Stanford机器学习第17页

讲解人工智能在现代科技中的应用和未来发展趋势

以下是人工智能在现代科技中的一些应用和未来发展趋势：机器学习：机器学习是人工智能的核心技术之一，通过让计算机从数据中学习并自动提取规律和模式，来实现自主决策和预测分析。

做一个AC梦·2024-02-13 22:53

机器为什么能学习(上)

本篇文章是台湾大学《机器学习基石上》的课程笔记。以PLA算法为例，推导证明机器学习的可行性。问题概述机器学习在当前发展得很快，我们不由得发问：为什么这种算法是可行的。

ringotc·2024-02-13 21:16

手把手教你完成深度学习人脸识别系统

目录前言一、系统总流程设计二、环境安装1.创建虚拟环境2.安装其他库三、模型搭建1.采集数据集2.数据预处理3.构建模型和训练五、摄像头测试六、界面搭建报错了并解决的方法总结前言随着人工智能的不断发展，机器学习和深度学习这门技术也越来越重要

挂科边缘(毕业版)·2024-02-13 21:40

利用滑动窗口法来制作时序数据集

什么是数据滑窗进行机器学习时，一般都要涉及到划分训练集和测试集的步骤。特别地，在做数据预测时，一般把预测的依据（也就是历史数据）称作X，把需要预测的数据称为y。

Stanford_sun·2024-02-13 21:57

面向智算服务，构建可观测体系最佳实践

作者：蓟北构建面向AI、大数据、容器的可观测体系（一）智算服务可观测概况对于越来越火爆的人工智能领域来说，MLOps是解决这一领域的系统工程，它结合了所有与机器学习相关的任务和流程，从数据管理、建模、持续部署的到运行时计算和资源管理

·2024-02-13 18:51

大数据和机器学习固废行业商业价值

一、大数据和机器学习的基本概念，历史渊源。综述当前大数据和机器学习应用领域。我的判断是，这两个概念现在已经不是出炒作，已经走向实用领域。大数据这个概念兴起，我感觉是在2012年。

freedomme·2024-02-13 17:11

人工智能

了解到人工智能、机器学习、深度学习的关系，神经网络是深度学习的实现的模型。语音、图像、机器翻译、机器人、文本挖掘和分类。感觉机器学习自己挺感兴趣啊

阳光照我心房·2024-02-13 16:15

能玩上一天的网站，宅家也不无聊！

打出单词，都能有音调，就像弹钢琴一样3.学习型搜索引擎https://magi.com/通过机器学习将互联网上的海量信息构建成可解析、可检索、可溯源的结构化知识体系。4.藏

编程星语·2024-02-13 15:18

onnx基础

初次编辑时间：2024/2/7；最后编辑时间：2024/2/12定义：ONNX（OpenNeuralNetworkExchange）是一种开放式的文件格式，用于存储训练好的机器学习模型。

whyte王·2024-02-13 14:31

pandas:统计某一列字符串中各个word出现的频率

JasonLiu1919·2024-02-13 14:56

lightGBM集成学习算法

LightGBM集成学习算法是一种基于梯度提升决策树（GradientBoostingDecisionTree）的机器学习算法。它是由微软提出的一种高效的梯度提升框架，主要用于解决分类和回归问题。

亦旧sea·2024-02-13 14:24

SDU机器学习作业心得1

看到老师布置的作业简直心态爆炸，不过这周日就要交了还是硬着头皮作吧。这本天书简直就让人摸不到头脑，翻到二十多页已然是看不懂了。在懒人床的指点下，好歹有了一些想法。所以写下这个博客，为了让跟我一样看天书的小伙伴们一点帮助。作业内容是《模式分类第二版》第二章的上机题第四题。数据如下：样本w1w2w3x1x2x3x1x2x3x1x2x31-5.01-8.12-3.68-0.91-0.18-0.055.3

李昊_SDU·2024-02-13 14:51

XGboost和lightGBM算法对比

eXtremeGradientBoosting）和LightGBM（LightGradientBoostingMachine）都是一类基于梯度提升树（GradientBoostingDecisionTrees）的机器学习算法

亦旧sea·2024-02-13 14:50

机器学习入门--多层感知机原理与实践

神经网络与多层感知机神经网络是一种模仿生物神经系统结构和功能的计算模型。它由许多个节点（或称为神经元）组成，这些节点通过连接权重相互连接。神经网络的输入经过一系列的加权求和和激活函数变换后，得到输出结果。神经网络的训练过程主要包括前向传播和反向传播两个阶段。前向传播是指数据从输入层逐层传递到输出层的过程，每一层的节点都会根据输入值和连接权重计算输出值。反向传播是指通过计算损失函数对网络参数进行梯度

