量子计算机机器学习华为云

机器学习 --- 多维缩放

第1关：多维缩放#-*-coding:utf-8-*-importnumpyasnpdefmds(data,d):'''input:data(ndarray):待降维数据d(int):降维后数据维数output:Z(ndarray):降维后的数据'''#*********Begin*********##计算dist2,dist2i,dist2j,dist2ij#计算B#矩阵分解得到特征值与特征向量
*Crystal·2023-12-30 10:16

机器学习 --- PCA

第1关：维数灾难与降维第2关：PCA算法流程importnumpyasnpdefpca(data,k):'''对data进行PCA，并将结果返回:paramdata:数据集，类型为ndarray:paramk:想要降成几维，类型为int:return:降维后的数据，类型为ndarray'''#*********Begin*********##计算均值mean=np.mean(data,axis=0
*Crystal·2023-12-30 10:16

机器学习 --- 线性回归

第1关：简单线性回归与多元线性回归第2关：线性回归的正规方程解#encoding=utf8importnumpyasnpdefmse_score(y_predict,y_test):'''input:y_predict(ndarray):预测值y_test(ndarray):真实值ouput:mse(float):mse损失函数值'''#*********Begin*********#mse=np
*Crystal·2023-12-30 10:46

机器学习 --- 逻辑回归

第1关：逻辑回归核心思想#encoding=utf8importnumpyasnpdefsigmoid(t):'''完成sigmoid函数计算:paramt:负无穷到正无穷的实数:return:转换后的概率值:可以考虑使用np.exp()函数'''#**********Begin**********#return1.0/(1+np.exp(-t))#**********End**********#
*Crystal·2023-12-30 10:46

机器学习 --- 等度量映射

第1关：等度量映射#-*-coding:utf-8-*-importnumpyasnpdefisomap(data,d,k,Max=10000):'''input:data(ndarray):待降维数据d(int):降维后数据维数k(int):最近的k个样本Max(int):表示无穷大output:Z(ndarray):降维后的数据'''#计算dist2,dist2i,dist2j,dist2ij
*Crystal·2023-12-30 10:46

机器学习 --- 模型评估、选择与验证

第1关：为什么要有训练集与测试集第2关：欠拟合与过拟合第3关：偏差与方差第4关：验证集与交叉验证第5关：衡量回归的性能指标第6关：准确度的陷阱与混淆矩阵importnumpyasnpdefconfusion_matrix(y_true,y_predict):'''构建二分类的混淆矩阵，并将其返回:paramy_true:真实类别，类型为ndarray:paramy_predict:预测类别，类型为
*Crystal·2023-12-30 10:15

机器学习 --- 支持向量回归(SVR)

第1关：线性可分支持向量机第2关：线性支持向量机#encoding=utf8fromsklearn.svmimportLinearSVCdeflinearsvc_predict(train_data,train_label,test_data):'''input:train_data(ndarray):训练数据train_label(ndarray):训练标签output:predict(ndar
*Crystal·2023-12-30 10:15

【华为OD】人工智能面试题目

描述一下你使用过的机器学习库或框架，以及它的主要功能和特点。什么是过拟合和欠拟合？如何避免它们？解释一下决策树、随机森林和梯度提升机等监督学习算法的基本原理。什么是神经网络？它可以解决哪些问题？
道亦无名·2023-12-30 10:13

机器学习 --- Adaboost

第1关：Boosting第2关：Adaboost算法#encoding=utf8importnumpyasnpfromsklearn.treeimportDecisionTreeClassifierfromsklearn.ensembleimportAdaBoostClassifier#adaboost算法classAdaBoost:'''input:n_estimators(int):迭代轮数l
*Crystal·2023-12-30 10:11

互联网加竞赛 基于CNN实现谣言检测 - python 深度学习 机器学习

文章目录1前言1.1背景2数据集3实现过程4CNN网络实现5模型训练部分6模型评估7预测结果8最后1前言优质竞赛项目系列，今天要分享的是基于CNN实现谣言检测该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！更多资料,项目分享：https://gitee.com/dancheng-senior/postgraduate1.1背景社交媒体的发展在加速信息传播的同时，也带来了虚假谣言信息的泛滥，往往
Mr.D学长·2023-12-30 08:29

