统计软件与数据分析Lesson15----梯度下降（Gradient Descent）过程可视化
从翻译应用到自动驾驶汽车，机器学习 (ML) 技术为我们使用的一些最重要的技术提供支持。本课程介绍了机器学习背后的核心概念。机器学习提供了一种解决问题和回答复杂问题的新方式。基本上，机器学习是指训练一个软件（称为模型）以从数据进行实用的预测的过程。机器学习模型表示机器学习系统用于进行预测的数据元素之
AI 工具合辑盘点，总有一款适合你
等功能。其中，翻译支持。
朴素贝叶斯(Naive Bayes)
朴素贝叶斯
如何进行AI测试-入门篇
大家来做下这个猜数字游戏，1, 4, 16…（）… 256… 括号里的是什么。为什么是 64，不是其他数字，又为什么是数字，不是一个汉字或者一个字母。我们找到了数字之间的规律，逻辑关系，并且抽象成了模型，我们才能知道括号里是什么。举个生活中的例子，小米硬件中手机外壳，在大批量生产前需要先设计手机外壳
这8个NumPy函数可以解决90%的常见问题
NumPy是一个用于科学计算和数据分析的Python库，也是机器学习的支柱。
机器学习特征重要性分析
特征选择
nn.Parameter()
可以方便地定义和管理模型的可训练参数，并且在模型训练过程中可以自动计算梯度并更新参数值，是构建神经网络模型时常用的工具。是 PyTorch 中的一个类，用于创建可训练的参数（权重和偏置），这些参数会在模型训练过程中自动更新。
win下YOLOv7训练自己的数据集（交通标志TT100K识别）
遗传算法是利用种群搜索技术将种群作为一组问题解，通过对当前种群施加类似生物遗传环境因素的选择、交叉、变异等一系列的遗传操作来产生新一代的种群，并逐步使种群优化到包含近似最优解的状态，遗传算法调优能够求出优化问题的全局最优解，优化结果与初始条件无关，算法独立于求解域，具有较强的鲁棒性，适合于求解复杂的
ChatGPT原理简介
贝塔系数（β）是一个权重， SFT表示有监督渲染出来的模型，把x输入之后，有监督模型会帮我们生成一个结果，强化学习ChatGPT也会生成一个结果，强化学习跟有监督之间的一个pk，两者做了一个除法，输出是一个句子，可以把输出一个句子叫输出一个分布或者输出它的概率分布，这时强化学习认为输入这个句子每个词
『赠书活动 ｜ 第五期』《人工智能数学基础》
『赠书活动 ｜ 第五期』《人工智能数学基础》
三十七、Fluent冰块融化模拟
单击Initialize后，点击Patch，对冰区域设置温度，选择Temperature，Value设置为-1℃，Zone to patch选择ice_surface。Solidus Temperature表示固相线温度，对于纯物质即凝固点，Liquidus Temperature表示熔点，对于纯物
基于GMM的一维时序数据平滑算法
在本文中探讨GMM作为时间数据平滑算法的使用。GMM（Gaussian Mixture Model）是一种统计模型，常用于数据聚类和密度估计，但也可以在一定程度上用作时间数据平滑算法。
YOLO v5结合热力图并可视化以及网络各层的特征图
YOLO v5结合热力图并可视化以及网络各层的特征图
ChatGPT免费使用：自建Chatbot UI搭建方法分享给大家学习使用-关键免科学上网
自建Chatbot UI搭建方法分享给大家学习使用-关键免科学上网
机器学习与深度学习——通过knn算法分类鸢尾花数据集iris求出错误率并进行可视化
KNN算法是一种基于实例的机器学习算法，其全称为K-最近邻算法（K-Nearest Neighbors Algorithm）。它是一种简单但非常有效的分类和回归算法。该算法的基本思想是：对于一个新的输入样本，通过计算它与训练集中所有样本的距离，找到与它距离最近的K个训练集样本，然后基于这K个样本的类
首个大规模图文多模态数据集LAION-400M介绍
openAI的图文多模态模型CLIP证明了图文多模态在多个领域都具有着巨大潜力，随之而来掀起了一股图文对比学习的风潮。就在前几天（2022年12月），连Kaiming都入手这一领域，将MAE的思路与CLIP的思路结合，推出了FLIP，有兴趣可戳（https://arxiv.org/abs/2212.
educoder-Spark机器学习
头歌Spark机器学习实训答案代码
数据偏度介绍和处理方法
偏度（skewness）是用来衡量概率分布或数据集中不对称程度的统计量。
【机器学习】第四节：监督学习算法对比评估
监督学习（英语：Supervised learning）是机器学习中最为常见、应用最为广泛的分支之一。本次实验将带你了解监督学习中常见的分类方法，并学会使用 scikit-learn 来构建预测模型，用于解决实际问题。
文生图关键问题探索：个性化定制和效果评价
文生图模型是当前人工智能领域最具潜力和前景的研究方向之一。未来，随着计算能力的提高和技术的进一步发展，文生图模型的应用前景将会更加广泛和深远。然而，针对其应用过程中存在的一些问题，如模型评价缺乏一致性、控制生成过程效率低下、定制个性化模型困难以及高质量文图数据集缺乏等，需要我们进一步研究探索解决方案
