超分AI模型学习
超分（超分辨率：Super Resolution，SR）：是计算机视觉和图像处理领域的一个热门话题。主要是将低分辨率图像恢复出高分辨率图像。可以采用的方法和手段很多，最近项目中有涉及（红外成像的超分处理），将碰到的一些零散的知识整理了一下，记录一下。
AI是否可以主动进行编程和调试？
通过机器学习、深度学习等技术，AI可以学习和模仿人类编写的程序，从而实现编写程序的能力。例如，谷歌的AI机器人Bard具备写程序和调试的功能，可用于20多种编程语言，包括C++、Go、Java、Javascript、Python和Typescript等。此外，还有研究团队开发了能够自动生成完整软件程
AI：227-利用机器学习实现语音情感合成：技术框架与应用实例
语音合成（Text-to-Speech, TTS）技术已经相对成熟，但合成语音往往缺乏情感表达，使其听起来机械而生硬。为了使合成语音更具自然性和情感表达，研究人员开始探索如何将情感信息嵌入到语音合成系统中。在本文中，我们详细探讨了利用机器学习进行语音情感合成的各个方面。背景介绍：语音情感合成是指利用
【人工智能】深入理解自监督学习中的表征学习与对比学习
自监督学习通过构造代理任务，让模型从无标签数据中获取有用特征。表征学习提取数据的低维表示，提高模型在下游任务中的性能。对比学习通过正负样本对，最大化正样本的相似度，最小化负样本的相似度。本文详细介绍了自监督学习在计算机视觉和自然语言处理中的应用，并通过代码示例展示了表征学习和对比学习的实现，强调了自
AI中的数学魔法：如何利用高等数学让机器学习模型更智能
高等数学为人工智能的诸多领域提供了坚实的理论基础，从优化算法的偏导数，到约束优化中的拉格朗日乘数法，再到信号处理中的傅里叶变换和概率推理中的贝叶斯定理。这些数学工具不仅让AI模型更加智能和高效，也让我们能够在复杂的现实问题中找到更优的解决方案。通过本文的代码示例，你可以更好地理解这些高等数学概念在A
AI产品经理必备：机器学习算法基础
根据已有的数据集（样本集），知道输入（特征）和输出结果（标签）之间的关系。根据这种已知的关系，训练得到一个最优的模型。样本：数据的基础单位在机器学习中，样本（Sample）是用于描述一个事件或一个对象记录的集合，也可理解为模型训练和学习的基础单元；每个样本通常由一组特征组成，这些特征可以是数值、文字
【机器学习】智能驱动未来：机器学习在能源效率提升与环境管理中的创新应用
在21世纪的今天，随着全球经济的飞速发展和人口的不断增长，能源需求急剧上升，环境问题日益严峻。面对能源短缺、环境污染和气候变化等全球性挑战，人类社会迫切需要寻找新的解决方案，以实现可持续发展。智能技术的兴起，特别是机器学习技术的快速发展，为能源效率提升与环境管理提供了前所未有的机遇
音频去噪：使用Python和FFT增强音质
声音去噪目标是改善聆听体验以及音频分析和处理的准确性。过滤掉噪音对于高保真音频来说非常重要,不仅是为了聆听,也是为了创建某些机器学习任务的数据集。
【人工智能】Transformers之Pipeline（九）：物体检测（object-detection）
本文对transformers之pipeline的物体检测（object-detection）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行代码极简的使用计算机视觉中的物体检测（object-detection）模型。
技术干货 | AI驱动工程仿真和设计创新
在当今快速发展的技术领域，人工智能（AI）、机器学习和深度学习等技术已经成为推动工程仿真和设计创新的关键力量。
Python数据风险案例54——人工智能热门概念股爬虫分析其价值(三因子模型)
爬虫获取人工智能概念股数据，并使用三因子模型分析其投z价值。
人工智能和计算机视觉领域国际学术会议submission
人工智能和计算机视觉领域国际学术会议submission参考。
深入探索：【人工智能】、【机器学习】与【深度学习】的全景视觉之旅
人工智能、机器学习和深度学习是现代科技的重要组成部分，正深刻影响着各个行业的发展。从理论到实践，再到未来的发展趋势，AI技术的发展为我们提供了前所未有的工具来解决复杂的问题。然而，随着技术的进步，新的挑战也随之而来，如数据隐私、伦理问题等。为了实现AI技术的可持续发展，我们需要在技术创新与社会责任之
【人工智能 | 机器学习 | 理论篇】模型评估与选择
本文为个人学习笔记。
跟李沐学AI：卷积层
卷积是一个特殊的全连接层。卷积神经网络是包含卷积层的一类特殊的神经网络。在深度学习研究社区中，𝑉被称为卷积核（convolution kernel）或者滤波器（filter），亦或简单地称之为该卷积层的权重，通常该权重是可学习的参数。当图像处理的局部区域很小时，卷积神经网络与多层感知机的训练差异可
多元时间序列分析统计学基础：基本概念、VMA、VAR和VARMA
在这文章我们将通过可视化和Python实现来学习多元时间序列概念。这里假设读者已经了解单变量时间序列分析。
什么是深度神经网络？与深度学习、机器学习、人工智能的关系是什么？
深度神经网络是一种具有多个隐藏层的神经网络（如下图，神经网络概念图），通过模拟人脑神经元的连接方式，实现对输入数据的复杂处理和特征提取，如何实现这一技术，就需要通过强大的编程编辑代码来实现了。深度学习是机器学习的一个子集，它主要通过使用深度神经网络来模拟人脑的学习过程，通过构建具有多个处理层次的神经
【Datawhale AI夏令营】电力需求预测挑战赛 Task03
以两层为例，第一层由多个基学习器组成，其输入为原始训练集，第二层的模型则是以第一层基学习器的输出作为特征加入训练集进行再训练，从而得到完整的stacking模型。进行模型融合的前提是有多个模型的输出结果，比如使用catboost、xgboost和lightgbm三个模型分别输出三个结果，这时就可以将
Pandas中高效的“For循环”
在这篇博文中，我们将探索遍历pandas dataframe的各种方法，检查每个循环方法的相关运行时。为了验证循环的有效性，我们将生成百万级别的数据，这也是我们在日常处理中经常遇到的数量级。
从零入门 AI for Science（AI+药物) #Datawhale AI 夏令营
从零入门 AI for Science（AI + 药物) #Datawhale AI 夏令营