Evidential Deep Learning to Quantify Classification Uncertainty

arxiv.org/abs/1806.01768一、概述近年来，神经网络在不同领域取得了革命性的进步，尤其是在dropout、normalization以及skipconnection等方法被提出之后，撼动了整个机器学习领域
Rad1ant_up·2023-12-30 07:06

【数据倾斜笔记】

这种情况在数据分析和机器学习中经常出现，可能会影响模型的性能和准确性。数据倾斜可能出现在分类问题中的目标变量，也可能出现在特征变量中。
Oo_Amy_oO·2023-12-30 07:01

机器学习系列06：决策树

如果你很关心模型的可解释性，那么决策树（DecisionTree）算法当之无愧为首选。决策树算法如何工作套用西瓜书上的一个图来说明决策树算法是如何工作的：我们挑选西瓜时，都会考虑西瓜脐部、色泽、根蒂以及敲一敲听声音等因素（特征），决策树就是对这些考虑因素进行逐个拆解，从而判断西瓜（样本）是好瓜还是坏瓜（类别）。从上面来看，这些特征好像都是离散型的，对于Iris数据集中数值特征来说，我们可以设定一个
加百力·2023-12-30 07:00

十二个常用的 matplotlib 绘图案例

在数据分析和机器学习中，matplotlib是一个常用的Python绘图库，用于创建各种类型的图表和可视化。本文总结了12种常用的图形。
加百力·2023-12-30 07:59

机器学习系列13：通过随机森林获取特征重要性

你可能需要参考：《机器学习系列06：决策树》这种方法无需对特征做归一化或者标准化预处理，也不假设数据集是否线性可分。以红酒数据集为例。我们可以直接通过feature_impor
加百力·2023-12-30 07:58

【数据挖掘】模型融合

模型融合是指将多个不同的机器学习模型组合起来，通过综合多个模型的预测结果来得到更准确的预测结果。模型融合可以提高模型的鲁棒性，减小模型的方差，提高模型的泛化能力。
Oo_Amy_oO·2023-12-30 07:28

PyCharm安装GitHub Copilot（最好用的AI编程插件之一）

它是一个基于机器学习的代码编写插件，旨在为开发人员提供即时的代码建议和自动补全功能。
Jurio.·2023-12-30 07:23

特征归一化及其原理--机器学习

在一些机器学习算法中，如果特征的尺度差异较大，可能导致某些特征对模型的贡献比其他特征更大，从而影响模型的性能。通过归一化，可以使所有特征具有相似的尺度
普通研究者·2023-12-30 07:35

SVM（支持向量机）-机器学习

它属于机器学习中的一类强大而灵活的模型，广泛应用于模式识别、图像分类、自然语言处理等领域。基本原理:SVM的基本原理是通过找到能够有效分隔不同类别的超平面来进行分类。
普通研究者·2023-12-30 07:35

基于 Python 和 HuggingFace Transformers 进行目标检测

如果你对机器学习感兴趣，这个术语应该听过。确实，YouOnlyLookOnce（你只需看一次）在过去几年中一直是目标检测的默认方式之一。
小北的北·2023-12-30 07:05

机器学习的一般步骤

机器学习专注于让机器从大量的数据中模拟人类思考和归纳总结的过程，获得计算模型并自动判断和推测相应的输出结果。
北辰Charih·2023-12-30 07:04

机器学习系列12：减少过拟合——降维（特征选择）

对于不支持正则化的模型来说，我们可以通过降低数据的特征维度来减小模型复杂度，从而避免过拟合。有两种降维方法：特征选择（featureselection）：从原始特征集中选择一部分特征子集。特征抽取（featureextraction）：从现有的特征集中抽取信息形成新的特征空间。顺序特征选择是一种贪心算法，它通过自动选择与问题最相关的特征子集来提升计算效率，剔除不相关的特征或噪声数据来降低模型泛化误
加百力·2023-12-30 07:32

