AI教程

工业 AI 融合不同采样流时，按设备和真正可用时间连接历史读数，再检查观测新鲜度，保留未匹配与被拒绝的原因。

用可手算的数值样本生成直方图和经验累计分布，分别核对区间频数、零值比例与阈值累计占比，并保留缺失分母。

用 pandas melt 将 AI 样本的指标列转为长表，保留编号、指标名、单位和空值，检查行数并用 pivot 回转核对原值。

用 Streamlit 把 AI 样本做成本地复核看板，按状态查看数量、样本编号和输入内容，并下载与当前筛选一致的 CSV。

用 pandas 生成缺失标记，再用 Seaborn 画按样本编号排列的热力图，核对每列缺失数、共缺字段和对应原行。

按 AI 数据分析结果的交付方式比较 Matplotlib 与 Plotly，用同一组样本数量生成静态 PNG 和交互 HTML，并核对数值、依赖与分享限制。

用编号来源约束 DeepSeek 生成词条、范围、同义称呼及原文依据。提供 API 路径和本地 CSV 校验，拦截重复别名与无依据引文，保留人工语义确认后再维护正式词库。

先固定错字和无错句的人工标准答案，再按句级统计改对、原样漏改、改动未达标准与无错句改动。可运行脚本导出六条演示报告，真实测评时替换为工具输出并保留版本。

以耳机音质、佩戴与客服评价为例，解释整句极性与方面情感的粒度差别。提供对象、方面、原文、态度和待复核字段，说明怎样避免关联错对象及混淆统计分母。

用查询与取消订单的教学例子，区分智能体识别的用户意图、实体参数、候选动作和执行结果。附六列任务表及模糊、复合请求的检查方法。