Dr.Cup·2024-02-13 13:37

机器学习入门--BP神经网络原理与实践

BP神经网络引言BP神经网络，即反向传播神经网络，是一种监督学习算法，用于多层前馈神经网络的训练。自从1986年由Rumelhart,Hinton和Williams提出以来，它已成为最流行的神经网络训练算法之一。BP算法的核心思想是通过计算损失函数相对于网络参数的梯度，然后利用这些梯度信息来更新网络的权重和偏置，从而最小化误差。数学原理BP算法的数学原理基于链式法则计算梯度。考虑一个简单的两层神经

Dr.Cup·2024-02-13 13:37

机器学习入门--朴素贝叶斯原理与实践

朴素贝叶斯算法朴素贝叶斯是一种常用的分类算法，其基本思想是根据已有数据的特征和标签，学习出一个概率模型，并利用该模型对新样本进行分类。其优点在于简单快速、易于实现和解释，缺点在于对输入数据的分布做了严格的假设。具体来说，朴素贝叶斯分类器首先根据训练数据计算出每个类别的先验概率P©，即样本中每个类别占比。然后，对于给定的待分类样本，计算出它属于每个类别的条件概率P(X|C)，其中X表示样本的特征向量

Dr.Cup·2024-02-13 13:07

机器学习入门--奇异值分解原理与实践

奇异值分解奇异值分解（SingularValueDecomposition，SVD）是一种矩阵分解技术，可以将一个矩阵分解为三个部分的乘积。在SVD中，原始矩阵被分解为左奇异向量矩阵、奇异值矩阵和右奇异向量矩阵的乘积。奇异值分解数学原理奇异值分解是一种矩阵分解技术，可以将一个矩阵分解为三个部分的乘积。在SVD中，原始矩阵被分解为左奇异向量矩阵、奇异值矩阵和右奇异向量矩阵的乘积。具体来说，对于一个m

Dr.Cup·2024-02-13 13:07

机器学习入门--主成分分析原理与实践

主成分分析主成分分析（PrincipalComponentAnalysis，简称PCA）是一种常用的降维技术和数据分析方法。它通过线性变换将原始高维数据映射到低维空间，从而提取出数据中最重要的特征。主成分分析的基本原理与数学推导基本原理PCA的主要思想是找到一个新的坐标系，将数据投影到这个坐标系上，使得投影后的数据具有最大的方差。这意味着在新的坐标系下，数据的信息尽可能地集中在少数几个维度上，而其

Dr.Cup·2024-02-13 13:06

机器学习入门--逻辑回归与简单二分类数据实战

逻辑回归在机器学习领域，逻辑回归是一个广泛应用于分类问题的算法。与线性回归不同，逻辑回归用于预测离散的类别标签，可以处理二分类和多分类问题。下面我们将介绍逻辑回归的基本原理和实现方式。

Dr.Cup·2024-02-13 13:36

机器学习入门--支持向量机原理与实践

原理支持向量机（SupportVectorMachine，SVM）是一种常用的机器学习算法，用于分类和回归问题。其原理是基于统计学习理论中的结构风险最小化原则。

Dr.Cup·2024-02-13 13:36

机器学习入门--简单卷积神经网络原理与实践

深入理解卷积神经网络（CNN）引言卷积神经网络（ConvolutionalNeuralNetworks,CNN）是深度学习中的一种核心算法，广泛应用于图像识别、视频分析和自然语言处理等领域。CNN通过模拟人类视觉系统的工作原理，能够自动并有效地识别图像中的模式和特征。数学原理CNN主要由卷积层、激活层和池化层组成。其核心在于卷积层，它使用一系列可学习的滤波器来扫描输入数据。卷积操作卷积神经网络（C

Dr.Cup·2024-02-13 13:06

利用生成式AI的产研流程：创新与效率的完美结合

它通过机器学习算法来学习和模拟现实世界中的数据分布，然后使用这些模型来生成新的、具有相似特征的数据。

·2024-02-13 13:15

人脸追踪案例及机器学习认识

1.人脸追踪机器人初制用程序控制舵机运动的方法与机械臂项目完全相同。由于摄像头的安装方式为上下倒转安装，我们在编写程序读取图像时需使用flip函数将图像上下翻转。现在，只需要使用哈尔特征检测得到人脸在图像中的位置，再指示舵机运动，进行追踪即可。由于一次只能追踪一张人脸，我们可以在detectMultiScale函数中使用cv2.CASCADE_FIND_BIGGEST_OBJECT（寻找最大的人脸

vv不说话·2024-02-13 12:13

李宏毅机器学习——回归实验

importnumpyasnpimportmatplotlib.pyplotaspltfrompylabimportmpl#matplotlib没有中文字体，动态解决plt.rcParams['font.sans-serif']=['Simhei']#显示中文mpl.rcParams['axes.unicode_minus']=False#解决保存图像是负号'-'显示为方块的问题x_data=[3

migugu·2024-02-13 12:15

为了更了解女友的情绪，我居然...

