机器学习深度学习算法第15页

见世面的成本有多低？这几个技术公众号告诉你答案

人工智能爱好者社区专注人工智能、机器学习、数据科学等顶尖技术前沿科技成果研究、实战技巧。每周会有书豪采访记系列采访技术大佬文章和原创漫画文章，立即关注，掌握人工智能最新资讯与成果。

傅一平·2024-02-19 16:19

《深度学习》阅读笔记

L2范数即机器学习中常用的MSE，但在原点处增长太缓慢。当0和非0元素间的差异非常重要时，使用L1范数。衡量矩阵的大小：frobenius范数2.6特征分解由矩阵的特征值定义可以推得正定：所

林子闲_5f12·2024-02-19 16:48

深度神经网络中的BNN和DNN：基于存内计算的原理、实现与能量效率

引言深度神经网络（DNN）在机器学习领域越来越受欢迎，其在一系列任务中展现出最先进的性能。为了达到最佳结果，通常需要大量的训练数据和大型模型，从而使得训练和推理过程变得复杂。

·2024-02-19 16:10

深度学习的魅力：探索人工智能的未来之路

深度学习是机器学习的一个分支，它模拟人脑的神经网络结构，通过大量的数据进行训练，从而使机器能够学到复杂的

洞深视界·2024-02-19 16:46

Amazon Web Services -- 全球云计算领导者

AmazonWebServices--全球云计算领导者AmazonWebServices--全球云计算领导者、云基础设施与平台服务（Iaas&PaaS）领导者；计算、存储和数据库等基础设施技术，到机器学习

·2024-02-19 16:06

如何探索和可视化用于图像中物体检测的 ML 数据

近年来，人们越来越认识到深入理解机器学习数据（ML-data）的必要性。

虚无火星车·2024-02-19 16:11

机器学习概念读书笔记

1-机器学习起源机器学习始于1950年代，塞缪尔用跳棋游戏研究机器学习，最终程序打败了他自己，后来更是战胜了美国跳棋全国冠军。

人工智娘·2024-02-19 15:47

机器学习第二十五周周报 ConvLSTM

文章目录week25ConvLSTM摘要Abstract一、李宏毅机器学习二、文献阅读1.题目2.abstract3.网络架构3.1降水预报问题的建模3.2ConvolutionalLSTM3.3编码-

沽漓酒江·2024-02-19 15:51

机器学习---规则学习（序贯覆盖、单条规则学习、剪枝优化）

1.序贯覆盖回归：分类：聚类：逻辑规则：读作：若（文字1且文字2且...），则目标概念成立规则集：充分性与必要性；冲突消解：顺序规则、缺省规则、元规则eg：命题逻辑→命题规则原子命题：,,,…A,B,C,…；逻辑连词：↔,→,←,⋀,⋁,¬…↔,→,←,⋀,⋁,¬…一阶逻辑→一阶规则常量：,,,…,1,2,3,…；变量：,,,…A,B,C,…（n元）谓词/函数：p/n,f/n；项：常量|变量|函数

三月七꧁ ꧂·2024-02-19 15:21

神经网络算法 —— Embedding（嵌入）！！

文章目录前言1、Embedding的本质（1）机器学习中的Embedding（2）NLP中的Embedding2、Embedding的原理（1）ImageEmbedding（图像嵌入）（2）WordEmbedding

JOYCE_Leo16·2024-02-19 15:15

【大厂AI课学习笔记】【2.2机器学习开发任务实例】（1）搭建一个机器学习模型

今天学习的是，如何搭建一个机器学习模型。主要有以上的步骤：原始数据采集特征工程数据预处理特征提取特征转换（构造）预测识别（模型训练和测试）在实际工作中，特征比模型更重要。

giszz·2024-02-19 14:43

【大厂AI课学习笔记】【2.2机器学习开发任务实例】（3）数据准备和数据预处理

项目开始，首先要进行数据准备和数据预处理。数据准备的核心是找到这些数据，观察数据的问题。数据预处理就是去掉脏数据。缺失值的处理，格式转换等。延伸学习：在人工智能（AI）的众多工作流程中，数据准备与预处理占据着举足轻重的地位。这两个步骤不仅影响着模型的训练效率和准确性，更是确保AI系统能够在实际应用中发挥效能的基石。一、数据准备数据准备的核心在于找到合适的数据源，并确保这些数据能够充分反映所要解决的

