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
【机器学习】基于密度的聚类算法：DBSCAN详解
在数据科学和机器学习领域中，聚类是一种常见的无监督学习技术，用于发现数据集中的自然分组或结构。传统的聚类算法，如K-means，依赖于预定义的簇数量和球形簇假设，这限制了它们在复杂数据集上的表现。相比之下，基于密度的聚类算法，尤其是DBSCAN（Density-Based Spatial Clust
AI：194-AIGC在广告创意中的应用【案例分析与代码示例】
AIGC技术正在改变广告创意的游戏规则。从文本、图像到视频，AIGC的应用使广告内容的生成更加高效和多样化。未来，随着人工智能技术的进一步发展，AIGC在广告创意中的应用将更加深入和广泛。例如，利用更先进的深度学习模型，广告内容可以实现更加个性化和实时化的生成。此外，随着用户数据和计算资源的不断增加
AI：213-引入ODConv提升YOLOv8性能 | 动态卷积在目标检测中的应用与优化【保姆级实操】
ODConv是一种新型卷积操作，其核心思想是动态调整卷积核的参数，以适应不同的输入特征。ODConv通过引入多个维度的动态卷积，能够更好地捕捉空间和通道维度上的特征关系，从而提升模型的表达能力。
AI、ML、DL 和 DS 之间的区别
人工智能 数据分析 数据科学 深度学习 机器学习 神经网络在本文中，我们将了解 AI（人工智能）、ML（机器学习）、DL（深度学习）和 DS（数据科学）之间的区别。这些术语经常互换使用，但实际上，它们指的是计算机科学和数据分析领域内的不同概念。
生成式人工智能
生成式人工智能是一种机器学习技术，它的核心目标是从输入数据中学习并生成新的、具有特定特征的数据。这种生成可以涵盖多种形式的内容，如文本、图像、音频和视频。生成式模型通过学习大量数据的概率分布来进行预测和生成，使得计算机能够在没有明确规则或指令的情况下产生有意义的输出。
AlphaGo 背后的人工智能：机器学习和神经网络
AlphaGo 的规则是学习而来的，而不是设计出来的，它运用机器学习以及多个神经网络来创建学习组件，使围棋水平更高。从与英国国家医疗服务体系的合作可以看出，AlphaGo 在其他领域也有着广阔的应用前景。
Python前沿技术，机器学习与人工智能的应用
Python，作为一种简洁、易读且功能强大的编程语言，凭借其丰富的库支持和广泛的应用场景，在AI领域占据了举足轻重的地位。本文旨在深入探讨Python在AI领域的前沿技术，包括数据预处理、机器学习算法、深度学习框架等，并通过具体代码案例展示Python在AI应用中的实际效果。
【机器学习】Grid Search: 一种系统性的超参数优化方法
Grid Search是一种用于自动搜索给定超参数空间中最佳模型参数组合的方法。它通过创建一个包含所有待评估超参数值的网格，然后遍历这个网格中的每一个点来完成搜索过程。对于每个网格点，即超参数的一个特定组合，Grid Search会训练模型并评估其性能，最后选择性能最优的那个组合作为最佳超参数设置。
【人工智能】Transformers之Pipeline（六）：图像分类（image-classification）
本文对transformers之pipeline的图像分类（image-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行代码极简的使用计算机视觉中的图像分类（image-classifica
第八章：集成学习
在RF中,对基决策树的每个结点,先从该结点的属性集合中随机选择一个包含k个属性的子集,然后再从这个子集中选择一个最优属性用于划分.这里的参数k控制了随机性的引入程度:若令k= d,则基决策树的构建与传统决策树相同;采用“重采样法”,可获得“重启动”机会以避免训练过程过早停止,即在抛弃不满足条件的当前
AI：208-从文本到图像-DALL-E与MidJourney的技术解读
从文本到图像的生成技术是人工智能领域的一大突破，DALL-E和MidJourney作为这一技术的代表，展示了各自的独特优势和广泛的应用前景。DALL-E基于Transformer架构，擅长捕捉文本与图像之间的复杂关系，生成高质量和富有创意的图像；MidJourney基于生成对抗网络（GANs），通过