回归正题，目前大模型、机器学习风头正盛，对于我们正常打工人来说，离得远，也不远。你可能早已听说，但如果让你来做，无从下手，什么？先买1000张RTX5000显卡吗？

不懂前端的运维不是好架构·2024-02-13 11:34

python+大数据学习打卡day1

企业数据分析方向：现状分析：离线分析原因分析：实时分析预测分析：机器学习数据分析基本流程：采集、处理、分析、应用大数据：大数据(bigdata)，指的是所涉及的资料量规模巨大到无法透过主

岁月不静好456·2024-02-13 11:11

机器学习--有监督--GBM(Boosting)

集成学习(ensemblelearning)是采用多个机器学习模型组合进行综合预测，从而提升模型性能的思路，分为bagging与boosting两种。

小贝学生信·2024-02-13 09:46

Python机器学习之交叉验证

交叉验证是一种非常常用的对于模型泛化能力进行评估方法，交叉验证既可以解决数据集的数据量不够大问题，也可以解决参数调优的问题。常用的交叉验证方法有：简单交叉验证（HoldOut检验，例如train_test_split）、k折交叉验证（例如KFold）、自助法kfold是将数据集划分为K-折，只是划分数据集；cross_val_score是根据模型进行计算，计算交叉验证的结果，你可以简单认为就是cr

一只怂货小脑斧·2024-02-13 09:32

【机器学习】卷积和反向传播

一、说明自从AlexNet在2012年赢得ImageNet竞赛以来，卷积神经网络(CNN)就变得无处不在。从不起眼的LeNet到ResNets再到DenseNets，CNN无处不在。您是否想知道CNN的反向传播中会发生什么，特别是反向传播在CNN中的工作原理。如果您读过反向传播，您就会了解它是如何在具有全连接层的简单神经网络中实现的。（AndrewNg在Coursera上的课程对此做了很好的解释）

无水先生·2024-02-13 07:07

机器学习原型聚类

1.原型聚类原型聚类即“基于原型的聚类”（prototype-basedclustering），原型表示模板的意思，就是通过参考一个模板向量或模板分布的方式来完成聚类的过程，常见的K-Means便是基于簇中心来实现聚类，混合高斯聚类则是基于簇分布来实现聚类。1.2kmeans1.2.1基本原理K-means是一种常见的聚类算法，也叫k均值或k平均。通过迭代的方式，每次迭代都将数据集中的各个点划分到

黄粱梦醒·2024-02-13 07:08

AI绘画API：提升艺术创作的效率和品质

它可以通过机器学习技术学习艺术家的创作风格和技巧，生成具有相似风格的创作作品。在

API小百科_APISpace·2024-02-13 07:25

决策树最骚操作

大家好，最近我原创了一系列文章LightGBM可视化调参用Excel玩机器学习！用浏览器玩机器学习比Tesorflow还强的机器学习库AI黑科技！

统计学家·2024-02-13 07:20

《零基础实践深度学习》1.4.1飞桨产业级深度学习开源开放平台介绍

1.4飞桨产业级深度学习开源开放平台介绍1.4.1深度学习框架近年来，深度学习在很多机器学习任务中都有着非常出色的表现，在图像识别、语音识别、自然语言处理、机器人、网络广告投放、医学自动诊断和金融等领域都有着广泛应用

软工菜鸡·2024-02-13 06:35

语言模型大战：GPT、Bard与文心一言，谁才是王者？

在聊技术原理之前我们来先看看几个产品的团队背景一、团队背景1.1、ChatGPTChatGPT团队的成员大多具有计算机科学、人工智能、自然语言处理、机器学习等相关领域的高等教育背景，有些还拥有博士学位。

栈江湖·2024-02-13 06:27

探索XGBoost：时间序列数据建模

导言XGBoost是一种强大的机器学习算法，广泛应用于各种领域的数据建模任务中。但是，在处理时间序列数据时，需要特别注意数据的特点和模型的选择。

Echo_Wish·2024-02-13 05:22

探索XGBoost：多分类与不平衡数据处理

导言XGBoost是一种强大的机器学习算法，广泛应用于各种分类任务中。但在处理多分类和不平衡数据时，需要特别注意数据的特点和模型的选择。

Echo_Wish·2024-02-13 05:19

机器学习之xgboost算法及特征筛选和GridSearchCV

importpandasaspdimportnumpyasnpimportmatplotlib.pyplotaspltfromsklearnimportmetricsimportpicklefromxgboost.sklearnimportXGBRegressorfromsklearn.preprocessingimportStandardScalerfromclean_dataimportpre

