机器学习-深度学习应用第34页

快速上手医学影像组学和机器学习（训练营：2023.11.7~11.14）

茗创科技专注于脑科学数据处理，涵盖（EEG/ERP,fMRI,结构像,DTI,ASL,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★课程简介★随着大数据、人工智能的深入融合发展，一项新的研究方法开始用于临床研究，它就是影像组学。它可以对普通影像图像进行更深层

茗创科技·2024-02-01 12:54

一、容器化技术-docker初识

系列文章目录提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章Python机器学习入门之pandas的使用目录前言一、docker是什么？

天灾领主加尔鲁什·2024-02-01 12:25

我本科金融毕业，有基金，证券，期货的从业资格证，会python编程，会点爬虫，可我为什么还是不好找工作？

在学习自己搭建量化交易系统，数据分析，人工智能和机器学习算法。但我为什么感觉，我还是不好找工作。这是我最近逛脉脉职言，看到的一则动态。

程序媛_lisa·2024-02-01 11:14

【深度学习：机器学习模型】如何构建您的第一个机器学习模型

【深度学习：机器学习模型】如何构建您的第一个机器学习模型第1步：将您的机器学习项目置于情境中第2步：探索数据并选择机器学习算法的类型监督学习无监督学习强化学习第3步：数据收集第4步：选择模型评估方法维护保留验证集

jcfszxc·2024-02-01 11:59

机器学习复习（7）——损失函数

交叉熵损失函数交叉熵损失函数是深度学习中常用的一种损失函数，特别是在分类问题中。它衡量的是模型预测的概率分布与真实标签的概率分布之间的差异。下面是交叉熵损失函数的推导过程:1.概率模型：在分类问题中，假设有一个模型预测出类别的概率为。真实情况下，如果样本属于类别则这个类别的真实概率为1，其它类别的为0。2似然函数：对于单个样本，其似然函数表示为模型预测正确的概率，即。其中是类别的总数。对于属于类别

不会写代码！！·2024-02-01 11:58

机器学习数学基础

机器学习基础1、标量、向量、矩阵、张量2、概率函数、概率分布、概率密度、分布函数3、向量的线性相关性4、最大似然估计5、正态分布（高斯分布）6、向量的外积（叉积）7、向量的内积（点积）8、超平面（H）1

对许·2024-02-01 11:26

About_Machine_Learning_in_action

#监督学习######仅仅是个人理解对于机器学习，分为监督学习和非监督学习，今天的监督学习仅仅作为自己的学习记录一个数据，有他的类别，一群数据都有他们的类别，而新加入的数据却没有类别，那么监督学习就是以已知分类去区分未知分类没有例子

煮茶温酒曲终人散·2024-02-01 10:53

机器学习复习（6）——numpy的数学操作

加减法运算#创建两个不同的数组a=np.arange(4)#list(0,1,2,3b=np.array([5,10,15,20])#两个数组做减法运算b-a运行结果：计算数组的平方#b*2代表数组b每个元素乘以2#b**2代表数组b每个元素的2次方b**2运行结果：计算数组的正弦值#计算数组的正弦值np.sin(a)#np.cos(a)运行结果：normalization涉及的其他计算在norm

不会写代码！！·2024-02-01 10:16

[机器学习]LFM梯度下降算法

一.LFM梯度下降算法2.代码实现#0.引入依赖importnumpyasnpimportpandasaspd#1.数据准备#评分矩阵RR=np.array([[4,0,2,0,1],[0,2,3,0,0],[1,0,2,4,0],[5,0,0,3,1],[0,0,1,5,1],[0,3,2,4,1],])#二维数组小技巧：取行数R.shape[0]和len(R)，列数R.shape[1]和len

不知迷踪·2024-02-01 10:46

机器学习-聚类算法Kmeans【手撕】

聚类算法在训练时，使用没有标签的数据集进行训练，希望在没有标签的数据里面可以发现潜在的一些结构。其中使用范围较广的是，聚类算法。聚类算法的目的是将数据划分成有意义或有用的组（或簇）。这种划分可以基于我们的业务需求或建模需求来完成，也可以单纯地帮助我们探索数据的自然结构和分布。比如在商业中，如果我们手头有大量的当前和潜在客户的信息，我们可以使用聚类将客户划分为若干组，以便进一步分析和开展营销活动，最

alstonlou·2024-02-01 10:45

机器学习低代码 ML：PyCaret 的使用

本文目录PyCaret简介PyCaret实践安装PyCaret使用PyCaret进行分类任务使用PyCaret进行回归任务PyCaret简介PyCaret是一个开源的低代码Python库，专注于简化机器学习