giszz·2024-02-19 14:43

【吴恩达·机器学习】第二章：单变量线性回归模型（代价函数、梯度下降、学习率、batch）

——《朗读者》0、声明本系列博客文章是博主本人根据吴恩达老师2022年的机器学习课程所学而写，主要包括老师的核心讲义和自己的理解。

Yaoyao2024·2024-02-19 14:41

Pytorch-SGD算法解析

肆十二·2024-02-19 14:10

机器学习第二十八周周报 PINNs2

文章目录week28PINNs2摘要Abstract一、Lipschitz条件二、文献阅读1.题目数据驱动的偏微分方程2.连续时间模型3.离散时间模型4.结论三、CLSTM1.任务要求2.实验结果3.实验代码3.1模型构建3.2训练过程代码小结参考文献week28PINNs2摘要本文主要讨论PINN。本文简要介绍了Lipschitz条件。其次本文展示了题为Physics-informedneura

沽漓酒江·2024-02-19 14:38

OLMo论文里的模型结构的小白解析

模型参数量以7B为例，隐藏层为4086，attentionheads为32训练的token量为2.46T训练策略超参数在我们的硬件上优化训练吞吐量，同时最小化损失峰值和缓慢发散的风险来选择超参数损失峰值：在机器学习中

瓶子好亮·2024-02-19 14:08

Quick introduction to Apache Spark

它还支持一组丰富的更高级别的工具，包括SparkSQL用户SQL和结构化数据处理，MLlib机器学习，GraphX用户图形处理下载从项目网站的下载页面获取Spark。

Liam_ml·2024-02-19 13:29

【解决（几乎）任何机器学习问题】：处理分类变量篇（上篇）

这篇文章相当长，您可以添加至收藏夹，以便在后续有空时候悠闲地阅读。本章因太长所以分为上下篇来上传，请敬请期待很多⼈在处理分类变量时都会遇到很多困难，因此这值得⽤整整⼀章的篇幅来讨论。在本章中，我将讲述不同类型的分类数据，以及如何处理分类变量问题。什么是分类变量？分类变量/特征是指任何特征类型，可分为两⼤类：⽆序，有序⽆序变量是指有两个或两个以上类别的变量，这些类别没有任何相关顺序。例如，如果将性别

X.AI666·2024-02-19 13:01

C语言指针进阶

(char*)1.字符常量2.字符串常量二、指针数组三、数组指针1.数组指针的定义2.数组名vs&数组名3.数组指针的使用总结前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要

空杯心！·2024-02-19 13:00

政安晨：【完全零基础】认知人工智能（一）【超级简单】的【机器学习神经网络】 —— 预测机

开个头很多小伙伴们很想亲近人工智能与机器学习领域，然而这个领域里的核心理论、算法、工具给人感觉都太过“高冷”，让很多小伙伴们望而却步，导致一直无法入门。如何捅破这层窗户纸？

政安晨·2024-02-19 13:26

【大厂AI课学习笔记】【2.1 人工智能项目开发规划与目标】（4）数据准备的流程

数据采集观测数据人工收集调查问卷线上数据库2.数据清洗有缺失的数据有重复的数据有内容错误的数据，例如逻辑错误、格式错误有不需要的数据3.数据标注数据标注即通过分类、画框、标注、注释等，对图片、语音、文本等数据进行处理，标记对象的特征，以作为机器学习标签的过程

giszz·2024-02-19 13:47

政安晨：【完全零基础】认知人工智能（二）【超级简单】的【机器学习神经网络】—— 底层算法

如果小伙伴第一次看到这篇文章，可以先浏览一下我这个系列的上一篇文章：政安晨：【完全零基础】认知人工智能（一）【超级简单】的【机器学习神经网络】——预测机https://blog.csdn.net/snowdenkeke

