机器学习模型第8页

如何区分model.predict() 和 model.predict_proba()？

最近在做关于机器学习和深度学习实验的时候，直接将机器学习模型套了深度学习中，但出现了报错，下面我们来解释一下。

XF鸭·2023-12-02 21:47

几种攻击方式

对抗攻击Adversarialevasion（对抗性逃避）是指针对机器学习模型的一种攻击方式，旨在通过对输入数据进行微小但精心设计的修改，使模型产生错误的输出。

Zqchang·2023-12-02 20:30

美团智能搜索推荐模型预估框架的建设与实践

美团很早就开始探索不同的机器学习模型在搜索场景下的应用，从最开始的线性模型、树模型，再到近两年的深度神经网络、BERT、DQN等，并在实践中也取得了良好的效果与产出。

智能推荐系统·2023-12-02 19:00

颠覆与创新：算法备案的双重挑战

算法备案找迅飒算法备案一、挑战一：算法的不可见性许多算法是由机器学习模型驱动的

迅飒算法备案·2023-12-02 17:03

SHAP（一）：具有 Shapley 值的可解释 AI 简介

SHAP（一）：具有Shapley值的可解释AI简介这是用Shapley值解释机器学习模型的介绍。沙普利值是合作博弈论中广泛使用的方法，具有理想的特性。

rgb2gray·2023-12-02 11:40

SHAP（三）：在解释预测模型以寻求因果见解时要小心

当与SHAP等可解释性工具配合使用时，XGBoost等预测机器学习模型会变得更加强大。这些工具确定输入特征和预测结果之间信息最丰富的关系

rgb2gray·2023-12-02 11:32

文档理解的新时代：LayOutLM模型的全方位解读

一、引言在现代文档处理和信息提取领域，机器学习模型的作用日益凸显。特别是在自然语言处理（NLP）技术快速发展的背景下，如何让机器更加精准地理解和处理复杂文档成为了一个挑战。

合合技术团队·2023-12-02 07:50

使用网格搜索和嵌套交叉验证寻找机器学习模型的最优参数（Python）

使用网格搜索和嵌套交叉验证寻找机器学习模型的最优参数（Python）机器学习中的模型参数选择对于模型的性能至关重要。通过调整模型的参数，我们可以优化模型的准确性和泛化能力。

PixelEnigma·2023-12-01 22:46

数学公式KaTex识别神器，LaTex-OCR

使用KaTex格式来书写数学公式是个痛苦的事情，有时候看到某个数学公式想记录下来，为了省事不得不截图，但这很不专业，今天发现一个可以智能识别公式的程序，它使用机器学习模型来识别图像，并转化成KaTex代码

raoxiaoya·2023-12-01 22:33

Tensorflow.js 3. 构建图像分类器

3.1使用预训练模型我们将要构建的第一个项目是一个快速游戏，系统会提示您找到周围的特定物体，使用设备的相机拍摄它们的照片，然后检查机器学习模型是否识别它们。

启辰·2023-11-30 23:47

常见的AI安全风险（数据投毒、后门攻击、对抗样本攻击、模型窃取攻击等）

AdversarialExamples）模型窃取攻击（ModelExtractionAttacks）参考资料数据投毒（DataPoisoning）数据投毒是一种通过在训练数据中植入恶意样本或修改数据以欺骗机器学习模型的方法

ADSecT吴中生·2023-11-30 09:14

GraphCast：基于机器学习的全球中期天气预测模型

文章信息文章题为”GraphCast:Learningskillfulmedium-rangeglobalweatherforecasting”，该文章于2023年发表至Science，文章内容主要关于利用机器学习模型

当交通遇上机器学习·2023-11-30 09:23

【神经网络】AlexNet

来源2012年在全球知名的图像识别竞赛ILSVRC中，AlexNet横空出世，直接将错误率降低了近10个百分点，这是之前所有机器学习模型无法做到的。

Bosenya12·2023-11-30 09:35

【论文学习】机器学习模型安全与隐私研究综述

机器学习在数据层、模型层以及应用层面临的安全和隐私威胁，呈现出多样性、隐蔽性和动态演化的特点。应用领域：计算机视觉、自然语言处理、语音识别等应用场景：自动驾驶、人脸识别、智慧医疗等Keywords:machinelearning;poisoningattack;adversarialexample;modelprivacy;artificialintelligencesecurity引言机器学习模

