人工智能的核心技术之机器学习
人工智能（AI）是一个快速发展的领域，其核心技术不断演进和扩展。机器学习（Machine Learning）：这是AI的一个分支，使计算机能够从数据中学习并做出预测或决策。深度学习（Deep Learning）：是机器学习的一个子集，它使用多层神经网络来模拟人脑的信息处理方式，处理复杂的数据模式。自
补充：理解Query、Key和Value
Query（查询）每个输入元素（如单词、字符等）都有一个Query向量。Query向量表示我们正在寻找的信息或特征。在计算注意力权重时，Query用于匹配Key，从而确定关注哪些元素及其重要程度。Key（键）每个输入元素也有一个Key向量。Key向量表示元素的特征或内容。Key用于与Query匹配，
【交通标志识别系统】Python+卷积神经网络算法+人工智能+深度学习+机器学习+算法模型
交通标志识别系统。本系统使用Python作为主要编程语言，在交通标志图像识别功能实现中，基于TensorFlow搭建卷积神经网络算法模型，通过对收集到的58种常见的交通标志图像作为数据集，进行迭代训练最后得到一个识别精度较高的模型文件，然后保存为本地的h5格式文件。再使用Django开发Web网页端
【AI知识点】机器学习中的常用优化算法（梯度下降、SGD、Adam等）
在机器学习中优化算法（Optimization Algorithm） 的任务是找到模型参数（如权重、偏置等），使得损失函数（例如均方误差、交叉熵等）最小化。损失函数度量的是模型预测值与真实标签之间的误差。优化算法通过不断调整模型的参数，使损失函数达到全局或局部最小值。
过采样与欠采样技术原理图解:基于二维数据的常见方法效果对比
本文详细探讨了在不平衡数据集上进行分类任务时常用的过采样和欠采样技术。通过二维数据可视化示例,直观展现了各类采样方法的原理和效果差异。
人工智能和机器学习之线性代数（一）
介绍向量和矩阵的基础知识以及开源的机器学习框架PyTorch。
【人工智能】Transformers之Pipeline（二十）：令牌分类（token-classification）
本文对transformers之pipeline的令牌分类（token-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NLP中的令牌分类（token-classificati
《AI系统：原理与架构》于华为HC大会2024正式发布
（ZOMI 酱, 苏统华编著. 北京 : 科学出版社, 2024. 9）主要围绕AI 系统的理论基础与技术基础知识展开，结合实例进行介绍，旨在让读者了解AI 系统的来龙去脉，形成对AI 系统的系统化与层次化的初步理解，掌握AI 系统基本理论、技术、实际应用及研究方向，为后续从事具体的学习研究工作和项
用GPT打造一个专门写网文小说的AI智能体！轻松掌控故事发展
它可以根据你提供的输入（prompt）生成符合逻辑的内容，而训练一个AI智能体就是定制和优化这个能力，使其更符合你的个人需求，比如专门为你撰写某种风格或类型的网文小说。通过训练，你可以让AI根据指定的角色、剧情线、写作风格等，自动生成大量文本，极大地提升写作效率，同时还可以为你提供不同的灵感。你可以
11种经典时间序列预测方法：理论、Python实现与应用
本文将总结11种经典的时间序列预测方法，并提供它们在Python中的实现示例。
金融信用评分卡建模项目：AI辅助
（Weight of Evidence）转换是一种将分类变量的每个类别映射到一个连续的数值的方法，这个数值反映了该类别相对于参考类别（通常是目标事件发生率最低的类别）对目标事件发生概率的影响强度。这是此项目唯一的亮点和创新性，将llm融入评分卡建模的过程，目前市场上是不多见的。这是评分卡建模最后一
一颗改变视觉AI领域的重磅炸弹——YOLO 11
Ultralytics在2024年YOLO Vision活动上隆重推出全新计算机视觉模型——YOLO 11。YOLO 11于今日正式开源，为广大开发者带来更高效、更精准的视觉识别体验。YOLO 11标志着YOLO系列模型翻开新的篇章，它带来了一系列强大的功能和优化，使其更快，更准确，并且功能多样。
【AI知识点】交叉注意力机制（Cross-Attention Mechanism）
交叉注意力机制（Cross-Attention Mechanism） 是一种在深度学习中广泛使用的技术，尤其在序列到序列（sequence-to-sequence）模型和Transformer 模型中被大量应用。它主要用于不同输入之间的信息交互，使模型能够有效地将来自不同来源的上下文进行对齐和关注，
【Python机器学习】Logistic回归——从疝气病症预测病马的死亡率
数据中的缺失值是个非常棘手的问题
sheng的学习笔记-AI-归纳逻辑程序设计（ILP）
归纳逻辑程序设计采用自底向上的规则生成策略，直接将一个或多个正例所对应的具体事实(grounded fact)作为初始规则，再对规则逐步进行泛化以增加其对样例的覆盖率。泛化操作可以是将规则中的常量替换为逻辑变量，也可以是删除规则体中的某个文字。为简便起见，暂且假定“更好(X,Y)”仅决定于(X,Y)
机器学习中空间和时间自相关的分析：从理论基础到实践应用
空间和时间自相关是数据分析中的两个基本概念,它们揭示了现象在空间和时间维度上的相互依赖关系。
【AI知识点】残差网络（ResNet，Residual Networks）
残差网络（ResNet，Residual Networks） 是由微软研究院的何凯明等人在 2015 年提出的一种深度神经网络架构，在深度学习领域取得了巨大的成功。它通过引入残差连接（Residual Connection） 解决了深层神经网络中的梯度消失（Vanishing Gradient） 问
智能工厂的设计软件 中的AI操作系统的“三维时间”（历时/共时/等时）构建的“能力成熟度-时间规模”平面
三套设计 “三维度时间”的维度【数】/“三向度空间”的向度量【量】和“双深度时空值”的【值】分别为 程序的三种变点 （程序横切点（表面构造类Class的 切点）/程序竖分点（ 内建类型Type的埋点）/程序纵插点（外创方法Method的插点））给出了它们全部的 符号学意义(符号学本身的sign 意义
【AI大模型】深入Transformer架构：解码器部分的实现与解析
由N个解码器层堆叠而成每个解码器层由三个子层连接结构组成第一个子层连接结构包括一个多头自注意力子层和规范化层以及一个残差连接第二个子层连接结构包括一个多头注意力子层和规范化层以及一个残差连接第三个子层连接结构包括一个前馈全连接子层和规范化层以及一个残差连接说明:解码器层中的各个部分，如，多头注意力机
特征工程在营销组合建模中的应用：基于因果推断的机器学习方法优化渠道效应估计
因果推断方法为特征工程提供了一个更深层次的框架，使我们能够区分真正的因果关系和简单的统计相关性。
