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
【人工智能】Transformers之Pipeline（七）：图像分割（image-segmentation）
本文对transformers之pipeline的图像分割（image-segmentation）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割（image-segmentation