小嗷犬·2024-02-01 10:44

机器学习系列——（一）概述

导语：在当今高度数字化和信息化的时代，机器学习作为一项核心技术，正日益渗透到我们生活的方方面面。它不仅为我们提供了更智能、更高效的解决方案，还给予了计算机系统从经验中学习和改进的能力。

飞影铠甲·2024-02-01 10:42

机器学习4-多元线性回归

多元线性回归(MultipleLinearRegression)是线性回归的一种扩展形式，用于建立因变量与多个自变量之间的关系。在简单线性回归中，我们考虑一个因变量和一个自变量之间的线性关系，而多元线性回归允许我们考虑多个自变量对因变量的影响。一般的多元线性回归模型的数学表达式如下：其中：Y是因变量（要预测的目标）。X1,X2,…,Xn是自变量（特征）。β0是截距（模型在X1,X2,…,Xn都为0

dracularking·2024-02-01 10:12

OceanBase与新加坡南洋理工大学合作，推进机器学习与数据库技术融合

合作将以OceanBase4.0小鱼（Paetica）为研究基础，推进机器学习与数据库技术融合。

CSDN云计算·2024-02-01 10:41

2024全球机器学习大会上海站重磅官宣，首批演讲嘉宾和12大议题揭晓！

自1936年阿兰·图灵提出「图灵机」以及机器具备「思维」的可能性以来，机器学习已经成为人类实现人工智能的核心路径。

CSDN资讯·2024-02-01 10:10

OpenCV与机器学习：使用opencv实现KNN

opencv实现KNN前言OpenCV实现KNN生成随机数据使用matplotlib绘制数据OpenCV用于KNN训练生成新数据并观察预测前言KNN算法，即K-NearestNeighbor，是一种简单的机器学习算法

艾醒(AiXing-w)·2024-02-01 10:13

自然语言处理系列十二》中文分词》机器学习统计分词

注：此文章内容均节选自充电了么创始人，CEO兼CTO陈敬雷老师的新书《自然语言处理原理与实战》（人工智能科学与技术丛书）【陈敬雷编著】【清华大学出版社】文章目录自然语言处理系列十二中文分词机器学习统计分词总结自然语言处理系列十二中文分词中文分词

陈敬雷-充电了么-CEO兼CTO·2024-02-01 08:15

自然语言处理系列十五》中文分词》机器学习统计分词》CRF分词

注：此文章内容均节选自充电了么创始人，CEO兼CTO陈敬雷老师的新书《自然语言处理原理与实战》（人工智能科学与技术丛书）【陈敬雷编著】【清华大学出版社】文章目录自然语言处理系列十五中文分词CRF分词总结自然语言处理系列十五中文分词中文分词(ChineseWordSegmentation)指的是将一个汉字序列切分成一个一个单独的词。分词就是将连续的字序列按照一定的规范重新组合成词序列的过程。我们知道

陈敬雷-充电了么-CEO兼CTO·2024-02-01 08:15

探索智能巡检机器人深度学习的奥秘

机器学习技术已经成为人工智能领域的关键组成部分，在图像识别、语音识别、自然语言处理、推荐系统、金融风控、医疗诊断等各个

超维机器人·2024-02-01 07:27

C++ 程序员必须收藏的资源大全

awesome-cpp就是fffaraz发起维护的C++资源列表，内容包括：标准库、Web应用框架、人工智能、数据库、图片处理、机器学习、日志、代码分析等。

纵横千里，捭阖四方·2024-02-01 07:25

基于机器学习的物流预测可视化（附源码）

物流行业数据分析简介物流行业是指负责货物运输、仓储、配送等环节的相关产业。随着互联网和电子商务的发展，物流行业正面临着巨大的变革和机遇。数据分析在物流行业中起着重要的作用，可以帮助企业更好地理解和优化其供应链、运输和仓储管理等方面的运营。物流行业数据分析涉略内容运输效率分析：通过对运输网络、路线和调度等数据进行分析，可以评估和改进物流运输的效率和成本。例如，利用运输数据分析可以确定最佳路线、提高装

py爱好者~·2024-02-01 07:34

【SparkML系列2】DataSource读取图片数据

DataSource(数据源)在本节中，我们将介绍如何在机器学习中使用数据源加载数据。除了一些通用的数据源，如Parquet、CSV、JSON和JDBC外，我们还提供了一些专门用于机器学习的数据源。