政安晨·2024-02-19 12:09

探索XGBoost：深度集成与迁移学习

导言深度集成与迁移学习是机器学习领域中的两个重要概念，它们可以帮助提高模型的性能和泛化能力。

Echo_Wish·2024-02-19 12:34

单细胞转录组基础分析六：伪时间分析

Monocle进行伪时间分析的核心技术是一种机器学习算法——反向图形嵌入(ReversedGraphEmbedding)。

Seurat_Satija·2024-02-19 12:25

4张图片就可以微调扩散模型

基础概念1、生成模型和文本到图像的合成生成模型是一类机器学习模型，旨在生成与给定数据集相似的新数据

·2024-02-19 12:29

生成式网络与判别式网络

生成式网络（GenerativeNetworks）和判别式网络（DiscriminativeNetworks）是两类在机器学习和深度学习中常见的网络类型，它们在数据处理和学习任务中扮演不同的角色。

一条小小yu·2024-02-19 12:23

机器学习、深度学习、强化学习、迁移学习的关联与区别

本文主要了解并初步探究机器学习、深度学习、强化学习、迁移学习的关系与区别，通过清晰直观的关系图展现出四种“学习”之间的关系。

半亩花海·2024-02-19 12:43

预训练和微调在迁移学习中的作用

在机器学习和深度学习中，"pre-training"（预训练）和"fine-tuning"（微调）是两个常见且重要的概念，它们通常在迁移学习场景中使用，以提高模型在特定任务上的性能。

一条小小yu·2024-02-19 12:42

Python环境下基于深度判别迁移学习网络的轴承故障诊断

目前很多机器学习和数据挖掘算法都是基于训练数据和测试数据位于同一特征空间、拥有相同数据分布的假设。然而在现实应用中，该假设却未必存在。

哥廷根数学学派·2024-02-19 12:36

3D人体姿态估计（教程+代码）

3D人体姿态估计是指通过计算机视觉技术和深度学习算法，从图像或视频数据中准确地推测出人体的三维姿态信息，包括关节位置、角度和运动轨迹等。

毕设阿力·2024-02-19 12:49

斥资建造全景分割养猪场，AI 养猪，到底靠不靠谱？

近年来，基于深度学习算法的应用案例，取得了令人满意的效果，特别是物体和关键点探测器已经被用来检测单个动物。尽管效果很好，但边界框和稀疏关键点并不能跟踪

不脱发的程序猿·2024-02-19 12:42

Matlab DNN多层感知机进行图像分类——附源码分享

非得用matlab来搞机器学习的东西？不是不是，matlab也有集成了许多机器学习算法，当然，都是一些非常基础的机器学习算法。深度学习还是得向python看齐。

我是狮子搏兔·2024-02-19 11:34

RapidMiner数据挖掘

RapidMiner数据挖掘入门之一：概要1简介RapidMiner原名Yale，它是用于数据挖掘、机器学习、商业预测分析的开源计算环境。

arrow8071·2024-02-19 11:28

线性回归：大体介绍

线性回归是一种常见的统计学和机器学习方法，用于建立一个线性关系模型来预测一个连续型目标变量。它假设自变量和因变量之间存在线性关系，并且通过最小化预测值与实际观测值之间的差异来确定最佳拟合直线。

Galaxy银河·2024-02-19 11:56

虚实技术整合打造“真”智慧城市

物联网不可或缺的组成要素中，广泛布建在人们生活周围的传感器，其所产生的大量信息，已成为人工智能、机器学习的重要基础。

智能交通技术·2024-02-19 11:14

open3d k-means 聚类

k-means聚类一、算法原理1、介绍2、算法步骤二、代码1、机器学习生成`kmeans`聚类2、点云学习生成聚类三、结果1、原点云2、机器学习生成`kmeans`聚类3、点云学习生成聚类四、相关链接一

云杂项·2024-02-19 11:04

Dataframe型数据分析技巧汇总

数据降维的几种方法HF.075|时间序列趋势性分析方法汇总机器学习必须了解的7种交叉验证方法（附代码）这个图！

我叫杨傲天·2024-02-19 11:30

朴素贝叶斯算法

朴素贝叶斯算法一、基本概念二、算法及代码应用朴素贝叶斯NB算法分类算法区别其他机器学习算法：机器学习实战工具安装和使用一、基本概念朴素贝叶斯（NB）是一种基于贝叶斯定理与特征条件独立假设的分类算法。

