戎易大数据 | 数据分析实操篇：基于MySQL和Tableau的淘宝用户购物行为数据分析
为提高平台GMV和实现精细化运营，本项目首先使用MySQL（实际上是用Navicat Premium连接了MySQL，方便数据导入）对来自某电商的数据集进行数据预处理，然后通过多维度拆解，从用户和商品两个大的角度分别进行分析，最后借助Tableau搭建仪表盘实现数据可视化。
【AI知识点】交叉注意力机制（Cross-Attention Mechanism）
交叉注意力机制（Cross-Attention Mechanism） 是一种在深度学习中广泛使用的技术，尤其在序列到序列（sequence-to-sequence）模型和Transformer 模型中被大量应用。它主要用于不同输入之间的信息交互，使模型能够有效地将来自不同来源的上下文进行对齐和关注，
【Python机器学习】Logistic回归——从疝气病症预测病马的死亡率
数据中的缺失值是个非常棘手的问题
sheng的学习笔记-AI-归纳逻辑程序设计（ILP）
归纳逻辑程序设计采用自底向上的规则生成策略，直接将一个或多个正例所对应的具体事实(grounded fact)作为初始规则，再对规则逐步进行泛化以增加其对样例的覆盖率。泛化操作可以是将规则中的常量替换为逻辑变量，也可以是删除规则体中的某个文字。为简便起见，暂且假定“更好(X,Y)”仅决定于(X,Y)
基于AFM注意因子分解机的推荐算法
引入注意力机制：在传统因子分解机（FM）的基础上，AFM通过加入注意力机制，能够更好地识别和分配特征交互的重要性。模型会为不同的特征交互分配动态的权重，识别用户与商品或内容之间的深层关系，从而使得推荐系统能够根据用户的不同偏好进行更精准的推荐。这种方式比传统的FM模型更具表现力，能够捕捉复杂的用户行
机器学习中空间和时间自相关的分析：从理论基础到实践应用
空间和时间自相关是数据分析中的两个基本概念,它们揭示了现象在空间和时间维度上的相互依赖关系。
【AI知识点】残差网络（ResNet，Residual Networks）
残差网络（ResNet，Residual Networks） 是由微软研究院的何凯明等人在 2015 年提出的一种深度神经网络架构，在深度学习领域取得了巨大的成功。它通过引入残差连接（Residual Connection） 解决了深层神经网络中的梯度消失（Vanishing Gradient） 问
智能工厂的设计软件 中的AI操作系统的“三维时间”（历时/共时/等时）构建的“能力成熟度-时间规模”平面
三套设计 “三维度时间”的维度【数】/“三向度空间”的向度量【量】和“双深度时空值”的【值】分别为 程序的三种变点 （程序横切点（表面构造类Class的 切点）/程序竖分点（ 内建类型Type的埋点）/程序纵插点（外创方法Method的插点））给出了它们全部的 符号学意义(符号学本身的sign 意义
机器学习|Pytorch实现天气预测
训练过程可视化：通过损失曲线和准确率曲线展示模型的训练效果。可以展示每个epoch的训练和验证损失、准确率的变化趋势，帮助判断模型是否收敛或过拟合。
【AI大模型】深入Transformer架构：解码器部分的实现与解析
由N个解码器层堆叠而成每个解码器层由三个子层连接结构组成第一个子层连接结构包括一个多头自注意力子层和规范化层以及一个残差连接第二个子层连接结构包括一个多头注意力子层和规范化层以及一个残差连接第三个子层连接结构包括一个前馈全连接子层和规范化层以及一个残差连接说明:解码器层中的各个部分，如，多头注意力机
特征工程在营销组合建模中的应用：基于因果推断的机器学习方法优化渠道效应估计
因果推断方法为特征工程提供了一个更深层次的框架，使我们能够区分真正的因果关系和简单的统计相关性。
Ubuntu20.04 安装 CUDA 12.1
在Ubuntu20.04上安装CUDA，它是NVIDIA公司开发的一种并行计算平台和编程模型。
人工智能【AI】：未来的驱动力
人工智能是计算机科学的一个分支，它试图理解智能的实质，并生产出一种新的能以人类智能相似方式做出反应的智能机器。这包括诸如语音识别、图像识别、自然语言处理和机器学习等领域。人工智能可以定义为使计算机系统执行通常需要人类智能的任务的技术，如视觉识别、语言理解、决策和学习。AI的历史可以追溯到20世纪40
lintsampler：高效从任意概率分布生成随机样本的新方法
``` lintsampler ``` 是一个纯Python实现的库，能够高效地从任意概率分布中生成随机样本。
物理 + 人工智能 = 2024年诺贝尔物理学奖
近日，2024年诺贝尔物理学奖颁发给了机器学习与神经网络领域的研究者，这是历史上首次出现这样的情况。这项奖项原本只授予对自然现象和物质的物理学研究作出重大贡献的科学家，如今却将全球范围内对机器学习和神经网络的研究和开发作为了一种能够深刻影响我们生活和未来的突出成果。机器学习和神经网络凭借其高效、准确
机器学习—— 机器学习运维（MLOps）
机器学习—— 机器学习运维（MLOps）机器学习运维（MLOps）——提高模型管理和部署效率的必备技能什么是MLOps？为什么MLOps很重要？MLOps 示例：构建一个简单的ML流水线MLOps的关键工具总结机器学习运维（MLOps）——高效管理和部署AI模型的工具MLOps 的优势MLOps 实
【增量学习】7种典型场景
所有训练样本属于同一个任务，并分批到达。
基于OpenFOAM和Python的流场动态模态分解：从数据提取到POD-DMD分析
本文探讨了Python脚本与动态模态分解(DMD)的结合应用。我们将利用Python对从OpenFOAM模拟中提取的二维切片数据进行DMD计算。这种方法能够有效地提取隐藏的流动模式,深化对流体动力学现象的理解。
信息论、机器学习的核心概念：熵、KL散度、JS散度和Renyi散度的深度解析及应用
本文深入探讨了信息论、机器学习和统计学中的几个核心概念：熵、KL散度、Jensen-Shannon散度和Renyi散度。这些概念不仅是理论研究的基石，也是现代数据分析和机器学习应用的重要工具。
小白读论文：机器学习的安全威胁和防御技术（上）——常见的安全威胁
介绍了机器学习模型在训练以及预测阶段可能受到的攻击
