数据medium.com · 收录于
分析交易 CSV 数据，提炼趋势、均值、异常值和季节性，并以要点形式呈现。
完整提示词
"Here’s a CSV of transactions. Summarize key trends, averages, outliers, and seasonality. Present as bullet points."
使用说明
复制全文后,按自己的场景替换占位变量(方括号 / 双花括号包裹的字段)再使用。 部分提示词依赖特定模型或工具(如 GPT / Claude / Copilot),请根据实际情况调整。
反向发现
这个提示词用过的相关论文与工具相关论文
- cs.LG已译
地下水水位异常预测的选择性迁移学习：精度与风险的权衡
2610.37733 - cs.LG已译
LLM 集成的贝叶斯状态空间模型用于多模态时间序列预测
2510.20952 - cs.LG已译
评估贝叶斯深度学习在分布偏移下的鲁棒生物医学时间序列分类：睡眠评分案例研究
2610.35484 - cs.LG已译
LEAP: 用于时间序列异常检测的潜在嵌入异常补丁 Transformer
2610.35190 - cs.LG已译
基于压缩连续小波特征与深度神经网络的单周期电池剩余使用寿命预测
2610.34159 - cs.LG已译
长期 LoRaWAN 网络的数据质量审计与温湿度双变量分析：异常检测、PCA、聚类与机器学习
2610.32438
相关工具
- datanewsOlmoEarth v1.3 发布全球卫星嵌入模型与预计算数据OlmoEarth v1.3 发布，可从一年雷达与多光谱卫星时间序列为地球每个 10m 像素生成 128 维向量，前 64 维也可独立作为较小嵌入使用。团队同时在 Source Cooperative 开放全球预计算嵌入，并推出无需登录的 OlmoEarth Embeddings Explorer，支持跨年份比较、相似地点检索和即时训练小型分类器。查看工具
- datanewsOlmoEarth v1.3 发布全球卫星嵌入模型与预计算数据OlmoEarth v1.3 发布，可从一年雷达与多光谱卫星时间序列为地球每个 10m 像素生成 128 维向量，前 64 维也可独立作为较小嵌入使用。团队同时在 Source Cooperative 开放全球预计算嵌入，并推出无需登录的 OlmoEarth Embeddings Explorer，支持跨年份比较、相似地点检索和即时训练小型分类器。查看工具
- datanewsOlmoEarth v1.3 发布全球卫星嵌入模型与预计算数据OlmoEarth v1.3 发布，可从一年雷达与多光谱卫星时间序列为地球每个 10m 像素生成 128 维向量，前 64 维也可独立作为较小嵌入使用。团队同时在 Source Cooperative 开放全球预计算嵌入，并推出无需登录的 OlmoEarth Embeddings Explorer，支持跨年份比较、相似地点检索和即时训练小型分类器。查看工具
- ai-modelsnewsGoogle 与 NASA 合作利用深度学习从太空绘制全球甲烷排放图Google 与 NASA JPL 合作发布了 MAPL-EMIT 深度学习框架，可从 EMIT 卫星高光谱图像中自动检测、量化并定位甲烷排放源。该模型在专家标注的 plumes 上达到 84% 召回率，比现有方法多检测约 50% 的可信 plumes，并在全球 25 个最大排放填埋场中的 24 个成功绘制了羽流。查看工具