Labelme AI 自动标注版使用说明【附下载链接】
Labelme 是一个开源的图像标注工具，主要用于机器学习和计算机视觉领域的数据集创建。能够帮助用户快速、方便地对图像进行标注，以便为训练模型提供高质量的数据。支持 jpg，jpeg，png，tif，tiff 图像格式，对图像进行多边形矩形、圆形、多段线、线段、点形式的标注，实现AI辅助标注，与手动
AI大模型如何赋能电商行业，引领变革？
AI大模型如何赋能电商行业，引领变革？
大数据-213 数据挖掘 机器学习理论 - KMeans Python 实现 距离计算函数 质心函数 聚类函数
我们需要定义一个两个长度相等的数组之间欧式距离计算函数，在不直接应用计算结果，只比较距离远近的情况下，我们可以用距离平方和代替距离进行比较，化简开平方运算，从而减少函数计算量。此外需要说明的是，涉及到距离计算的，一定要注意量纲的统一。在定义随机质心生成函数时，首先需要计算每列数值的范围，然后从该范围
OMG-Seg：一个模型搞定所有分割任务的终极解决方案，大幅提升AI自动标注效率！
它采用了一种编码器-解码器架构，并使用任务特定的查询和输出来实现各种分割任务，显著简化了分割任务的部署。分割任务通常要求对图像或视频中的每个像素进行分类，传统上使用单独的模型来处理不同的分割任务，例如语义分割、实例分割、全景分割等。通过一个模型架构的多任务处理，OMG-Seg 展示了其在实际应用中的
LLM：模型微调经验
样本数量一般1万左右的高质量样本即可达到良好效果。对于简单任务，100-300条数据足够；中等难度任务需1000条以上；高难度任务需3000条甚至更多，可能达到10万条。样本质量样本质量优先于数量，高质量样本更有效。需要重点关注样本的多样性和答案质量。继续预训练当领域任务数据与预训练数据集差异较大时
基于AIACC加速器快速实现LLaMA-7B指令微调
是Meta AI在2023年2月发布的开放使用预训练语言模型（Large Language Model， LLM），其参数量包含7B到65B的集合，并仅使用完全公开的数据集进行训练。LLM具有建模大量词语之间联系的能力，但是为了让其强大的建模能力向下游具体任务输出，需要进行指令微调，根据大量不同指令
万余字描述国内外主流车型智能驾驶测试评价体验
车企逐鹿城市 NOA，体验是提高功能渗透率的核心自动驾驶大势所趋，小鹏、蔚来、理想、小米等新势力，长安、赛力斯、江淮、北汽等华为系以及吉利、上汽、长城、广汽等传统车企纷纷入场，竞相推出自家城市 NOA 方案，城市 NOA 正从“0-1”步向“1-10”。提高城市 NOA 渗透率，关键是提高消费者
大数据-209 数据挖掘 机器学习理论 - 梯度下降 梯度下降算法调优
上节我们完成了如下的内容：分类技术是机器学习和数据挖掘应用中的重要组成部分，在数据学科中，约70%的问题属于分类问题。解决分类的算法也有很多，如：KNN，使距离计算来实现分类；决策树，通过构建直观易懂的树来实现分类。这里我们要展开的是Logistic回归，它是一种很常见的用来解决二元分类问题的回归方
通义千问AI PPT初体验：一句话、万字文档、长文本一键生成PPT！
通义千问AI PPT初体验：一句话、万字文档、长文本一键生成PPT！
OpenAI 的 o1 与 GPT-4o：深入探究 AI 的推理革命
wp:image在不断发展的人工智能领域，OpenAI 再次凭借其最新产品突破界限：o1 模型和 GPT-4o。作为一名几十年来一直报道科技的人，我见过不少伪装成革命的增量更新。但这个？这不一样。让我们拨开炒作的迷雾，看看这些新模型到底带来了什么。
大数据-211 数据挖掘 机器学习理论 - 逻辑回归 scikit-learn 实现 max_iter 分类方式选参数
