大约有 1,800 项符合查询结果（耗时：0.0073秒） [XML]
如何选择机器学习算法 - 大数据 & AI - 清泛网 - 专注C/C++及内核技术
...拥有更低的渐近误差），因为高偏差分类器对于提供准确模型不那么给力。
You can also think of this as a generative model vs. discriminative model distinction.
你也可以把这一点看作生成模型和判别模型的差别。
Advantages of some particular algo...
如何选择机器学习算法 - 大数据 & AI - 清泛网移动版 - 专注C/C++及内核技术
...拥有更低的渐近误差），因为高偏差分类器对于提供准确模型不那么给力。
You can also think of this as a generative model vs. discriminative model distinction.
你也可以把这一点看作生成模型和判别模型的差别。
Advantages of some particular algo...
数据科学组件 · App Inventor 2 中文网
... 异常检测
非可视组件，应用不同异常检测模型的数据科学组件。（要求AI伴侣v2.68及以上）
该组件只需要一个数据源来应用模型。
异常检测模型仅返回异常列表。
需要 二维图表数据 组件来突出显示图表上的异...
MLKitPoseDetector 拓展：离线人体姿势检测（33 个关键点） · App Inventor 2 中文网
...、脚）
的坐标和可信度。
为什么选它：
完全离线。模型随 .aix 打包，设备不需要 Google Play 服务，断网也能用。
33 个关键点带 z 深度和 inFrameLikelihood（该点在画面内的可信度），
可以过滤掉画面外/被遮挡的点。
关键点...
MLKitCodeScanner 拓展：离线条码 / 二维码识别 · App Inventor 2 中文网
...KitCodeScanner 拓展
基于 Google ML Kit 捆绑（离线）模型的条码 / 二维码识别拓展。
两种用法：识别相册或素材里的图片，或者打开摄像头实时扫描。
为什么选它：
完全离线。识别模型随 .aix 一起打包，设备不需要安...
MLKitFaceMesh 拓展：面部网格（468 个关键点） · App Inventor 2 中文网
...定位、美颜、面部特效。
为什么选它：
完全离线。模型随 .aix 打包，设备不需要 Google Play 服务，断网也能用。
不把 468 个点塞进事件。全序列化有几十 KB，而大多数场景只要某几个区域 ——
所以事件只给摘要，要点时按...
面部贴纸 · App Inventor 2 中文网
...教程
1. 了解面部滤镜
Facemesh 是一个公开的面部关键点模型。它接收摄像头中的脸，返回鼻子、额头、嘴巴等部位的坐标；我们把图像精灵的中心放到这些坐标上，就能形成滤镜。
2. 认识 Facemesh 模型
App Inventor 中的 FaceExtensi...
Teachable Machine 图像分类扩展 · App Inventor 2 中文网
...款用于在 App Inventor 中部署 Google Teachable Machine 图像分类模型的扩展，均可利用手机摄像头进行实时图像识别。
两款扩展对比分析
对比项
MIT TeachableMachine（推荐）
TMIC
作者
...
MLKitLanguageId 拓展：离线语言识别 · App Inventor 2 中文网
...哪种语言，支持 100 多种。
为什么选它：
完全离线。模型随 .aix 打包，设备不需要 Google Play 服务，断网也能用。
只有 4.0 MB —— 这是我们整个 ML Kit 拓展家族里最小的一个。
不用先”初始化”。识别器按需创建、复用，...
App Inventor 2 人脸识别App开发 - 第三方API接入的通用方法 · App Inventor 2 中文网
...即可。
当然，也可以采用原生的自行训练本地人脸识别模型的方式去完成这个人脸识别需求，可以参考：《自行训练AI图像识别模型，开发图像识别分类App》。
下面简单对比一下两种方式的优缺点：
对比项
调...