【人工智能】线性回归
一、使用正规化方法计算下列样本的预测函数1. 没有归一化之前2. 归一化之后二、读取ex1data2.txt中的数据，建立样本集，使用正规化法获取（房屋面积，房间数量）与房屋价格间的预测函数1. 读取数据，建立样本集2. 设置X、y3. 计算theta三、读取ex1data1.txt中的数据，建立样
20240927 每日AI必读资讯
我们最近发布的语音到语音转换和OpenAI O1标志着交互和智能的新时代的开始——这些成就是由你们的聪明才智和手艺实现的。在这个过程中，AI会通过多次尝试得到反馈。这个阶段的重点是让AI明白哪些地方出错了，并且不会只做一些很小的、无关紧要的修改，而是能够真正找到并改正大的错误。这一成功证明了我们出色
大数据-194 数据挖掘 机器学习理论 有监督、无监督、半监督、强化学习
从上图我们看出，对于复杂的数据，低阶多项式往往是欠拟合的状态，而高阶多项式则过分捕捉噪声数据的分布规律，而噪声数据之所以称为噪声，是因为其分布毫无规律可言，或者其分布毫无价值，因此就算高阶多项式在当前训练集上拟合度很高，但其捕捉到无用规律无法推广到新的数据集上，因此该模型在测试数据集上执行过程将会有
随机性、熵与随机数生成器:解析伪随机数生成器（PRNG）和真随机数生成器（TRNG）
本文将探讨随机性、熵的概念以及不同类型随机数生成器(random number generator, RNG)的原理,重点介绍伪随机数生成器(PRNG)和真随机数生成器(TRNG)。
【实践篇】ChatGLM3-6B AI大模型的部署、微调训练智能客服
修改/mnt/workspace/apps/ChatGLM3/basic_demo/cli_demo.py，将默认的THUDM/chatglm3-6b修改为你的模型地址，比如我的是/mnt/workspace/models/chatglm3-6b。--model_name_or_path /mnt/
高斯分布（正态分布）
(1)高斯分布又名正态分布，在点云中的解释应为，在从某点邻近搜索的一块区域内，所有点的分布应该符合如下图的分布规律(2)实现高斯分布的公式为（公式不重要，不用记）其中【二者为主要变量】均值：u越小，图像整体向左偏移，u越大，图像整体向右偏移。方差对高斯分布的影响：σ越大，数据分布越分散，σ越小，数据
头歌——人工智能（机器学习 --- 决策树2）
后剪枝的思路很直接，对于决策树中的每一个非叶子结点的子树，我们尝试着把它替换成一个叶子结点，该叶子结点的类别我们用子树所覆盖训练样本中存在最多的那个类来代替，这样就产生了一个简化决策树，然后比较这两个决策树在测试数据集中的表现，如果简化决策树在验证数据集中的准确率有所提高，那么该子树就可以替换成叶子
成功解决刁钻bug问题—数据穿越的问题之在子函数内部使用重载dataframe格式的全局变量并执行赋值等相关操作
成功解决刁钻bug问题—数据穿越的问题之在子函数内部使用重载dataframe格式的全局变量并执行赋值等相关操作目录解决问题解决思路解决方法解决问题在子函数内部使用重载dataframe并执行赋值等相关操，导致数据穿越的问题在Python中，如果你希望在子函数内部使用重载的DataFrame格式的
KNN算法（距离度量、归一化标准化）--day06
其中p≥1 是闵可夫斯基指数。切比雪夫距离（Chebyshev distance），也称为棋盘距离或无限范数距离，是在几何空间中计算两点之间的距离的一种方法，它使用的度量方式是各坐标数值差的绝对值的最大值。闵可夫斯基距离是一种重要的距离度量方法，能够根据p的值在曼哈顿距离和欧氏距离之间进行平滑过渡，
【去哪儿-注册安全分析报告-缺少轨迹的滑动条】
