【机器学习】生成对抗网络(Generative Adversarial Networks, GANs)详解
生成对抗网络(Generative Adversarial Networks, GANs)是一种全新的生成模型架构,由Ian Goodfellow等人在2014年提出。GANs通过对抗训练的方式,能够从噪声分布中生成逼真的数据样本,在图像生成、语音合成、数据增广等领域展现出巨大的潜力。本文将详细介绍
KAN专家混合模型在高性能时间序列预测中的应用：RMoK模型架构探析与Python代码实验
本文将深入探讨RMoK模型的架构和内部机制，并通过Python实现一个小型实验来验证其性能。
大数据与人工智能：脑科学与人工神经网络ANN
人工神经网络（ANN, Artificial Neural Networks）是一种受生物神经网络启发的计算模型，用于模拟人类大脑处理信息的方式。它由大量相互连接的节点（称为神经元）组成，这些神经元通过权重连接形成网络。ANN的基础构成包括输入层、隐藏层和输出层。输入层接收原始数据，隐藏层负责提取和
【人工智能】Transformers之Pipeline（十七）：文本分类（text-classification）
本文对transformers之pipeline的文本分类（text-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中的文本分类（text-classification
【人工智能】枢纽：数据驱动洞察引领未来智能系统
人工智能是当今最具革命性的技术之一，从基础的机器学习、深度学习到更复杂的自然语言处理和强化学习，AI技术正在深刻影响各个行业。然而，随着技术的发展，AI也带来了伦理和安全方面的挑战。通过掌握人工智能的基本原理、算法和实际应用，未来的研究和工程师可以在这个领域继续推动创新并解决现实问题。
AI：266-利用机器学习提升金融预测准确性与风险控制【技术与案例分析】
在现代金融市场中，机器学习技术已成为预测和风险管理的重要工具。金融市场预测涉及利用历史数据预测股票价格、市场趋势以及其他金融指标，而风险管理则侧重于识别和缓解潜在的金融风险。本文将探讨机器学习在这两个领域中的应用，包括具体的代码实例，以帮助理解其实际应用。
使用ClassificationThresholdTuner进行二元和多类分类问题阈值调整，提高模型性能增强结果可解释性
本文将深入探讨阈值调整的具体机制 — 特别是在多类分类问题中,这个过程可能会比较复杂。我们还将介绍一个名为 ClassificationThresholdTuner 的开源工具,这是笔者开发的一个自动化阈值调整和解释的工具。
Datawhale X 李宏毅苹果书 AI夏令营 Task1-机器学习初认识
作为一个技术小白，我的逻辑可能并不严密，专业知识并不丰富，但还是想通过这样的一种输出方式，谈谈自己的感受和理解，在写文章的同时帮助自己梳理思路，也为大家提供一点见解。机器要找一个函数 f，其输入是可能是种种跟预测 PM2.5 有关的指数，包括今天的 PM2.5 的数值、平均温度、平均的臭氧浓度等等，
深度学习笔记 # Datawhale X 李宏毅苹果书 AI夏令营
从零基础开始深度学习
如何解决NVIDIA显卡报错：uncorrectable ECC error的问题
线上问题出现的时候，如果国内的百度搜不到解决方案，就试试国际的Google，办法总比困难多。
Monte Carlo方法解决强化学习问题
本文继续深入探讨蒙特卡罗 (MC)方法。这些方法的特点是能够仅从经验中学习,不需要任何环境模型,这与动态规划(DP)方法形成对比。
【机器学习】周志华《机器学习》西瓜书勘误：按章节排序整理（截至2024年1月第45次印刷）
本文整理了机器学习领域经典之作：南京大学周志华教授的《机器学习》（西瓜书）勘误。包含博主按章节排序整理（截至2024年1月第45次印刷）及原印刷排序两部分。
AI：272-【机器学习算法】从线性到多维：多元线性回归算法的深度解析与应用实践
多元线性回归（Multiple Linear Regression）是机器学习中最基本且广泛应用的算法之一。尽管它简单易懂，但在实际应用中仍然能解决许多复杂的问题。本篇文章将从零开始，逐步深入地讲解多元线性回归算法的原理，并通过Python代码实例帮助你理解和实现这一算法。
人工智能深度学习系列—探索余弦相似度损失：深度学习中的相似性度量神器
在机器学习和模式识别领域，评估样本间的相似性是一项基本而关键的任务。余弦相似度损失（Cosine Similarity Loss）作为一种衡量向量间相似度的损失函数，在深度学习中被广泛用于相似性度量问题。本文将详细介绍余弦相似度损失的背景、计算方法、使用场景、代码实现及总结。**余弦相似度是两个向量
时间序列结构变化分析：Python实现时间序列变化点检测
在时间序列分析和预测中，准确检测结构变化至关重要。
深入理解变分图自编码器（VGAE）：原理、特点、作用及实现
图神经网络（Graph Neural Networks, GNNs）在处理图结构数据方面展现出强大的能力。其中，变分图自编码器（Variational Graph Auto-Encoder, VGAE）是一种无监督学习模型，广泛用于图嵌入和图聚类任务。本文将深入探讨VGAE的原理、特点、作用及其具体
图特征工程实践指南：从节点中心性到全局拓扑的多尺度特征提取
本文将介绍如何利用NetworkX在不同层面（节点、边和整体图）提取重要的图特征。
透明性和解释性AI：概念与应用
透明性AI指的是AI系统的操作过程、决策机制、数据流动和模型行为是可理解和可追踪的。换句话说，透明性AI使得人们可以清楚地看到AI系统是如何做出决策的，这一过程包括输入数据的处理方式、模型的内部计算过程、以及最终决策的产生机制。解释性AI是指AI系统不仅能够给出决策结果，还能够提供关于该决策如何产生
机器学习/人工智能中的学习证明
在进行任何数学发展之前，我们必须首先了解学习的基础以及它如何与错误的概念密切相关。关于代价函数，它的工作原理是梯度下降原理。本文将回顾梯度下降原理。