Bosenya12·2023-11-30 09:05

优化机器学习：解析数据归一化的重要性与应用

通常，机器学习模型对输入数据的尺度和分布敏感。如果不同特征的尺度相差较大，可能会导致某些特征对模型的影响比其他特征更显著，从而影响模型的性能。数据归一化有助于解决这一问题，常见的归一化方法包括：M

星宇星静·2023-11-30 09:35

Python简单线性回归算法实现及应用示例

它是机器学习爱好者了解的最基本的机器学习模型之一。在线性回归中，我们假设两个变量，即因变量和自变量是线性相关的。

亚图跨际·2023-11-30 07:41

机器学习与 S3 相集成：释放数据的力量

然而，机器学习模型的成功在很大程度上依赖于高质量数据的可用性和可访问性。亚马逊云科技开发者社区为开发者们提供全球的开发技术资源。这里有技术文档、开发案例、技术专栏、培训视频、活动与竞赛等。

亚马逊云开发者·2023-11-30 07:50

TensorFlow 的基本概念和使用场景。

它可以用来创建各种类型的机器学习模型，如神经网络、决策树、随机森林等，以进行分类、回归、聚类、降维等任务。TensorFlow的核心概念是张量（Tensor）和计算图（Graph）。

昭阳926·2023-11-30 06:54

一维卷积网络用于HAR（hunman activity recognition）

解决这个问题的传统方法需要手工制作特征，这些特征来自于基于固定大小的窗口和训练机器学习模型的时间序列数据，例如集成决策树。而难点在于，这种特征工程需要在该领域拥有深厚的专

阿委困的不能行·2023-11-28 21:28

2019 top 10 自动化测试工具

使用独有的机器学习模型，mabl自动识别和快速暴露app的问题，这样你可以快速修复bug--强壮的test

小眼睛的露鹿·2023-11-28 14:56

对抗攻击经典论文——FGSM学习笔记 EXPLAINING AND HARNESSING ADVERSARIAL EXAMPLES

论文下载：ExplainingandHarnessingAdversarialExamples1摘要几种机器学习模型，包括神经网络，一致地将对抗样本误分类——通过对数据集样本添加细微而刻意的扰动形成的输入

亦清尘·2023-11-27 19:44

FGSM攻击机器学习模型

FGSM技术对抗攻击技术，因为网络的深层，很少的改变就有可能改变网络中激活函数的方向，进而直接大量改变输出。因此，从模型中得到特殊的输入X就能让模型产生严重的误判，这种就是神经网络攻击技术。我们希望得到和原输入类似的输入，但是与此同时尽可能让输出发生尽可能大的改变。这个优化问题写成把训练时的lossfunction加负号，再加正则项的无约束优化。迭代就可以得到X写成算法就是FastGradient

Hαlcyon·2023-11-27 19:03

收藏！35句提示词，数据科学的灵感源泉

从机器学习模型到代码优化，这些提示将挑战并激发你的灵感。构建机器学习模型1、训练分类模型提示词：我希望你能充当一名数据科学家，为我编写代码。我有一个包含[描述数据集]的数据集。

Python中文社区·2023-11-27 06:56

ML笔记（3）线性回归的正则化

我们在构造机器学习模型时，最终目的是让模型在面对新数据的时候，可以有很好的表现（即增加模型的泛化能力）。当你用比较

孚瓜·2023-11-26 22:08

CVPR 2023 精选论文学习笔记：Continual Semantic Segmentation with Automatic Memory Sample Selection

持续学习是指机器学习模型在不忘记以前学过的知识的情况下学习新任务的能力。持续学习有三种主要方法：复习式方法：这些方法定期回顾和重新训练模型在以前学过的数据的子集上。这有助于防止模型忘记旧知识。