机器学习系列10：数据预处理——特征缩放

这里我们要换使用UCI上面的红酒数据集了。下载地址：https://archive.ics.uci.edu/dataset/109/wine这个数据集含有三种不同的红酒，共178个样本，每个样本由13个不同化学属性。我们首先将数据集分层采样划分70%出来作为训练集，剩余30%用作测试集。特征缩放（featurescaling）是数据预处理步骤中及其容易被忽略的一步。除了决策树和随机森林这两种不需要
加百力·2023-12-30 07:02

7+WGCNA+机器学习+泛癌生信思路,非肿瘤也能结合泛癌分析

今天给同学们分享一篇生信文章“AnalysisandExperimentalValidationofRheumatoidArthritisInnateImmunityGeneCYFIP2andPan-Cancer”，这篇文章发表在FrontImmunol期刊上，影响因子为7.3。结果解读：DEG筛选和数据预处理数据在箱线图中进行了标准化，不同的颜色代表不同的数据集，行代表样本，列代表样本中的基因表
生信风暴·2023-12-30 07:01

白话机器学习的数学-2-分类

1、设置问题图片分类：只根据尺寸把它分类为纵向图像和横向图像。如果只用一条线将图中白色的点和黑色的点分开：这次分类的目的就是找到这条线。2、内积找到一条线，这是否意味着我们要像学习回归时那样，求出一次函数的斜率和截距？这个又不一样，这次的目的是找出向量。刚才画的那条线，是使权重向量成为法线向量的直线。设权重向量为w，那么那条直线的表达式就是这样的：实向量空间的内积是各相应元素乘积的和：比如我们设权
Leon.ENV·2023-12-30 07:00

监督学习和非监督学习有什么区别？监督学习又可分为哪两类任务？

监督学习和非监督学习是机器学习的两种主要类型，它们的区别在于训练数据的标签是否已知。监督学习：训练数据包含输入特征和对应的标签或输出值。
北辰Charih·2023-12-30 07:30

人工智能_机器学习084_使用聚类算法_提取图片主要颜色_对图片进行聚类提取特征_对图片进行压缩---人工智能工作笔记0124

然后我们再来看之前我们说聚类是可以进行数据压缩的对吧,现在我们用聚类KMeans进行对图片主要特征颜色提取,来压缩图片首先看一下我们准备的一张图片首先导包,显示一下图片importnumpyasnp导入数学计算包importmatplotlib.pyplotasplt导入画图工具包importpandasaspd导入数据处理包fromsklearn.clusterimportKMeans导入KMe
脑瓜凉·2023-12-30 06:55

【机器学习前置知识】二项分布

二项分布在概率论和统计学里，二项分布表示的是N次独立试验中成功次数的概率分布。其中的每次独立试验又可称为伯努利试验，伯努利试验是这样的：在每次独立试验中，结果只有成功或失败两种情况，其中成功的概率为ppp，p∈[0,1]p∈[0,1]p∈[0,1]，失败的概率为q=1−pq=1-pq=1−p。二项分布其实是伯努利分布的扩展，当n=1时，二项分布等价于伯努利分布。二项分布也常用于对N次有放回抽样进行
Axlsss·2023-12-30 05:09

【机器学习前置知识】Beta分布

Beta分布与二项分布的关系Beta分布与二项分布密切相关，由二项分布扩展而来，它是用来描述一个连续型随机变量出现的概率的概率密度分布，表示为XXX~Beta(a,b)Beta(a,b)Beta(a,b)，a、ba、ba、b是形状参数。Beta分布本质上也是一个概率密度函数，只是这个函数的自变量和因变量都表示某种概率。下面我们会先温故下二项分布的知识，然后循序渐进地引出Beta分布。在二项分布这篇
Axlsss·2023-12-30 05:29

