中科大2023春季【高级人工智能】试题回顾
记得不是很清楚了，但是可以大概回忆一下（0-o）题型还是填空+判断+简答+计算考了信息熵公式，搜索问题的五要素，hingeloss公式，SVM优化目标函数，约束求解问题的(X,D,C)的含义。无限集合有k个球，球的分布是什么样子的时候熵最大。迭代深度优先搜搜的时空复杂度。决策树通过什么防止过拟合。（
ADMM算法系列1：线性等式或不等式约束下可分离凸优化问题的ADMM扩展
推导过程也很简单就是在原始ADMM算法的基础上去掉常数项演变而来，它的收敛性证明便遵循了上面所阐述的收敛性路线图，即先找到它的变分不等式然后凑出收敛性证明的预测校正框架即可。在此基础上，可以设计一系列具体的基于ADMM的算法，这些算法在预测校正结构中具有可证明的收敛性。这里就和前文对应了，主要是想说
使用Python代码识别股票价格图表模式
在股票市场交易的动态环境中，技术和金融的融合催生了分析市场趋势和预测未来价格走势的先进方法。本文将使用Python进行股票模式识别。
机器学习｜优化算法 | 评估方法｜分类模型性能评价指标 | 正则化
机器学习｜正则化｜评估方法｜分类模型性能评价指标｜吴恩达学习笔记（哔哩哔哩视频and课堂PPT笔记梳理）
人工智能 - 人脸识别：发展历史、技术全解与实战
本文全面探讨了人脸识别技术的发展历程、关键方法及其应用任务目标，深入分析了从几何特征到深度学习的技术演进。
4个解决特定的任务的Pandas高效代码
在本文中，我将分享4个在一行代码中完成的Pandas操作。这些操作可以有效地解决特定的任务，并以一种好的方式给出结果。
【PyTorch】第六节：乳腺癌的预测（二分类问题）
上一个实验我们讲解了线性问题的求解步骤，本实验我们以乳腺癌的预测为实例，详细的阐述如何利用 PyTorch 求解一个非线性问题。
单位冲激函数与单位阶跃函数
本节主要介绍另外两个基本信号，在连续时间和离散时间情况下的单位阶跃和单位冲激函数，在信号与系统的分析中很重要。
高斯混合模型:GMM和期望最大化算法的理论和代码实现
高斯混合模型(gmm)是将数据表示为高斯(正态)分布的混合的统计模型。这些模型可用于识别数据集中的组，并捕获数据分布的复杂、多模态结构。
【古诗生成AI实战】之五——加载模型进行古诗生成
这部分是项目中非常激动人心的一环，因为我们将看到我们的模型如何利用先前学习的知识来创造出新的古诗文本。这是一个重要的里程碑，因为训练好的模型是我们进行文本生成的基础。* 生成文本：从初始文本（例如“天”）开始，逐字生成新的文本，直到达到指定长度（如32个字符）。在这部分内容中，我们将探讨如何使用预训
机器学习可解释性一（LIME）
对于机器学习的用户而言，模型的可解释性是一种较为主观的性质，我们无法通过严谨的数学表达方法形式化定义可解释性。通常，我们可以认为机器学习的可解释性刻画了“人类对模型决策或预测结果的理解程度”，即用户可以更容易地理解解释性较高的模型做出的决策和预测。从哲学的角度来说，为了理解何为机器学习的可解释性，我
Pandas中选择和过滤数据的终极指南
本文将介绍使用pandas进行数据选择和过滤的基本技术和函数。无论是需要提取特定的行或列，还是需要应用条件过滤，pandas都可以满足需求。
[log_softmax]——深度学习中的一种激活函数
具体来说，在模型训练过程中，[log_softmax]可以被当作是损失函数的一部分，用于计算预测值与真实值之间的距离。在深度学习中，我们需要将神经网络的输出转化为预测结果，而由于输出值并非总是代表着概率，因此我们需要使用激活函数将其转化为概率值。总结来说，[log_softmax]是深度学习中非常重
人工智能 - 图像分类：发展历史、技术全解与实战
在本文中，我们深入探讨了图像分类技术的发展历程、核心技术、实际代码实现以及通过MNIST和CIFAR-10数据集的案例实战。文章不仅提供了技术细节和实际操作的指南，还展望了图像分类技术未来的发展趋势和挑战。
深入探讨机器学习中的过拟合现象及其解决方法
真正喜欢的人和事都值得我们去坚持。
使用Accelerate库在多GPU上进行LLM推理
本文将使用多个3090将llama2-7b的推理扩展在多个GPU上
三种常用的风险价值(VaR)计算方法总结
风险价值(VaR)是金融领域广泛使用的风险度量，它量化了在特定时间范围内和给定置信度水平下投资或投资组合的潜在损失。
MNIST数据集ubyte格式数据解析
MNIST数据集格式解析
使用skforecast进行时间序列预测
在本文中，将介绍skforecast并演示了如何使用它在时间序列数据上生成预测。skforecast库的一个有价值的特性是它能够使用没有日期时间索引的数据进行训练和预测。
多模态技术综述
多模态机器学习是对计算机算法的研究，通过使用多模态数据集来学习和提高性能。多模式深度学习是一个机器学习子领域，旨在训练人工智能模型来处理和找到不同类型的数据（模式）之间的关系，通常是图像、视频、音频和文本。通过组合不同的模式，深度学习模型可以更普遍地理解其环境，因为一些线索只存在于某些模式中。想象一
