精简模型，提升效能：线性回归中的特征选择技巧
在本文中，我们将探讨各种特征选择方法和技术，用以在保持模型评分可接受的情况下减少特征数量。通过减少噪声和冗余信息，模型可以更快地处理，并减少复杂性。
【人工智能】Transformers之Pipeline（五）：深度估计（depth-estimation）
本文对transformers之pipeline的深度估计（depth-estimation）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使用文中的代码极简的使用计算机视觉中的深度估计（depth-estimation）模型，应用
人工智能与伦理挑战：多维度应对策略
人工智能技术近年来取得了迅猛发展，广泛应用于医疗诊断、金融分析、教育辅助、自动驾驶等各个领域，极大地提升了生产效率和服务质量，推动了科技进步和商业创新。然而，伴随其普及和应用的泛滥，AI也带来了数据隐私侵犯、信息茧房、算法歧视、虚假信息传播等诸多问题，导致社会信任危机和伦理道德挑战凸显。这种技术的双
【人工智能高频面试题--基础篇】
人工智能面试题，他来了！
【Datawhale AI夏令营】|从零入门机器学习竞赛笔记
是一款基于决策树算法的分布式梯度提升框架，旨在提供快速高效、低内存占用、高准确率的模型训练工具。它通过多种优化手段，解决了传统GBDT在面对海量数据时遇到的效率和内存瓶颈问题，使其更适用于工业级应用。
Datawhale AI 夏令营 Task03
接着，通过学习别人的笔记，通过对Task02中单一lightgbm的特征工程改进会提升运行结果的分数。后来观察到Task03中还提供了在数据建立特征工程后，通过三者堆叠融合后可输出结果，我又进行了尝试，本次代码运行耗时较长，且代码长度也比较长，可相对较好的是结果提交后有了不错的分数提升，分数从257
DataWhale夏令营（机器学习方向）——分子性质AI预测挑战赛
#AI夏令营 #Datawhale #夏令营该笔记是在博主Mr.chenlex跑分后的基础上加以改进，原文连接：Datawhale AI夏令营 - 机器学习：分子性质AI预测挑战赛#ai夏令营datawhale#夏令营-CSDN博客直接套用原博主的Baseline（需另进行库的下载以及配置，下文会进
【人工智能】使用Python的dlib库实现人脸识别技术
人脸识别技术已经成为现代技术的重要组成部分，被广泛应用于安全监控、身份验证、智能门禁等领域。随着机器学习和深度学习技术的发展，人脸识别的准确性和应用范围得到了极大提升。本文将介绍人脸识别技术的发展历程，并展示如何使用Python和dlib库实现简单的人脸识别。
【AI大模型】RAG 与 Embedding
从而在几乎不影响最终效果的情况下降低向量检索与相似度计算的复杂度。text-embedding-ada-002 只支持1536维计算。
边缘计算与人工智能：结合与机器学习
1.背景介绍边缘计算(Edge Computing)是一种计算模型，它将数据处理和分析从中央服务器移动到边缘设备，如路由器、交换机、服务器等。这种模型的出现主要是为了解决数据量大、计算量大的应用场景下的延迟问题。与云计算相对，边缘计算更注重减少数据传输时间，提高实时性。随着人工智能(AI)技术的发展
Datawhale AI 夏令营 电力需求预测赛（机器学习）——task2个人笔记
此处的model参数设定处，因为使用的lightgbm为3.3.0版本，如果使用最新版本的lightgbm会导致报错，我在此处也因为版本问题苦恼许久，后面根据群内大佬的解答，此处的verbose_eval=500, early_stopping_rounds=500可以进行更改，更改为callbac
AI：202-利用机器学习优化能源消耗与管理【从理论到实践】
从基础到实践，深入学习。无论你是初学者还是经验丰富的老手，对于本专栏案例和项目实践都有参考学习意义。每一个案例都附带关键代码，详细讲解供大家学习，希望可以帮到大家。正在不断更新中~
国内加载流畅的AI模型训练平台 【Swanlab快速入门】
SwanLab是一款开源、轻量级的AI实验跟踪工具，提供了一个跟踪、比较、和协作实验的平台，旨在加速AI研发团队100倍的研发效率。其提供了友好的API和漂亮的界面，结合了超参数跟踪、指标记录、在线协作、实验链接分享、实时消息通知等功能，让您可以快速跟踪ML实验、可视化过程、分享给同伴。借助Swan
Datawhale AI 夏令营——电力需求挑战赛——Task1学习笔记
很简单的流程，最关键的处理数据也只是单纯的筛选、分组、求平均、重置序号、合并。这一份 baseline 只是用来入门，明显可以优化，具体考虑增加数据处理的流程与准确性，参数的选取与加工等等。时间序列问题是指对按时间顺序排列的数据点进行分析和预测的问题，往往用来做未来的趋势预测。比如，基于历史股票每天
PyTorch Tabular：高效优化结构化数据处理的强大工具
PyTorch Tabular 是一个用于构建和训练深度学习模型以解决各种表格数据问题的库。
【人工智能】生成式AI的未来发展方向探讨
综上所述，生成式AI的未来发展方向不仅仅是对话系统和自主代理的单一选择，而是在这两个领域的技术进步和交叉应用中逐步展现出更广阔的前景。无论是在智能的人机交互还是在实体世界的智能应用中，生成式AI都将扮演着越来越重要的角色，推动人工智能技术向前迈进。随着技术的不断进步和应用场景的扩展，我们有理由期待，
Toolify.ai：智能推荐一站式AI工具平台，轻松找到适合你需要的AI工具
Toolify.ai作为一款智能推荐一站式AI工具平台，具有广泛的应用前景。然而，它也面临着一些挑战，例如如何处理用户隐私问题、如何提高推荐算法的准确性和效率等。未来，随着人工智能技术的不断发展，Toolify.ai有望在更多场景中得到应用，同时也将面临更多的挑战和机遇。
MetaGPT：让AI像人类一样协作编程
在人工智能领域，大型语言模型（LLM）的应用不断突破，为自动化问题解决带来了前所未有的可能性。基于LLM的多智能体系统已经可以解决简单的对话任务，但面对更复杂的任务时，由于LLM之间相互传递信息时产生的“幻觉”现象，导致逻辑不一致，难以找到有效的解决方案。为了克服这一挑战，我们提出了MetaGPT，
时间序列问题解题（基于经验模型，使用机器学习模型）（Datawhale AI 夏令营）
时间序列问题是一类重要的统计和数据分析问题，它涉及对按时间顺序排列的数据点进行分析、建模和预测。时间序列数据是由一系列随时间变化而观测到的数值组成的，这些数据可以反映各种现象，如股票价格、气温变化、销售额、交通流量等。时间序列分析广泛应用于经济学、金融学、气象学、工程学、公共卫生学等众多领域。问题定