【algorithm】自动驾驶常见常考的几个模型和推导（每次面都看一遍），顺便总结自己遇到的考题经验不断更新

作为本次再次复习回忆如下：把之前面试准备的机器学习（基本搬运到CSDN平台了）、规划（基于之前的公司同事教导和常见算法轨迹latticeem路径dijiastarrrtrrt*）、控制（控制器和模型），
HERR_QQ·2023-12-30 05:06

机器学习之K-means聚类

概念K-means是一种常用的机器学习算法，用于聚类分析。聚类是一种无监督学习方法，它试图将数据集中的样本划分为具有相似特征的组（簇）。
贾斯汀玛尔斯·2023-12-30 05:34

机器学习之BP神经网络精讲（Backpropagation Neural Network（附案例代码））

概念BP神经网络（BackpropagationNeuralNetwork）是一种常见的人工神经网络，它通过反向传播算法来训练网络，调整连接权重以最小化预测输出与实际输出之间的误差。这种网络结构包含输入层、隐藏层和输出层，使用梯度下降算法来优化权重。结构：BP神经网络（BackpropagationNeuralNetwork）是一种具有多层结构的前馈神经网络，它通过不断地调整权重来学习输入与输出之
贾斯汀玛尔斯·2023-12-30 05:33

pytorch机器学习各种激活函数总结（不完整学习更新中~）

pytorch各种激活函数总结0.思维导图预览1.ReLU函数2.Sigmoid函数3.Softmax函数4.Tanh函数5.（学习后更新）0.思维导图预览1.ReLU函数ReLU（RectifiedLinearUnit）线性整流函数其公式为：f(x)=Max(0,x)f(x)=Max(0,x)f(x)=Max(0,x)它将小于零的输入映射为0，而将大于等于零的输入保持不变。在PyTorch中，可
失舵之舟-·2023-12-30 05:57

机器学习之主成分分析（Principal Component Analysis，PCA）案例解析附代码

概念主成分分析（PrincipalComponentAnalysis，PCA）是一种常用的降维技术，用于减少数据集维度并保留数据集中的主要特征。它通过线性变换将高维数据投影到低维空间，同时尽量保留数据集中的信息。PCA的目标是找到数据中最重要的方向，即方差最大的方向，这些方向被称为主成分。这些主成分是原始特征的线性组合。通过保留主要的主成分并舍弃次要的成分，可以实现数据的降维。PCA的基本步骤如下
贾斯汀玛尔斯·2023-12-30 05:27

小秋SLAM入门实战深度学习所有文章汇总

Python字符串处理的七种技巧如何直观的理解机器学习过拟合和欠拟合？如何直观的理解机器学习PR曲线和ROC曲线？
小秋SLAM入门实战·2023-12-30 05:56

【机器学习】深度学习概论（二）

五、受限玻尔兹曼机（RestrictedBoltzmannMachine，RBM）5.1RBM介绍示例代码：Python编写了一个简单的RBM实现，并用一些假数据训练了它。然后，他展示了如何用RBM来解释用户的电影偏好，以及如何用RBM来生成电影推荐：使用一些假数据训练了RBM。爱丽丝：（哈利波特=1，阿凡达=1，LOTR3=1，角斗士=0，泰坦尼克号=0，闪光=0）。SF/奇幻大粉丝。鲍勃：（哈
十年一梦实验室·2023-12-30 05:25

图像识别的技术前沿：人工智能与机器学习的融合

图像识别的技术前沿在于人工智能（AI）与机器学习（ML）的融合。这种融合使得图像识别系统能够从大量数据中自动学习并识别出各种模式，从而在复杂和动态的环境中实现更高的准确性和鲁棒性。
matlabgoodboy·2023-12-30 05:25

python中合法命名的变量名_python变量名的规定

机器学习实战中的代码defplotNode(nodeTxt,centerPt,parentPt,nodecreatePlot.ax1是表示：ax1是函数createPlot的一个属性，这个可以在函数里面定义也可以在函数定义后加入也可以
weixin_39882317·2023-12-30 04:03

斩获冠亚军！开源检索引擎Puck闪耀NeurIPS‘2023

NeurIPS（ConferenceonNeuralInformationProcessingSystems）是一个在机器学习、人工智能和神经科学领域内享
百度Geek说·2023-12-30 03:45

