama-q4 详细运行步骤，请参考以下文章：https://blog.csdn.net/weixin_42545951/article/details/140129688

在大数据处理领域，Hadoop是一个不可或缺的开源框架，它为海量数据提供了分布式存储和计算的能力。本项目"基于Hadoop平台使用MapReduce统计某银行信用卡违约用户数量"旨在利用Hadoop的MapReduce组件来分析银行信用卡用户的违约情况，这对于银行的风险控制和信用评估具有重要意义。 MapReduce是Hadoop的核心组成部分之一，它将大规模数据处理任务分解为两个主要阶段：Map阶段和Reduce阶段。在本案例中，Map阶段的任务是对输入数据进行预处理，将原始数据转化为键值对的形式，如（用户ID，违约状态）。Reduce阶段则负责聚合这些键值对，计算出每个键（即用户ID）对应的违约用户数量，最终得到银行的违约用户总数。 为了实现这个任务，我们需要完成以下几个步骤： 1. 数据准备：我们需要获取银行信用卡用户的交易记录数据，这些数据通常包含用户ID、交易日期、交易金额等信息。数据可能以CSV或JSON等格式存储，需要预先进行清洗和格式化，以便于MapReduce处理。 2. 编写Mapper：Mapper是MapReduce中的第一个阶段，它接收输入数据，进行必要的转换。在这个案例中，Mapper会读取每一条用户交易记录，如果发现有违约行为（例如，连续多次未按时还款），就将用户ID与1作为键值对输出。 3. 编写Reducer：Reducer接收Mapper输出的键值对，并对相同键的值进行求和，从而得到每个用户违约次数。Reducer还需要汇总所有用户的违约总数，作为最终结果。 4. 配置和运行：配置Hadoop集群，设置输入数据路径、输出数据路径以及MapReduce作业的相关参数。然后提交作业到Hadoop集群进行执行。 5. 结果分析：MapReduce完成后，我们会得到一个输出文件，其中包含银行的总违约用户数量。可以进一步分析这些数据，例如，找出违约率较高的用户群体特征，为银行的风控策略提供依据。 在"BankDefaulter_MapReduce-master"这个项目中，可能包含了实现上述功能的源代码、配置文件以及相关的文档。开发者可以通过阅读源码了解具体的实现细节，同时也可以通过运行项目在本地或Hadoop集群上验证其功能。 这个项目展示了如何利用Hadoop MapReduce处理大规模数据，进行信用卡违约用户的统计分析，这在实际的金融业务中具有很高的应用价值。同时，它也体现了大数据处理中分布式计算的优势，能够快速处理海量数据，提高数据分析的效率。对于学习和理解Hadoop以及MapReduce的工作原理，这是一个很好的实践案例。

在当今快速发展的科技时代，人工智能作为前沿领域，不仅是科技创新的重要驱动力，也是众多高校专业课程的核心内容。湖南科技大学作为国内知名的高等学府，其开设的人工智能导论课程旨在培养学生的专业知识和实践能力。为了帮助学生更好地复习应考，老师们精心准备了《2023湖南科技大学人工智能导论复习提纲》，这份提纲无疑成为学生复习过程中的重要参考。 提纲第一章节开宗明义，概述了人工智能的基本定义和历史演变。这里不仅阐述了智能与人工智能的区分，还细致地梳理了人工智能从孕育到成长的各个阶段。其中，提纲特别关注了中国人工智能的发展历程，从早期的探索到如今作为国家战略的稳步发展。此外，不同的认知观，例如符号主义、连接主义和行为主义，这些理论观点的介绍帮助学生从多角度理解人工智能的丰富内涵。 知识表示是人工智能研究中的重要分支，也是理解复杂系统的基础。提纲的第二章节深入浅出地讲解了知识的概念化、形式化和模型化过程。它不仅介绍了状态空间表示法，还结合了如路线规划等案例，让学生通过实例理解抽象概念。问题归约表示、谓词逻辑表示和语义网络表示等方法亦被详细讲解，这些工具是构建和解决复杂问题时不可或缺的。 第三章则关注于求解策略，这是人工智能应用中的实践环节。提纲对各种搜索策略，包括无信息搜索和启发式搜索等进行了介绍。特别是宽度优先搜索、深度优先搜索和等代价搜索等经典搜索方法的讲解，以及A*算法等先进算法的应用案例，使学生能够在面对实际问题时，合理选择和应用算法。提纲同样没有忽略逻辑推理在人工智能中的基础地位，通过介绍消解原理、归结原理以及正向和逆向推理，加深学生对逻辑推理过程的理解。 整体而言，这份复习提纲为湖南科技大学人工智能导论课程的学生提供了一个全面的学习框架，涵盖了从理论知识到实践应用的各个方面。它不仅让学生掌握了人工智能的基础理论，更重要的是，通过案例分析和策略应用，提升了学生的实践能力和问题解决能力。为了在考试中取得好成绩，学生们需要将这些理论知识与实践技能结合起来，灵活运用，从而在考试中展示出他们的学习成果。 通过这份复习提纲的指导，湖南科技大学的学生们可以更系统地掌握人工智能的知识体系，为将来的学习和研究打下坚实的基础。老师们的精心准备和梳理，使得学生们能够更有信心地面对考试，也使他们在未来的人工智能领域中能够更好地发挥自己的才能。