因此，如果在max_iter红条的情况下，模型的训练和预测效果都已经不错了，那我们就不需要再增大max_iter中的数目了，毕竟一切都以模型的预测效果为基准，只要模型预测的效果好，运行又快，那就一切都好。如果模型有 T 类，我们每次在所有的 T 类样本里面选择两类样本出来，不防记为 T1 和 T2，
大数据-216 数据挖掘 机器学习理论 - KMeans 基于轮廓系数来选择 n_clusters
有时间，当我们 n_cluster 选择不符合数据的自然分布，或者我们为了业务需求，必须要填入与数据的自然分布不合的 n_cluster，提前让迭代停下来反而能够提升模型的表现。初始质心放置的位置不同，聚类的结果很可能也会不一样，一个好的质心选择可以让 KMeans 避免更多的计算，让算法收敛稳定且
头歌——人工智能（机器学习 --- 决策树1）
决策树的相关概念:决策树是一种可以用于分类与回归的机器学习算法，但主要用于分类。用于分类的决策树是一种描述对实例进行分类的树形结构。决策树由结点和边组成，其中结点分为内部结点和叶子结点，内部结点表示一个特征或者属性，叶子结点表示标签（脑回路图中黄色的是内部结点，蓝色的是叶子结点）。决策树的一个非常大
Mobile-Agent项目部署与学习总结（DataWhale AI夏令营）
你好，我是GISer Liu，一名热爱AI技术的GIS开发者，本文是DataWhale 2024 AI夏令营的最后一期——赛道，这是作者的学习文档，这里总结一下，和作者一起学习这个多模态大模型新项目吧😀；
ConvGRU原理与开源代码
ConvGRU（卷积门控循环单元）是一种结合了卷积神经网络（CNN）和门控循环单元（GRU）的深度学习模型。与ConvLSTM类似，ConvGRU也主要用于处理时空数据，特别适用于需要考虑空间特征和时间依赖关系的任务，如视频分析、气象预测和交通流量预测等。
大数据-205 数据挖掘 机器学习理论 - 线性回归 最小二乘法 多元线性
在正式进入到回归分析的相关算法讨论之前，我们需要对监督学习算法中的回归问题进一步进行分析和理解。虽然回归问题同属于有监督的学习范畴，但实际上，回归问题要远比分类问题更加复杂。首先关于输出结果的对比，分类模型最终输出结果为离散变量，而离散变量本身包含信息量较少，其本身并不具备代数运算性质，因此其评价指
【面试】如何度量概率分布的相似度
衡量两个概率分布之间差异的非对称度量，常用于变分推断和信息论。KL散度的对称形式，适合度量两个分布的相似度，广泛应用于GANs。衡量两个分布之间的全局差异，特别适合形状匹配和最优传输问题。度量两个分布之间的最大绝对差异，常用于统计检验和概率模型评价。
大数据-210 数据挖掘 机器学习理论 - 逻辑回归 scikit-learn 实现 penalty solver
但随着C的逐渐变大，正则化的强度越来越小，模型在训练集和测试集上表现呈现了上升趋势，直到C=0.8左右，训练集上的表现依然走高，但模型在未知数据集上的表现就开始下跌，这时候就是出现了过拟合。正则化参数，LogisticRegression默认带了正则化项，penalty参数可选择的值有1和2，分别对
大数据-212 数据挖掘 机器学习理论 - 无监督学习算法 KMeans 基本原理 簇内误差平方和
大家可以发现，我们的 Intertia 是基于欧几里得距离的计算公式得来的。第六次迭代之后，基本上质心的位置就不会再改变了，生成的簇也变得稳定，此时我们的聚类就完成了，我们可以明显看出，K-Means 按照数据的分布，将数据聚集成了我们规定的 4 类，接下来我们就可以按照我们的业务求或者算法需求，对
大模型-基于大模型的数据标注
法来自于这篇论文：Can Generalist Foundation Models Outcompete Special-Purpose Tuning?