周润发的弟弟·2024-02-01 07:01

鱼和熊掌如何兼得？一文解析RDS数据库存储架构升级

在2023年云栖大会上，阿里云数据库产品事业部负责人李飞飞在主题演讲中提到，瑶池数据库推出“DB+存储”一体化能力，结合人工智能、机器学习、存储等方法和创新能力，实现BufferPoolExtension

阿里云瑶池数据库·2024-02-01 06:17

你可能不知道，机器学习的核心竟然是学会忘记

很多人并不知道，机器学习的核心竟然是教会机器学会忘记。你没看错，就是“忘记”。人之所以智能，是因为我们有一种能力，只记住需要记住的东西，有些不重要的特征，会自然选择遗忘。

A尚学堂Nancy老师·2024-02-01 06:48

AI项目落地成功因素：数据和机器学习模型的选择

构建机器学习模型时，需要考虑几个关键要素：计算能力、算法和数据。公司往往会将大部分资源集中于开发正确的、无偏见的算法，并加大对计算能力的投入，而在运行模型前，数据通常靠边站或完全被抛诸脑后。

澳鹏Appen·2024-02-01 05:11

AI技术的机遇与挑战

全球新冠肺炎疫情等驱动因素促进了数字化转型，极大地加快了AI和机器学习（ML）技术的发展。越来越多的企业正在研究如何发掘AI的价值，让AI在现实世界中更好地服务于自己的业务和客户。

澳鹏Appen·2024-02-01 05:11

L1-089 ~ L1-092（PTA）

目录L1-089最好的文档（5分）题目描述输入格式：输出格式：输入样例：输出样例：题解思路：L1-090什么是机器学习（5分）题目描述输入格式：输出格式：输入样例：输出样例：题解思路：L1-091程序员买包子

.lby.·2024-02-01 04:08

吴恩达机器学习- 正则化

过拟合和欠拟合定义和形态解决方法减少特征值数量正则化正则化惩罚θ系数线性回归正则化逻辑回归正则化

YANWeichuan·2024-02-01 03:40

python机器学习——简单神经网络算法回归分析

利用python实现简单的神经网络算法回归分析2023年亚太杯数学建模C题可以使用这个代码进行分析importpandasaspdimportnumpyasnpfromsklearn.model_selectionimporttrain_test_splitfromsklearn.preprocessingimportStandardScalerfromtensorflow.keras.model

EchoToMe·2024-02-01 02:32

未来软件测试行业发展的10大趋势，&就业钱景

特别是在软件开发和测试领域在不断创新，并可能将人工智能、机器学习、大数据等新兴技术结合起来的当下。

不是Y君·2024-02-01 02:26

存内计算路线再获加持，清华存内芯片登Science

Edgelearningusingafullyintegratedneuro-inspiredmemristorchip”的研究论文，论文显示，团队基于存内计算范式，研制出全系统集成、支持高效片上学习(机器学习能在硬件端直接完成

存内计算开发者·2024-02-01 02:45

聊聊工业界做机器学习的里程碑

文|吴海波编|YY阅读说明，本文的机器学习领域限制于互联网搜索、推荐、广告场景，仅限于个人观点。2017年，我和团队的几个核心去了趟北京，找了各大互联网公司一线实战的同学，交流各自在机器学习上的经验。

夕小瑶·2024-02-01 02:36

【机器学习高级实践】历时一年终于把因果推断与机器学习讲明白了

在本文中，将大家比较关注的机器学习领域新兴分支，因果推断进行简要的介绍。文章目录前言因果推断因果推断的前世今生（1）潜在结果框架

陈橘又青·2024-02-01 02:05

总结机器学习3个时代的算力规律：大模型的出现改变了什么？

作者|刘媛媛来源丨数据实战派图1：1950年至2022年间118个里程碑机器学习系统的趋势。我们区分了三个时代。注意大约2010年的斜率变化，与深度学习的出现相匹配；2015年底出现了新的大规模趋势。

AI科技大本营·2024-02-01 02:04

人工智能、机器学习和深度学习，到底有什么区别？

人工智能、机器学习和深度学习的关系在智能科学领域，有一个初学者很爱问的问题：人工智能、机器学习和深度学习三者有什么联系和区别？这个是既简单又复杂的问题。这个问题是有标准答案的。

Finovy Cloud·2024-02-01 02:04

人工智能在现代科技中的应用和未来发展趋势

以下是一些主要的应用和未来发展趋势：机器学习：人工智能的核心技术之一是机器学习，它通过大量数据和算法训练，使机器能够自动学习和改进。

Komorebi_9999·2024-02-01 02:34

人工智能与机器学习——开启智能时代的里程碑

写在前面前言人工智能与机器学习的概述监督学习、无监督学习和强化学习的基本原理监督学习：无监督学习：强化学习：机器学习的算法和方法常见的机器学习算法和方法线性回归：决策树：支持向量机：神经网络：人工智能与机器学习的应用领域人工智能与机器学习的未来发展结论

