【Datawhale AI夏令营】电力需求预测挑战赛 Task03
以两层为例，第一层由多个基学习器组成，其输入为原始训练集，第二层的模型则是以第一层基学习器的输出作为特征加入训练集进行再训练，从而得到完整的stacking模型。进行模型融合的前提是有多个模型的输出结果，比如使用catboost、xgboost和lightgbm三个模型分别输出三个结果，这时就可以将
Pandas中高效的“For循环”
在这篇博文中，我们将探索遍历pandas dataframe的各种方法，检查每个循环方法的相关运行时。为了验证循环的有效性，我们将生成百万级别的数据，这也是我们在日常处理中经常遇到的数量级。
从零入门 AI for Science（AI+药物) #Datawhale AI 夏令营
从零入门 AI for Science（AI + 药物) #Datawhale AI 夏令营
【机器学习】基于密度的聚类算法：DBSCAN详解
在数据科学和机器学习领域中，聚类是一种常见的无监督学习技术，用于发现数据集中的自然分组或结构。传统的聚类算法，如K-means，依赖于预定义的簇数量和球形簇假设，这限制了它们在复杂数据集上的表现。相比之下，基于密度的聚类算法，尤其是DBSCAN（Density-Based Spatial Clust
AI：194-AIGC在广告创意中的应用【案例分析与代码示例】
AIGC技术正在改变广告创意的游戏规则。从文本、图像到视频，AIGC的应用使广告内容的生成更加高效和多样化。未来，随着人工智能技术的进一步发展，AIGC在广告创意中的应用将更加深入和广泛。例如，利用更先进的深度学习模型，广告内容可以实现更加个性化和实时化的生成。此外，随着用户数据和计算资源的不断增加
AI：213-引入ODConv提升YOLOv8性能 | 动态卷积在目标检测中的应用与优化【保姆级实操】
ODConv是一种新型卷积操作，其核心思想是动态调整卷积核的参数，以适应不同的输入特征。ODConv通过引入多个维度的动态卷积，能够更好地捕捉空间和通道维度上的特征关系，从而提升模型的表达能力。
AI、ML、DL 和 DS 之间的区别
人工智能 数据分析 数据科学 深度学习 机器学习 神经网络在本文中，我们将了解 AI（人工智能）、ML（机器学习）、DL（深度学习）和 DS（数据科学）之间的区别。这些术语经常互换使用，但实际上，它们指的是计算机科学和数据分析领域内的不同概念。
生成式人工智能
生成式人工智能是一种机器学习技术，它的核心目标是从输入数据中学习并生成新的、具有特定特征的数据。这种生成可以涵盖多种形式的内容，如文本、图像、音频和视频。生成式模型通过学习大量数据的概率分布来进行预测和生成，使得计算机能够在没有明确规则或指令的情况下产生有意义的输出。
AlphaGo 背后的人工智能：机器学习和神经网络
AlphaGo 的规则是学习而来的，而不是设计出来的，它运用机器学习以及多个神经网络来创建学习组件，使围棋水平更高。从与英国国家医疗服务体系的合作可以看出，AlphaGo 在其他领域也有着广阔的应用前景。
Python前沿技术，机器学习与人工智能的应用
Python，作为一种简洁、易读且功能强大的编程语言，凭借其丰富的库支持和广泛的应用场景，在AI领域占据了举足轻重的地位。本文旨在深入探讨Python在AI领域的前沿技术，包括数据预处理、机器学习算法、深度学习框架等，并通过具体代码案例展示Python在AI应用中的实际效果。
【机器学习】Grid Search: 一种系统性的超参数优化方法
Grid Search是一种用于自动搜索给定超参数空间中最佳模型参数组合的方法。它通过创建一个包含所有待评估超参数值的网格，然后遍历这个网格中的每一个点来完成搜索过程。对于每个网格点，即超参数的一个特定组合，Grid Search会训练模型并评估其性能，最后选择性能最优的那个组合作为最佳超参数设置。
Transformer和Mamba强强结合！最新混合架构全面开源，推理速度狂飙8倍
最近发现，，效果会比单独使用好很多，这是因为该方法结合了Mamba的长序列处理能力和Transformer的建模能力，可以显著提升计算效率和模型性能。典型案例如大名鼎鼎的Jamba：Jamba利用Transformer架构的元素增强Mamba 结构化状态空间模型技术，提供了 256K 上下文窗口，吞
【人工智能】Transformers之Pipeline（六）：图像分类（image-classification）
本文对transformers之pipeline的图像分类（image-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行代码极简的使用计算机视觉中的图像分类（image-classifica
Mooncake：LLM服务的KVCache为中心分解架构
24年6月AI公司月之暗面的技术报告“Mooncake: A KVCache-centric Disaggregated Architecture for LLM Serving”。
【机器学习基础】机器学习的数学基础
本文讲解机器学习算法中常用的数学工具。包括向量、矩阵、梯度和凸函数。重点放在机器学习算法的讲解与实践上，将数学概念以直观的方式展示，并没有过多地展示数学证明与定理。
时空预测又爆火了！新SOTA实现零样本精准预测
时空预测又有新突破啦！港大、华南理工等提出了时空大模型UrbanGPT，在性能上猛超现有SOTA，实现零样本即可时空预测！另外还有清华的首个通用城市时空预测模型UniST、能即插即用快速适配的时空提示调整机制FlashST...这些效果非常nice的研究都被ICML等各大顶会顶刊收录，可见目前有关时
解锁AI潜能，引领智能新时代——《深度强化学习》
在人工智能的浪潮中，深度强化学习如同一股不可忽视的强流，正以前所未有的速度推动着科技的边界，引领我们进入一个充满无限可能的新时代。这本《深度强化学习》不仅是一部技术宝典，更是一场关于智能探索与梦想实现的深度对话，它以其全面而深入的视角，为我们揭示了深度强化学习的神秘面纱，让我们得以一窥AI未来的辉煌
机器学习 第8章-集成学习
集成学习(ensemble learning)通过构建并结合多个学习器来完成学习任务，有时也被称为多分类器系统(multi-classifersystem)、基于委员会的学习(committee-based learning)等。图8.1显示出集成学习的一般结构:先产生一组“个体学习器”(indiv
自动驾驶仿真算法优化cuda
**行为预测器类**：`BehaviorPredictor` 类加载预训练的深度学习模型，并定义了 `predict_behavior` 方法来预测车辆的行为。- **仿真循环**：在主循环中，获取车辆的当前状态作为观测数据，然后使用行为预测器预测下一个时刻的行为，并应用于车辆的控制。- **模型加
【传知代码】LAD-GNN标签注意蒸馏（论文复现）
在当今的数据科学领域，Graph Neural Networks (GNNs) 已成为处理图结构数据的强大工具。然而，传统的GNN在图分类任务中面临一个重要挑战——嵌入不对齐问题。本文将介绍一篇名为“Label Attentive Distillation for GNN-Based Graph C