Jlan·2024-02-13 02:09

linux命令大全

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，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

默默编码的Fxdll·2024-02-13 02:31

如何交付机器学习项目：一份机器学习工程开发流程指南

摘要：本文描述机器学习任务的“OODA环”的概念，迭代地执行四个过程：分析、选择方法、实现、测量步骤，循环此过程以提升开发效率。

城市中迷途小书童·2024-02-13 02:44

Taurus: 面向机器学习的数据面架构

日益复杂的网络和多样化的工作负载要求网络内置更多的自动化决策能力，通过可编程网络设备在用户面支持机器学习工作负载就是一个可能的选项，本文提出了一种支持用户面推理的架构设计，相对控制面机器学习的性能有数量级的提升

DeepNoMind·2024-02-12 23:01

ChatGPT的背后原理：大模型、注意力机制、强化学习

微信搜索关注《Python学研大本营》，加入读者群，分享更多精彩本文主要介绍为ChatGPT提供动力的机器学习模型，将从大型语言模型的介绍开始，深入探讨使GPT-3得到训练的革命性的自注意机制，然后深入到从人类反馈强化学习

Python学研大本营·2024-02-12 23:17

这次理解透彻了！用代码从零实现大模型的自注意力、多头注意力。。。

近日，AheadofAI杂志运营者、机器学习和AI研究者SebastianRaschka发布了一篇文章，介绍并用代码从头实现了LLM中的自注意力、多头注意力、交叉注意力和因果注意力。

Python算法实战·2024-02-12 23:47

葫芦书第一章——特征工程

葫芦书是机器学习岗位面试的必读书，第一遍读，就当作对自己这四个月以来入门机器学习的知识测验，顺便查漏补缺。

单调不减·2024-02-12 22:08

第七届核磁机器学习班（训练营：2023.9.4~9.16）

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★基于血氧水平依赖的功能磁共振成像(fMRI)技术,利用其数据构建的功能性脑网络后,发现脑并不是一个单纯对外界刺激进行

茗创科技·2024-02-12 21:08

[韩顺平]python笔记

python对大数据分析、人工智能中关键的机器学习、深度学习都提供有力的支持Python支持最庞大的代码库，功能超强数据分析：numpy/pandas/os机器学习：tensorflow/scikit-learn

超级用户 root·2024-02-12 20:54

《统计学简易速速上手小册》第9章：统计学在现代科技中的应用（2024 最新版）

文章目录9.1统计学与大数据9.1.1基础知识9.1.2主要案例：社交媒体情感分析9.1.3拓展案例1：电商销售预测9.1.4拓展案例2：实时交通流量分析9.2统计学在机器学习和人工智能中的应用9.2.1

江帅帅·2024-02-12 20:54

产品经理内容分享(六)：AI产品经理需必备那些能力

目录必备的AI技术知识第一章：AI产品经理是否需要懂技术及其程度第二章：AI产品经理必备的AI技术基础知识——基础算法与机器学习方法第三章：AI产品经理必须要懂的AI技术知识——场景应用第四章：AI算法与模型的关系第五章

之乎者也··2024-02-12 20:45

2020-12-22

调整一下记录的时间准备把时间放到早晨经过一晚上的沉淀也是昨天的一个回忆同时也可以对今天的任务做一个规划短暂的停歇也是可以原谅的但是不可以原谅的是一蹶不振要知道自己是干嘛的每个阶段以及每个时期的任务一点点的向目标靠近走很长的路要记得最初的目的不是为了锻炼身体就要记得自己的目标沿途的风景交往的人都是生活一个是对老梁昨天讲的关于情商的课程的一个回顾以及自己的一个看法收获不足与提升的方面还有就是机器学习接

QuietRG·2024-02-12 20:20

探索嵌入式系统的未来发展趋势

1.人工智能与机器学习的融合随着人工智能和机器学习技术的快速发展，嵌入式系统将更多地融合这些先进技术。未来的嵌入式系统将具备更强大的智能和

迷璃学妹·2024-02-12 20:40

机器学习：过拟合和欠拟合的介绍与解决方法

过拟合和欠拟合的表现和解决方法。其实除了欠拟合和过拟合，还有一种是适度拟合，适度拟合就是我们模型训练想要达到的状态，不过适度拟合这个词平时真的好少见。过拟合过拟合的表现模型在训练集上的表现非常好，但是在测试集、验证集以及新数据上的表现很差，损失曲线呈现一种高方差，低偏差状态。(高方差指的是训练集误差较低，而测试集误差比训练集大较多)过拟合的原因从两个角度去分析：模型的复杂度：模型过于复杂，把噪声数

是Dream呀·2024-02-12 19:05

推荐频道

Stanford机器学习