洁洁！·2024-02-01 01:32

8个硬核的python入门项目

大家好，Python是一种通用编程语言，被广泛用于Web开发、数据分析、机器学习和自动化。提高Python技能的最佳方式之一是从事实际项目。

python慕遥·2024-02-01 01:23

机器学习-3降低损失(Reducing Loss)

机器学习-3降低损失(ReducingLoss)学习内容来自：谷歌ai学习https://developers.google.cn/machine-learning/crash-course/framing

喜乐00·2024-02-01 00:47

知识蒸馏（paper翻译）

paper：DistillingtheKnowledgeinaNeuralNetwork摘要：提高几乎所有机器学习算法性能的一个非常简单的方法是在相同的数据上训练许多不同的模型，然后对它们的预测进行平均

蓝羽飞鸟·2024-01-31 23:18

【机器学习】【概率论】【损失熵】【KL散度】信息量、香农熵和KL散度的计算

1、信息量（AmountofInformation）对于一个事件：小概率-->大信息量大概率-->小信息量独立事件的信息量可以相加I(x)=log2(1p(x))=−log2(p(x))I(x)=log_2(\frac{1}{p(x)})=-log_2(p(x))I(x)=log2(p(x)1)=−log2(p(x))E.g.:一枚均匀的硬币:p(h)=0.5p(h)=0.5p(h)=0.5Ip(

忘却的旋律dw·2024-01-31 23:47

机器学习入门（10）— 浅显易懂的计算图、链式法则讲解

1.计算图概念计算图将计算过程用图形表示出来。这里说的图形是数据结构图，通过多个节点和边表示（连接节点的直线称为“边”）。2.计算图求解问题1：小明在超市买了2个100日元一个的苹果，消费税是10%，请计算支付金额。计算图通过节点和箭头表示计算过程。节点用○表示，○中是计算的内容。将计算的中间结果写在箭头的上方，表示各个节点的计算结果从左向右传递。用计算图解问题1，求解过程如图5-1所示。虽然图5

wohu007·2024-01-31 23:41

Transformer 代码补充

本文是对Transformer-Attentionisallyouneed论文阅读-CSDN博客以及【李宏毅机器学习】Transformer内容补充-CSDN博客的补充，是对相关代码的理解。

Karen_Yu_·2024-01-31 21:27

使用Mediapipe实现CPU上的实时人脸检测（每秒30帧）

照片已检测到人脸关于Mediapipe的一点介绍Mediapipe是一个用于构建跨平台、可定制的实时和流媒体机器学习解决方案的开源框架。它可用于执行各种计算机视觉任

小北的北·2024-01-31 20:55

版本匹配指南：Numpy版本和Python版本的对应关系

参考链接结尾引言在数据科学和机器学习的世界中，Numpy占据着核心地位，其重要性无可替代。它为Python注入了强大的数值计算能力，让处理大型多维数组和矩阵运算变得如履平地。

高斯小哥·2024-01-31 20:07

Tensorflow实战深度学习笔记一

经验----机器学习。训练----特征相关度。特征提取深度学习---自动地将简单的特征组合成更加复杂的特征，并使用这些复杂特征解决问题。深度学习--------不等于模仿人类大脑。

独立开发者Lau·2024-01-31 20:13

VSCode问题记录

20230304-0.引言这几年的编程方式还真是各种变化，从一开始直接VIM，到后面使用jupyter进行机器学习相关，然后再过渡到vim的形式并加以tmux批量化，最后去年使用了vscode作为IDE

V丶Chao·2024-01-31 19:44

【Transformer 】 Hugging Face手册 (01/10)

二、变形金刚适用于PyTorch、TensorFlow和JAX的先进机器学习。 Transformers提供API和工具，可轻松下载和训练最先进的预训练模型。

无水先生·2024-01-31 19:42

【无标题】

系列文章目录提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加例如：第一章Python机器学习入门之pandas的使用提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录系列文章目录前言一

MarkHD·2024-01-31 18:03

一文讲透Python机器学习特征选择角度的卡方检验

机器学习特征选择角度的卡方检验是计算特征变量与响应变量之间的χ2统计量。χ2统计量越大，则特征变量与响应变量之间独立的概率就越小，相关性就越大。因此，χ2统计量大的特征变量将会被优先选择用于预测。

数据科学作家·2024-01-31 18:52

推荐频道

机器学习-深度学习应用