在当前全球能源结构转型和环保压力日益增大的背景下，新能源汽车作为替代传统燃油车的重要选择，正成为各国汽车产业发展的热点。新能源汽车的销量数据不仅反映了市场需求的变化，也对于政策制定、行业投资、技术研发等具有重要的指导作用。本系列文件聚焦于使用Python语言对新能源汽车销量数据进行分析，旨在通过对销量数据的深入挖掘和可视化展示，为相关人士提供数据支持和决策参考。 Python语言因其简洁易学和强大的数据处理能力，在数据分析领域广泛应用，尤其是在人工智能和机器学习的快速发展中扮演了重要角色。本系列文件中所包含的Python源码，充分利用了Python在数据处理、分析和可视化方面的库，如NumPy、Pandas、Matplotlib、Seaborn等，进行数据清洗、处理、分析和结果展示。这些库不仅功能强大，而且在数据科学社区中得到了广泛认可和使用。 在新能源汽车销量数据分析中，可能涉及的关键点包括但不限于：销量随时间变化的趋势分析、不同品牌或车型之间的销量对比、地区销量分布、影响销量的因素分析（如政策、技术、经济等）、销量预测等。通过这些分析，可以为汽车制造商、销售商、政府机构等提供有关市场动态和潜在商机的深刻洞察。 除了销量数据本身，还可能需要考虑相关环境数据（如充电设施分布）、政策数据（如补贴政策、限行政策）、技术数据（如电池技术发展）等多种维度的数据，以更全面地理解和预测新能源汽车市场的未来走向。这要求分析师具备跨学科的知识背景，能够将数据分析技能与其他领域知识相结合。 随着数据分析技术的发展和应用范围的扩大，数据分析已经从传统的统计分析、数据挖掘，发展到现在的机器学习、深度学习。数据分析的自动化也在逐步实现，Web自动化技术可以帮助分析师从互联网上自动化地抓取数据，进一步提高了数据分析的效率和实时性。 本系列文件通过展示如何利用Python进行新能源汽车销量数据分析，不仅揭示了新能源汽车市场的现状和趋势，而且也反映了数据分析在现代产业发展中的重要性。这些知识点对于理解数据分析在实践中的应用，以及如何将数据分析与人工智能技术相结合，具有重要的参考价值。

教学材料，pdf及ppt，电子课件，习题及解答，教学进度表，教学大纲

LangChain技术是一种基于大语言模型开发AI应用的框架，提供了丰富的工具和生态，使得AI应用的开发变得更加高效。本书《LangChain技术解密：构建大模型应用的全景指南》由王浩帆编著，全面介绍了LangChain的开发环境搭建、模型、提示、数据连接、链、记忆、代理、回调及周边生态等核心内容。 书中特别强调了模型的输入与输出（Model I/O）、检索增强生成（RAG）技术、代理（Agent）技术等关键知识点。并且，为了使读者能够更好地理解和运用LangChain技术，作者还设计了三个实践案例：基于Streamlit实现聊天机器人、基于Chainlit实现PDF问答机器人以及零代码AI应用构建平台Flowise。这些案例可以帮助读者将理论知识应用于实践，从而提升解决实际问题的能力。 本书不仅适用于刚入门的AI技术从业者、产品经理、计算机相关专业的学生，还包括AI爱好者和自学者。它旨在帮助读者提升技术素养，深入理解LangChain技术的原理，并通过详尽的开发指南和基础知识讲解，使读者不仅能理解技术的表象，更能洞察其背后的深层逻辑。 本书分为10个章节，涵盖了从LangChain的基础知识到应用开发的完整流程。其中，第1章介绍了大语言模型的发展趋势以及LangChain的全面解读；第2章则详细讲解了进行LangChain开发前的准备工作，如安装库、获取API Key等；第3章和第4章分别对模型的输入输出进行了深入分析；而第5到第7章则着重讲解了LangChain的核心技术点。整本书的结构旨在引导读者逐步深入，由浅入深地掌握LangChain技术。 另外，本书内容包括了对大语言模型技术的全面介绍，强调了其在各种应用场景中的重要作用，例如在AI绘图领域的Stable Diffusion与Midjourney等。这些技术正迅速成为技术发展和应用的焦点，而LangChain作为基于大语言模型的框架，为AI应用开发提供了新的可能。 本书是AI编程领域的一份宝贵资料，不仅为读者提供了丰富的知识，也为AI应用开发提供了一套完整的方法论。通过学习和实践本书内容，读者将能够更好地理解并运用LangChain技术，进而在AI行业的浪潮中乘风破浪。