去哪儿（包含去哪儿旅行APP及去哪儿网Qunar.com）是中国领先的一站式旅行平台。去哪儿网站上线于2005年5月，2010年去哪儿旅行App面世。成立至今，去哪儿坚持以低价为核心竞争力，帮助更多用户解锁“人生第一张机票”。截至目前，去哪儿已拥有超两亿交易用户，并以年新增交易用户逾千万的规模持续增
基于安全风险预测的自动驾驶自适应巡航控制优化
从周边车辆运动学状态参数和道路设施条件参数中提取场景特征指标和安全风险度量指标，采用极端梯度提升模型（XGboost）和长短时记忆模型（LSTM）进行安全风险预测，由此提出基于安全风险预测的自动驾驶自适应巡航控制（ACC）优化方法，并选取碰撞发生概率、速度平均值、速度标准差3种指标评价ACC表现。通
【机器学习】音乐与AI的交响：机器学习在音乐产业中的应用
在人类文明的长河中，音乐始终扮演着至关重要的角色。它不仅是情感的载体，更是文化的桥梁，跨越时空，连接着不同的人群和时代。然而，随着科技的飞速发展，特别是人工智能技术的崛起，音乐产业正经历着一场前所未有的变革。在这场变革中，机器学习作为人工智能的核心技术之一，正以其独特的魅力和无限的潜力，悄然改变着音
理解vllm分布式推理服务中的多节点Multi-Node部署方式
使用vllm中的多节点分布式推理模式部署llm
【AI原理解析】—对抗学习（AL）原理
对抗学习的核心思想是通过两个模型的相互对抗，使得生成模型（Generator）能够生成越来越逼真的数据，以欺骗判别模型（Discriminator）。同时，判别模型的目标则是尽可能准确地判断出生成模型生成的数据和真实数据。未来，对抗学习有望在更多领域发挥重要作用，为机器学习技术的发展带来新的突破。对
机器学习——自动机器学习(AutoML)
自动机器学习（AutoML）是指通过自动化的方法来选择模型、调整超参数和预处理数据的过程，从而让没有丰富经验的用户也能创建高质量的机器学习模型。与传统的机器学习方法相比，AutoML能够自动执行数据预处理、特征工程、模型选择、超参数优化等多个步骤，大大降低了机器学习的技术门槛。自动机器学习（Auto
数据集划分方法
数据集划分是机器学习和数据科学中的一个重要步骤，主要目的是为了确保模型的有效性和可靠性。将数据集划分为互斥的子集：训练集和测试集。训练集: 用于训练模型。测试集: 用于评估模型的性能和验证其准确性。将数据集分成多个子集，通常包括训练集、验证集和测试集。训练集: 用于训练模型。验证集: 用于调整模型的
什么是2范数、1范数、∞范数？
例如，2范数常用于计算向量之间的欧几里得距离，1范数用于优化问题中的稀疏性约束，而无穷范数则用于测量向量中最大分量的影响。在数学和线性代数中，范数（Norm）是一种测量向量大小或长度的工具。1范数，也称为曼哈顿范数或绝对值和范数，表示向量各元素绝对值的总和。2范数，也称为欧几里得范数，表示向量在欧几
基于图论的时间序列数据平稳性与连通性分析：利用图形、数学和 Python 揭示时间序列数据中的隐藏模式
在本文中,我们将探讨图论如何洞察时间关系和平稳性，将介绍基于图的变换的基本概念,讨论时间序列数据的平稳性,并展示如何应用这些概念。
大数据分析案例-基于逻辑回归算法构建抑郁非抑郁推文识别模型
本项目基于逻辑回归算法构建抑郁非抑郁推文识别模型具有重要的研究背景和应用价值。通过该模型的研究和应用，我们可以更好地理解和预测社交媒体中用户的心理健康状况，为抑郁症等心理疾病的防治提供有力的支持。在本次实验中，我们探索了使用不同的机器学习算法——逻辑回归、决策树和XGBoost——来构建抑郁非抑郁推
人工智能深度学习系列—深入解析：均方误差损失（MSE Loss）在深度学习中的应用与实践
在深度学习的世界里，损失函数犹如一把尺子，衡量着模型预测与实际结果之间的差距。均方误差损失（Mean Squared Error Loss，简称MSE Loss）作为回归问题中的常见损失函数，以其简单直观的特点，广泛应用于各种预测任务。本文将带您深入了解MSE Loss的背景、计算方法、使用场景以及