结构化文摘·2023-11-26 19:03

使用Python进行特征选择

选择特征的目的是通过减少数据的维度，同时保留最具信息性和相关性的特征，来提高机器学习模型的性能。什么是特征选择？

python收藏家·2023-11-26 18:47

在FastAPI中使用机器学习模型进行数据预测

结合机器学习模型，我们可以使用FastAPI来创建一个可以进行数据预测的API。本文将详细介绍如何在FastAPI中使用机器学习模型进行数据预测，并附上相应的源代码。

BitSlinger·2023-11-26 10:17

使用MATLAB搭建深度神经网络（DNN）

使用MATLAB搭建深度神经网络（DNN）深度神经网络（DeepNeuralNetwork，DNN）是一种强大的机器学习模型，常用于解决图像识别、自然语言处理、语音识别等任务。

代码探险狂人·2023-11-26 01:48

什么是OpenAI？

OpenAI是一家专注于人工智能的公司，专注于开发能够模拟人类行为和思维的机器学习模型，如GPT-3系列的大语言模型。这些模型能够理解和制定计划，获取外部知识和使用工具，并能够独立完成复杂任务。

向上的车轮·2023-11-25 18:23

chatGPT4机器学习数据后最终保留在机器里的是什么？机器是怎么产生智能的？ TensorFlow没有直接开发出类似GPT-4这样的模型

机器学习数据后最终保留在机器里的是机器学习模型。机器学习模型是机器学习系统中的核心，它是机器学习系统能够进行推理和预测的基础。机器学习模型通常由参数组成。参数是机器学习模型的权重和偏差。

小黄人软件·2023-11-25 13:12

SHAP - 机器学习模型可解释性工具

github地址：shap/docs/index.rstatmaster·shap/shap(github.com)SHAP使用文档：欢迎使用SHAP文档—SHAP最新文档SHAP介绍SHAP（SHapleyAdditiveexPlanations）是一种用于解释预测结果的方法，它基于Shapley值理论，通过将预测结果分解为每个特征的影响，为模型提供全局和局部的可解释性。SHAP的核心思想是将特

伪_装·2023-11-25 12:34

2023年微软开源八个人工智能项目

微软全年发布了不少人工智能和机器学习模型、项目和库，为开源尽了自己的一份力量。以下为诸君呈现值得关注的8个项目。1、OrcaandOrca2微软发布了Orca2。这是一

虚无火星车·2023-11-25 09:14

flink和机器学习模型的常用组合方式

背景flink是一个低延迟高吞吐的系统，每秒处理的数据量高达数百万，而机器模型一般比较笨重，虽然功能强大，但是qps一般都比较低，日常工作中，我们一般是如何把flink和机器学习模型组合起来一起使用呢?

lixia0417mul2·2023-11-24 11:05

数据挖掘 K近邻

交叉验证是一种常用的模型评估技术，用于评估机器学习模型的性能和泛化能力。在机器学习中，我们通常希望评估训练好的模型对未见过数据的表现情况，以确保模型可以泛化到

亖嘁·2023-11-24 05:54

Sklearn实践——利用Scikit-learn进行机器学习模型构建和评估

本文将介绍Sklearn的基本用法和核心功能，通过实例演示如何使用Sklearn进行机器学习模型构建和评估。

非著名程序员阿强·2023-11-23 17:55

Python数据清洗和预处理入门完整指南！

文章来源：数据STUDIO凡事预则立，不预则废，训练机器学习模型也是如此。数据清洗和预处理是模型训练之前的必要过程，否则模型可能就「废」了。

Sim1480·2023-11-23 01:49

一文掌握常用的机器学习模型（免费课程+送书福利）

导读：人工智能和大数据时代，解决最有挑战性问题的主流方案是分布式机器学习。近几年，机器学习在许多领域取得了前所未有的成功，由此也彻底改变了人工智能的发展方向，引发了大数据时代的到来。其中最富有挑战性的问题是由分布式机器学习解决的。所以，要了解机器学习究竟能够带来什么样前所未有的新机遇、新突破，就必须了解分布式机器学习。本文节选自微软亚洲研究院机器学习研究团队刘铁岩、陈薇、王太峰、高飞合著的《分布式

大数据v·2023-11-23 01:38

监督学习与k近邻算法

这些输入/输出对构成了训练集，我们利用它来构建机器学习模型。我们的目标是对从未见过的新数据做出准确预测。

编程回忆录·2023-11-22 20:35

机器学习模型、贝叶斯网络等重点速查...