YuanDaima2048·2024-02-19 10:46

ChatGPT原理以及发展

ChatGPT模型，备受关注，不光是做人工智能、机器学习的人关注，而是大量的各行各业从业人员都来关注这个模型。

菜鸟Cardll·2024-02-19 10:49

【机器学习】机器学习常见算法详解第4篇：KNN算法计算过程（已分享，附代码）

本系列文章md笔记（已分享）主要讨论机器学习算法相关知识。

·2024-02-19 10:29

机器学习中7种常用的线性降维技术总结

上篇文章中我们主要总结了非线性的降维技术，本文我们来总结一下常见的线性降维技术。1、PrincipalComponentAnalysis(PCA)PrincipalComponentAnalysis(PCA)是一种常用的降维技术，用于将高维数据集转换为低维表示，同时保留数据集的主要特征。PCA的目标是通过找到数据中最大方差的方向（主成分），将数据投影到这些方向上，从而实现降维。PCA的主要思想是通

·2024-02-19 10:25

机器学习中的10种非线性降维技术对比总结

降维意味着我们在不丢失太多信息的情况下减少数据集中的特征数量，降维算法属于无监督学习的范畴，用未标记的数据训练算法。尽管降维方法种类繁多，但它们都可以归为两大类:线性和非线性。线性方法将数据从高维空间线性投影到低维空间(因此称为线性投影)。例子包括PCA和LDA。非线性方法提供了一种执行非线性降维(NLDR)的方法。我们经常使用NLDR来发现原始数据的非线性结构。当原始数据不可线性分离时，NLDR

·2024-02-19 10:49

如何安装Pytorch,CPU版本和GPU版本的安装流程。

1.PyTorch简介：PyTorch是一个开源的Python机器学习框架，专注于深度学习任务。

JayGboy·2024-02-19 10:30

【日常聊聊】深度学习进度

个人博客：个人主页个人专栏：日常聊聊⛳️功不唐捐，玉汝于成目录前言正文方向一：深度学习的基本原理和算法方向二：深度学习的应用实例方向三：深度学习的挑战和未来发展方向方向四：深度学习与机器学习的关系方向五

还在路上的秃头·2024-02-19 10:29

21丨朴素贝叶斯分类（下）：如何对文档进行分类？

sklearn机器学习包sklearn的全称叫Scikit-learn，它给我们提供了3个朴素贝叶斯分类算法，分别是高斯朴素贝叶斯（GaussianNB）、多项式朴素贝叶斯（MultinomialNB）

张九日zx·2024-02-15 10:27

Pycharm里如何设置多Python文件并行运行

有时候在跑一个机器学习或者网络爬虫或者其

Python进阶者·2024-02-15 10:22

论文阅读-面向机器学习的云工作负载预测模型的性能分析

许多基于机器学习的工作负载预测模型通过利用其计算能力和学习能力得以发展。本文提出

向来痴_·2024-02-15 10:20

代码+视频基于R语言进行K折交叉验证

交叉验验证（交叉验证，ＣＶ）则是一种评估模型泛化能力的方法，广泛应用中于数证据采挖掘和机器学习领域，在交叉验证通常将数据集分为两部分，一部分为训练集，用于建立预测模型；另一部分为测试集，用于测试该模型的泛化能力

天桥下的卖艺者·2024-02-15 09:11

C#实现矩阵计算

矩阵计算是一项重要的数学运算，在数据科学、机器学习等领域具有广泛的应用。首先，我们需要定义一个Matrix类来表示矩阵，并实现一些基本的矩阵操作。

湫秋刀鱼·2024-02-15 09:36

机器学习案例3：从科学论文图片中提取标题、作者和摘要

在这个项目中，我的目标是从科学论文图片中提取某些部分（标题、作者和摘要）。预期提取部分是科学论文中常见的部分，例如标题、摘要和作者。输入与最终结果。我的输入是将第一页纸转换成图像。最终结果是一个txt文件，其中包含标题、作者和摘要部分，如下图1和图2所示。我将使用UNet来了解在哪里可以找到这些部分，然后将训练学到的信息传递到OCR中。完整的项目可以在这里找到。图1要提取的论文首页（图片格式）图2

suoge223·2024-02-15 09:03

推荐频道

机器学习深度学习算法