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。
透明性和解释性AI：概念与应用
透明性AI指的是AI系统的操作过程、决策机制、数据流动和模型行为是可理解和可追踪的。换句话说，透明性AI使得人们可以清楚地看到AI系统是如何做出决策的，这一过程包括输入数据的处理方式、模型的内部计算过程、以及最终决策的产生机制。解释性AI是指AI系统不仅能够给出决策结果，还能够提供关于该决策如何产生
机器学习/人工智能中的学习证明
在进行任何数学发展之前，我们必须首先了解学习的基础以及它如何与错误的概念密切相关。关于代价函数，它的工作原理是梯度下降原理。本文将回顾梯度下降原理。
【数值模拟】参数化基本概念和参数化建模
介绍了参数化的概念，举例介绍了参数化建模流程，归纳了机器学习模型在参数化建模中的应用
Nat Med·UNI：开启计算病理学新篇章的自监督基础模型｜顶刊精析·24-07-31
一作&通讯角色姓名单位（中文）第一作者哈佛医学院布里格姆和妇女医院病理科第一作者Tong Ding哈佛医学院工程与应用科学学院第一作者Ming Y. Lu哈佛医学院和麻省理工学院癌症项目通讯作者哈佛医学院布里格姆和妇女医院病理科这篇文章介绍了一个名为UNI的新型通用自监督模型，它在计算病理学领域通过
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。
监督学习、无监督学习、半监督学习、弱监督学习、强化学习 和 主动学习
弱监督学习通常指的是训练数据的标签质量不完全可靠，可能是不准确的、噪声较多的或是不完全的。例如，利用搜索引擎的结果为图像自动标注标签，这些标签可能不完全准确。
人工智能的核心技术有哪些?
NLP技术包括文本分类、情感分析、信息抽取等多个方面，能够自动识别文档中的关键信息，如人物、地点、时间等，甚至能够将合同中的条款提取出来制作成表格。它通过声音信息采集、数模转码、过滤、调制解调等步骤，将人类的语音转化为计算机可识别的文本或指令。在机器人技术领域，由于机器人技术涉及多个学科的交叉，没有
【机器学习】语音转文字 - FunASR 的应用与实践（speech to text）
FunASR 是一个开源的语音识别工具，它支持多种语言和多种语音识别任务。VAD（Voice Activity Detection）：用于检测语音活动，将输入的音频信号分割为语音和非语音部分。ASR（Automatic Speech Recognition）：将语音信号转换为文字。PUNC（Punc
智绘未来：深度解析【人工智能】、【机器学习】与【计算机视觉】的时代革命
随着AI技术的不断进步，我们有理由相信，AI将在更多领域展现出其变革性的力量。然而，在享受技术带来的便利与创新的同时，我们也必须面对由此引发的伦理、法律与社会挑战。AI的发展不仅仅是技术的进步，更是人类社会的一次深刻变革。我们需要以开放的心态和严谨的态度，迎接AI时代的到来，确保其发展方向符合人类的
递归最小二乘法推导
递推最小二乘法（Recursive Least Squares, RLS）是一种时间序列分析方法，它用于在线更新线性回归模型的参数，而不需要重新拟合整个数据集。这种方法特别适用于数据流或实时系统。
深扒国内EI会议出版社（IEEE,Springer等 ）检索概率
在选择参与EI会议时，研究者需要综合考虑出版社的声誉、会议的正规性、以及检索概率。不应轻信会议组织方的保证，因为出版社自己也无法100%保证检索结果。建议通过官方渠道获取信息，审慎评估会议的质量和可靠性，以确保自己的学术成果能够得到有效的展示和认可。同时，研究者应密切关注出版社的政策变动和EI数据库
机器学习的基本概念--Datawhale X 李宏毅苹果书 AI夏令营--学习笔记
机器学习（Machine Learning）：让机器具备一个找函数的能力，从而让机器实现诸如：语音识别（Speech Recognition），图片识别（Image Recognition）等功能在机器学习的大家庭中，有两种主要的学习方法：监督学习和无监督学习。监督学习（Supervised Lea
【人工智能】Transformers之Pipeline（十五）：总结（summarization）
本文对transformers之pipeline的总结（summarization）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中的总结（summarization）模型。
AI：244-YOLOv8性能提升实战 | 集成双向特征金字塔网络（BiFPN）与多场景应用分析（极限涨点）
在本文中，我们详细探讨了如何通过集成双向特征金字塔网络（BiFPN）来提升 YOLOv8 模型的性能。BiFPN 的多尺度特征融合能力使其在各类场景中表现出色，无论是自动驾驶、安防监控还是无人机图像识别，都显著提高了目标检测的精度和鲁棒性。通过具体的代码实现和 yaml 配置示例，我们展示了如何将
【深度学习详解】Task2 分段线性模型-引入深度学习 Datawhale X 李宏毅苹果书 AI夏令营
机器学习基础 -> 线性模型 -> 分段线性模型 -> 引入深度学习🍎 🍎
上海交大洪亮教授：AI 真要突破工程领域，一定要做到现有人类专家做不到的工程成果
与自然界相比，序列相似度全部低于 65%，最低的为 49%，换言之，研究团队对 700 多个氨基酸序列中的 300 多个进行了改造，其中有 23 个有活性，2/3 比野生活性高，最高的野生型达 8.6 倍。在没有数据的情况下，则通过物理模拟器产生精度略低的大量假数据来做预训练，再用真实珍贵的数据进行
视觉 注意力机制——通道注意力、空间注意力、自注意力、交叉注意力
在计算机视觉领域，注意力机制（Attention Mechanism）已成为提升模型性能的关键技术之一。注意力机制通过模拟人类视觉的选择性注意力，能够在海量数据中自动聚焦于最相关的信息，从而提高模型的效率和准确性。下面将介绍通道注意力、空间注意力、自注意力和交叉注意力四种类型。