来源：新智元、Stanford作者：鹏飞斯坦福大学的人工智能课程“CS221”，这门铁打的课程从2011年开始已经走过了8个年头，流水的讲师换了一批又一批，送走的毕业生一拨又一拨，至今仍然是人工智能学习的经典课程之一。目前2019年春季课程正在如火如荼的开展中。这门课程是没有教科书的，所有内容都蕴含在讲师的教案以及课后作业中。不过为了方便广大不能亲临现场听讲的同学，课程官方推出了课程笔记Cheat

zenRRan·2023-11-22 14:10

机器学习中的特征选择：方法和 Python 示例

特征选择的重要性怎么强调都不为过，因为它直接影响机器学习模型的质量、效率和可解释性。二、为什么特征选择至关重要改进的模型性能：选择正确的特征可以显着增强机器学习模型的预测能力。

无水先生·2023-11-22 14:50

Pytorch完整的模型训练套路

模型创建步骤创建机器学习模型，可以是深度神经网络、传统机器学习模型或其它模型类型。定义模型架构，包括输入层、隐藏层和输出层的结构

北山啦·2023-11-21 13:17

快速搭建机器学习demo: gradio教程

3.2输入输出组件3.3触发组件3.4布局组件3.5demo4.进阶组件进阶demoTODO参考1.Introgradio是一个能够快速建立机器学习demoweb应用的工具，仅需简单的几行代码就能构建机器学习模型的可视化交互

orangerfun·2023-11-20 20:06

Python 机器学习模型交互库 gradio

易于与经过训练的机器学习模型交互的python库此包Python名称：gradio目前版本：gradio0.8.1最后维护时间：Jul23,2019摘要：Pythonlibraryforeasilyinteractingwithtrainedmachinelearningmodels

ificandream·2023-11-20 20:06

文章解读与仿真程序复现思路中国电机工程学报EI\CSCD\北大核心《基于改进生成对抗网络与碳足迹的配电网多目标双层规划》

生成对抗网络是一种机器学习模型，由生成器和判别器组成，它们通过对抗性训练来生成以假乌有的数据，并判别这些数据与真实数据的区别。在这个背景下，文章可能探讨了如何使用改进的GAN来解决特定问题。

电网论文源程序·2023-11-20 18:33

使用Python进行数据重采样

数据重采样主要用于解决类不平衡等问题，其中一个类的样本明显少于另一个类，或者为训练机器学习模型准备数据。以下是数据重采样的一些方法：类不平衡校正：它有助于纠正分类任务中的类不平衡问题。

python收藏家·2023-11-20 17:44

机器学习模型开发必读：开源数据库最全盘点

机器学习模型开发必读：开源数据库最全盘点开发AI和机器学习系统从来没有像现在这样方便。类似于TensorFlow、Torch和Spark这样的开源工具，在AI开发者群体中已是无处不在。

isuccess88·2023-11-20 07:57

深度解析 InterpretML：打开机器学习模型的黑箱

深度解析InterpretML：打开机器学习模型的黑箱机器学习模型的高性能往往伴随着模型的复杂性，这使得模型的决策过程变得不透明，难以理解。在这个背景下，可解释性机器学习成为了一个备受关注的领域。

Vous oublie@·2023-11-20 00:18

解读可解释性机器学习：理解解释性基准模型（EBM）

解读可解释性机器学习：理解解释性基准模型（EBM）近年来，随着机器学习模型的复杂性不断增加，研究人员和从业者对模型的可解释性提出了更高的要求。

Vous oublie@·2023-11-20 00:11

AI大模型的制作：RAG和向量数据库，分别是什么？

传统的机器学习模型通常有限的参数量，而AI大模型则通过增加参数量和层数来提升模型的表达能力和性能。这种模型通常使用深度神经网络来构建，包括卷积神经网络（CNN）和循环神经网络（RNN）等。

杨荧·2023-11-19 23:55

推荐频道

机器学习模型