大数据与人工智能：脑科学与人工神经网络ANN
人工神经网络（ANN, Artificial Neural Networks）是一种受生物神经网络启发的计算模型，用于模拟人类大脑处理信息的方式。它由大量相互连接的节点（称为神经元）组成，这些神经元通过权重连接形成网络。ANN的基础构成包括输入层、隐藏层和输出层。输入层接收原始数据，隐藏层负责提取和
【人工智能】Transformers之Pipeline（十七）：文本分类（text-classification）
本文对transformers之pipeline的文本分类（text-classification）从概述、技术原理、pipeline参数、pipeline实战、模型排名等方面进行介绍，读者可以基于pipeline使用文中的2行代码极简的使用NLP中的文本分类（text-classification
【人工智能】枢纽：数据驱动洞察引领未来智能系统
人工智能是当今最具革命性的技术之一，从基础的机器学习、深度学习到更复杂的自然语言处理和强化学习，AI技术正在深刻影响各个行业。然而，随着技术的发展，AI也带来了伦理和安全方面的挑战。通过掌握人工智能的基本原理、算法和实际应用，未来的研究和工程师可以在这个领域继续推动创新并解决现实问题。
AI：266-利用机器学习提升金融预测准确性与风险控制【技术与案例分析】
在现代金融市场中，机器学习技术已成为预测和风险管理的重要工具。金融市场预测涉及利用历史数据预测股票价格、市场趋势以及其他金融指标，而风险管理则侧重于识别和缓解潜在的金融风险。本文将探讨机器学习在这两个领域中的应用，包括具体的代码实例，以帮助理解其实际应用。
使用ClassificationThresholdTuner进行二元和多类分类问题阈值调整，提高模型性能增强结果可解释性
本文将深入探讨阈值调整的具体机制 — 特别是在多类分类问题中,这个过程可能会比较复杂。我们还将介绍一个名为 ClassificationThresholdTuner 的开源工具,这是笔者开发的一个自动化阈值调整和解释的工具。
Datawhale X 李宏毅苹果书 AI夏令营 Task1-机器学习初认识
作为一个技术小白，我的逻辑可能并不严密，专业知识并不丰富，但还是想通过这样的一种输出方式，谈谈自己的感受和理解，在写文章的同时帮助自己梳理思路，也为大家提供一点见解。机器要找一个函数 f，其输入是可能是种种跟预测 PM2.5 有关的指数，包括今天的 PM2.5 的数值、平均温度、平均的臭氧浓度等等，
深度学习笔记 # Datawhale X 李宏毅苹果书 AI夏令营
从零基础开始深度学习
【Git】上传代码命令至codeup云效管理平台
通过git命令上传本地代码库至阿里的codeup云效管理平台的代码管理模块，使用方便，且比github上传网络环境要求低，超大文件（>100M）的文件也可以批量上传，且上传速度喜人。
如何解决NVIDIA显卡报错：uncorrectable ECC error的问题
线上问题出现的时候，如果国内的百度搜不到解决方案，就试试国际的Google，办法总比困难多。
Optuna发布 4.0 重大更新：多目标TPESampler自动化超参数优化速度提升显著
Optuna这个备受欢迎的超参数优化框架在近期发布了其第四个主要版本。自2018年首次亮相以来，Optuna不断发展，现已成为机器学习领域的重要工具。
Monte Carlo方法解决强化学习问题
本文继续深入探讨蒙特卡罗 (MC)方法。这些方法的特点是能够仅从经验中学习,不需要任何环境模型,这与动态规划(DP)方法形成对比。
【机器学习】CNN在计算机视觉中的应用
本文介绍了CNN在计算机视觉中的几个主要应用,包括图像分类、目标检测、语义分割、实例分割和视频分析等。CNN凭借其强大的特征提取能力和端到端的训练方式,在这些任务中取得了卓越的成绩,推动了计算机视觉领域的快速发展。未来,随着模型架构和训练算法的不断优化,CNN在计算机视觉领域的应用将会更加广泛和深入
【机器学习】探秘图像处理与分类：运用C++结合OpenCV实现智能视觉识别技术
在计算机视觉领域，图像处理与分类是核心任务之一。OpenCV作为一个功能强大的开源计算机视觉库，提供了丰富的API支持多种语言的开发，其中C++因其性能优势而被广泛使用,下面我们就来看一下，如何使用C++结合OpenCV进行图像处理与分类，包括安装步骤、基础图像操作以及使用Bag of Words
【机器学习】周志华《机器学习》西瓜书勘误：按章节排序整理（截至2024年1月第45次印刷）
本文整理了机器学习领域经典之作：南京大学周志华教授的《机器学习》（西瓜书）勘误。包含博主按章节排序整理（截至2024年1月第45次印刷）及原印刷排序两部分。
AI：272-【机器学习算法】从线性到多维：多元线性回归算法的深度解析与应用实践
多元线性回归（Multiple Linear Regression）是机器学习中最基本且广泛应用的算法之一。尽管它简单易懂，但在实际应用中仍然能解决许多复杂的问题。本篇文章将从零开始，逐步深入地讲解多元线性回归算法的原理，并通过Python代码实例帮助你理解和实现这一算法。
人工智能深度学习系列—探索余弦相似度损失：深度学习中的相似性度量神器
在机器学习和模式识别领域，评估样本间的相似性是一项基本而关键的任务。余弦相似度损失（Cosine Similarity Loss）作为一种衡量向量间相似度的损失函数，在深度学习中被广泛用于相似性度量问题。本文将详细介绍余弦相似度损失的背景、计算方法、使用场景、代码实现及总结。**余弦相似度是两个向量
时间序列结构变化分析：Python实现时间序列变化点检测
在时间序列分析和预测中，准确检测结构变化至关重要。
深入理解变分图自编码器（VGAE）：原理、特点、作用及实现
图神经网络（Graph Neural Networks, GNNs）在处理图结构数据方面展现出强大的能力。其中，变分图自编码器（Variational Graph Auto-Encoder, VGAE）是一种无监督学习模型，广泛用于图嵌入和图聚类任务。本文将深入探讨VGAE的原理、特点、作用及其具体
图特征工程实践指南：从节点中心性到全局拓扑的多尺度特征提取
本文将介绍如何利用NetworkX在不同层面（节点、边和整体图）提取重要的图特征。