在当今数据驱动的商业环境中，了解公司失败的原因至关重要。这份“Python源码-数据分析-被淘汰的6271家公司的特点分析.zip”文件提供了一个深入的视角，通过运用Python编程语言结合人工智能和数据分析技术，对过去一段时间内被淘汰的6271家公司进行了系统的分析。本分析不仅有助于投资者和企业主避免相似的命运，也有助于政策制定者了解市场动态，为促进更加健康的商业环境提供依据。 文件的主体内容很可能涉及了对这些公司进行多维度的数据挖掘，包括但不限于公司的财务状况、市场定位、产品服务、管理团队、创新能力和外部环境等。这些数据通过Python编程语言处理，运用诸如NumPy、Pandas等数据分析库进行数据清洗、整合和探索性数据分析。进一步地，可能使用了机器学习库如scikit-learn、TensorFlow或PyTorch来进行更高级的数据分析，包括特征提取、模式识别和预测模型构建。 这些被淘汰的公司的特点可能通过聚类分析、分类分析等方式进行归纳和总结。例如，聚类分析可能揭示了不同失败模式的公司群体，而分类分析可能帮助识别导致公司倒闭的共同因素，比如过度依赖单一市场、高杠杆率、缺乏有效的财务管理和风险控制体系、创新能力不足、管理团队决策失误等。 在人工智能领域，自然语言处理（NLP）技术可能也被应用于分析公司的年报、新闻报道以及社交媒体上的言论，以了解公众对这些公司的看法和评价，以及这些观点是否影响了公司的声誉和市场表现。 Web自动化技术可能被用来搜集网络上的相关信息，包括行业报告、市场研究以及竞争对手分析等，为深入理解被淘汰公司的业务环境提供了数据支持。通过对这些数据的分析，可以帮助企业识别出行业趋势和潜在的市场机会，同时避免陷入相同的困境。 整体而言，这份分析报告对于任何希望了解企业失败教训的人来说，都是一份宝贵的资料。它不仅揭示了失败公司的特点，而且提供了具体的数据支持，可以为企业制定战略提供参考。对投资者而言，这份报告有助于评估投资风险；对政策制定者而言，有助于理解市场动态并制定相应政策；对学术界而言，提供了丰富的研究素材和案例研究。 这份文件的分析过程及其结果，不仅展示了一种通过现代技术手段进行企业失败原因分析的案例，也凸显了数据科学在商业决策中的重要性。通过深入挖掘和分析被淘汰公司的特点，这份文件不仅有助于相关利益方做出更加明智的决策，也为未来的商业实践和学术研究提供了重要的参考价值。

内容概要：本文档详细介绍了DeepSeek从零开始的本地部署流程，涵盖环境准备、硬件要求、Ollama框架安装、DeepSeek模型部署、Web可视化配置以及数据投喂与模型训练六个方面。硬件配置方面，根据不同的模型参数，提供了基础、进阶和专业三种配置建议。软件依赖包括特定版本的操作系统、Python和Git。Ollama框架的安装步骤详尽，包括Windows系统的具体操作和验证方法。模型部署部分，针对不同显存大小推荐了合适的模型版本，并给出命令行部署指令。Web可视化配置既可以通过简单的Page Assist插件实现，也可以采用Open-WebUI进行高级部署。最后，文档还讲解了数据投喂与模型训练的方法，提供了模型管理命令和常见问题解决方案。 适合人群：对深度学习模型本地部署感兴趣的开发者，尤其是有一定Linux命令行基础、对深度学习框架有一定了解的技术人员。 使用场景及目标：①希望在本地环境中搭建DeepSeek模型并进行交互测试的研发人员；②需要将DeepSeek模型应用于特定业务场景，如文本处理、数据分析等领域的工程师；③希望通过Web可视化界面更直观地操作和监控模型运行状态的用户； 阅读建议：由于涉及到较多的命令行操作和环境配置，建议读者在阅读时准备好实验环境，边学边练，同时参考提供的命令和配置示例进行实际操作，遇到问题可以查阅文档中的常见问题解答部分。