大模型时代下的因果推断

导读：在数字化建设不断推进的今天，随着技术的不断发展，从统计学、机器学习、深度学习，再到因果学习，以及最新的热门大模型方向，九章云极DataCanvas始终紧贴最前沿的、最能助力企业和落地实践的方向，不断进行着面向决策和面向智能的探索
九章云极DataCanvas·2023-12-30 01:07

在人工智能和机器学习的影响下，代理服务器正在不断演变

代理服务器是充当客户端（例如用户的智能手机）和目标服务器（例如网站或应用程序）之间的网关的中介。在互联网的早期，代理服务器主要用于缓存网络内容。然而，随着互联网的扩展，他们的角色也随之扩大。企业和个人开始利用它们进行内容过滤、访问控制、增强安全性和绕过互联网审查。鉴于全球三分之二的用户担忧身份盗窃，五分之四的用户担心其数据隐私安全，因此VPN和代理服务器广泛流行。技术的进步，包括改进的加密协议和更
c++服务器开发·2023-12-30 01:42

机器学习距离度量方法

1.机器学习中为什么要度量距离？
小森( ﹡ˆoˆ﹡ )·2023-12-30 01:04

django调用矩阵分解推荐算法模型做推荐系统

以下是这个过程的一个简化示例：步骤1:训练推荐算法模型首先，你需要使用Python的机器学习库（例如scikit-learn、TensorFlow或PyTorch）来训练一个推荐算法模型。
qa浪涛·2023-12-30 00:50

我的机器学习起步如何Getting Started

学习技巧和原则先通过经典书籍进行科普知名机器学习网站根据书籍或网站的目录，先泛读、再选择有兴趣的部分重点精读、后至于反复读知行合一起步GettingStarted周志华版《机器学习》，又名西瓜书可以作为科普书籍
快乐的阿常艾念宝·2023-12-30 00:43

癌症诊断机器学习之神经网络（Neural Network)

通过乳腺癌是数据我们利用不同的机器学习算法，不断的解开机器学习的神秘面纱，使得这种AI技术能够让医学更加适用，不再是一件神秘的算法，而已都能接受的方法而已！
90066456ace6·2023-12-29 23:07

数字化分析帮助化工企业预测生产故障

随着技术的革新，提高计算能力的成本随之下降和同时出现了更好的高级分析工具，化工企业可以将这些数据投入使用，从多个来源收集信息，并使用机器学习和可视化平台来发现优化工厂运营的方法。
启封管理咨询·2023-12-29 23:37

机器学习--稀疏学习

前置知识：通常学习一次模型的过程如下：我们普遍为了获取更好的模型效果，直接对原始数据学习，会造成过拟合、需要特征提取；而若特征提取完后依旧有很多特征，还是会容易过拟合。这时候就需要特征降维和特征选择。其中：特征降维：相当于将高维数据映射到低维空间（会改变数据的表示，低维空间映射后的特征不容易解释）特征选择：根据特征的重要权重，不会改变维度，单纯提取部分更合适的特征来使用。（是一种舍弃不重要特征）特
Good_Luck_Kevin2018·2023-12-29 22:54

人工智能的发展与运用场景

大数据、云计算、机器学习的技术应用，已经使得IT从业者的门槛越来越高。
人工智能MOS·2023-12-29 22:39

人工智能的基础-深度学习

深度学习是机器学习领域中一个新的研究方向，它被引入机器学习使其更接近于人工智能。深度学习是机器学习领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能。
人工智能MOS·2023-12-29 22:38

机器学习笔记--PageRank算法

斯坦福大学CS224W图机器学习笔记学习参考CS224W公开课：双语字幕斯坦福CS224W《图机器学习》课程(2021)byJureLeskove官方课程主页：官方主页子豪兄精讲：斯坦福CS224W图机器学习
北航程序员小C·2023-12-29 21:23
上一页 91 92 93 94 95 96 97 98 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他