Numpy科学计算库基础知识（Hello,world）
一、前言本人2020级本科生，坐标北京师范大学，主修人工智能，辅修教育学。在期末周来临之前萌在CSDN上发文章的想法，这样做的理由有两点，一方面可以在学习的同时归纳总结加深记忆，便于自己今后复习回顾；另一方面可以在CSDN这样的技术交流平台上留下自己的痕迹，记录AI人求学路上点滴的成长碎片。
谱聚类算法
谱聚类算法小组作业
【论文笔记】OPTIPROMPT：用prompt提取预训练模型中的客观事实
目录引言论文介绍1. Continuous prompt2. Prompt是否真的有用思考总结引言像BERT这样的预训练模型学习了大规模语料的词分布，同时也学习了语料中的客观事实。基于这样的直觉，Petroni et al. (2019)提出LAMA模型，首次从BERT中以完形填空的方式提取客观事实
作业——机器学习教你预测商品销售额
（一）作业要求advertising.csv文件是某商品的广告推广费用（单位为元）和销售额数据（单位为千元），其中每行代表每一周的广告推广费用（包含微信、微博和其他类型三种广告费用）和销售额。若在未来的某两周，将各种广告投放金额按如下分配，请预测对应的商品销售额：（1）微信：100，微博：100，其
恒源云_文本数据扩增时，哪些单词 (不) 应该被选择？
文章来源 | 恒源云社区(恒源云，专注 AI 行业的共享算力平台)原文地址 | 论文笔记原文作者 | Mathor我在，或者我不在，大佬就在那里，持续不断的发文！所以，我还是老老实实的搬运吧！正文开始：文本扩增（Text Augmentation）现在大部分人都在用，因为它可以帮助提升文本分类的效果
人口出生居然可以XGBoost一步预测，普通程序员也可以
XGBoost可以针对分类和回归问题的梯度提升算法简单有效的实现。既快速又高效。也可以进行 ARIMA（时间序列） 相似的时间序列预测，需要先将时间序列数据集转化为监督学习问题。还需要使用一种专门的技术来评估模型，称为前向验证，因为使用 k 折交叉验证评估模型会导致乐观偏差的结果。听起来很复杂，但是
R语言sign函数判断数值为正数或者负数实战
R语言sign函数判断数值为正数或者负数实战目录R语言sign函数判断数值为正数或者负数实战#基本语法#正负数判断#基本语法sign(5) # Basic R syntax of sign function#正负数判断sign(-2:5) # Apply sign
5分钟 NLP 系列： Word2Vec和Doc2Vec
CBOW 和 Skip-gram Word2Vec、DM 和 DBOW Doc2Vec
对抗性攻击的原理简介
由于机器学习算法的输入形式是一种数值型向量（numeric vectors），所以攻击者就会通过设计一种有针对性的数值型向量从而让机器学习模型做出误判，这便被称为对抗性攻击。
深度学习与神经网络——邱锡鹏
一、绪论人工智能的一个子领域神经网络：一种以（人工)）神经元为基本单元的模型深度学习：一类机器学习问题，主要解决贡献度分配问题知识结构：路线图：顶会：1.1 人工智能诞生：人工智能这个学科的诞生有着明确的标志性事件，就是1956年的达特茅斯(Dartmouth)会议。在这次会议上，“人工智能” 被提
机器学习数学基础
目录1 线性代数1.1 矩阵定义1.2 矩阵中的概念1.2.1 向量1.3 矩阵的运算1.4 矩阵的转置1.5 矩阵的逆2 微积分2.1 导数的定义2.2 偏导数2.3 方向导数2.4 梯度2.5 凸函数和凹函数3 概率统计3.1 常用统计变量3.2 常见概率分布3.3 重要概率公式1 线性代数导语
机器学习笔记：常用数据集之scikit-learn生成分类和聚类数据集
scikie-learn中用于生成数据集的接口函数统一以'make_'打头，可以生成以下类型的数据集：(1) 分类和聚类数据集; (2) 回归数据集; (3) 流形学习数据集；(4) 降维数据集。 作为本系列的第三篇，本文介绍分类和聚类数据集的生成用的9个接口函数。
AI 技术专家纷纷回归学术界，大厂刮起「科学家出走潮」？
整理| 禾木木出品 |AI科技大本营（ID:rgznai100）又一大牛回归学术界！最近几年来，越来越多的海外华人科学家回归中国担任大梁，去年AI大牛朱松纯回到清华担任教授并组建北京通...
从熵到交叉熵损失的直观通俗的解释
对于机器学习和数据科学的初学者来说，必须清楚熵和交叉熵的概念.在本文中，我将尝试从信息论的角度解释有关熵的概念
阅读和实现深度学习的论文初学者指南
如果想了解黑匣子内部发生了么，提高创造力或成为第一个将最新科学研究带入业务的开发人员 这篇文章应该可以帮到你。
可解释的AI (XAI)：如何使用LIME 和 SHAP更好地解释模型的预测
在本文中，我将介绍两个可以帮助了解模型的决策过程的模型 LIME 和 SHAP。将可解释性集成到机器学习模型中可以帮助决策者和其他利益相关者有更多的可见性并可以让他们理解模型输出决策的解释。
18 个 实用的Numpy 代码片段总结
在本文中，我整理了一些 NumPy 代码的片段，这些代码片段都是在日常开发中经常用到的。
联邦学习（Federated Learning）详解以及示例代码
联邦学习也称为协同学习，它可以在产生数据的设备上进行大规模的训练，并且这些敏感数据保留在数据的所有者那里
为什么 Pi 会出现在正态分布的方程中？
本篇文章将介绍钟形曲线是如何形成的，以及π为什么会出现在一个看似与它无关的曲线的公式中。
Self-Training：用半监督的方式对任何有监督分类算法进行训练
本文将对Self-Training的流程做一个详细的介绍并使用Python 和Sklearn 实现一个完整的Self-Training示例。
