人工智能/机器学习基础知识——欠采样&过采样（UnderSampling & OverSampling）
人工智能/机器学习基础知识——欠采样&过采样（UnderSampling & OverSampling）
AI大模型的训练与优化
高效的训练算法和自动化技术是提高大规模机器学习模型训练效率和性能的关键。通过不断引入新算法、优化现有算法，并利用自动化技术进行超参数优化、模型选择和调试排错，可以进一步提升AI模型训练的效率和质量，推动人工智能技术的发展和应用。
毕业设计：基于机器学习的垃圾邮件检测系统 人工智能
毕业设计：基于机器学习的垃圾邮件检测系统通过采用先进的机器学习算法，系统能够自动学习和识别垃圾邮件的特征和模式，并对新的邮件进行分类。该系统综合考虑了邮件内容、发件人信息和其他相关特征，通过构建合适的特征向量和训练数据集，实现了高效准确的垃圾邮件检测。对于计算机专业、软件工程专业、人工智能专业、大数
深入解析高斯过程：数学理论、重要概念和直观可视化全解
在这篇文章中，我将详细介绍高斯过程。并可视化和Python实现来解释高斯过程的数学理论。
私有化知识库本地部署打造专属ai助理(FastGpt本地部署全过程及相关模型部署训练)
FastGPT 是一个基于 LLM 大语言模型的知识库问答系统，提供开箱即用的数据处理、模型调用等能力，通过FastGp可以快速的进行搭建和训练一个AI助理。OneApi的作用就是把这些API的调用进行了整合到了一起,使我们进行使用的时候完全的按照OneAPI的一套规范就能够进行调用和使用其他的大模
Theta方法：一种时间序列分解与预测的简化方法
Theta方法整合了两个基本概念:分解时间序列和利用基本预测技术来估计未来的价值。
智普AI | ChatGLM4 已开源 详细推理教程
GitHub - THUDM/GLM-4: GLM-4 series: Open Multilingual Multimodal Chat LMs | 开源多语言多模态对话模型我是在云服务器上（算力云）推理的GLM4：最好是单张4090（3090也可以）首页 · 魔搭社区 (modelscope.c
人工智能和物联网如何结合
AI和IoT的结合是现代科技发展的重要趋势，二者的协同作用为各行各业带来了前所未有的机遇和挑战。通过不断创新和优化，AI和IoT将在更多领域实现智能化和自动化，提高效率，改善生活质量。
人工智能在交通与物流领域的普及及应用
人工智能在交通与物流领域的普及及应用。
精选：15款顶尖Python知识图谱（关系网络）绘制工具，数据分析的强力助手
我们今天将介绍15个很好用的免费工具，可以帮助我们绘制网络图。
[自动驾驶技术]-6 Tesla自动驾驶方案之硬件（AI Day 2021）
特斯拉的Dojo架构由计算单元和Network Fabric（指芯片上用于连接和通信的网络架构，是一种高性能的互连系统，负责在芯片内部不同计算单元之间传输数据）组成，采用了多种技术例如采用2D网格网络进行数据传输、对神经网络分割、调用本地存储方式等解决带宽和延迟的限制。自定义目标支持：特斯拉可以通过
特征工程与数据预处理全解析：基础技术和代码示例
我们将深入研究处理异常值、缺失值、编码、特征缩放和特征提取的各种技术。
人工智能--搭建人工神经网络
本文详细讲解了人工神经网络的核心组成部分和关键技术。从神经元、感知器到多层感知器的演进，再到损失函数、梯度下降算法和反向传播算法的实际应用，读者可以全面理解神经网络的工作原理及其在实际问题中的应用。通过手工搭建神经网络的示例，读者不仅能够加深对神经网络内部运作的理解，还能够通过修改和扩展代码来探索更
2024年6月计算机视觉论文推荐：扩散模型、视觉语言模型、视频生成等
6月还有一周就要结束了，我们今天来总结2024年6月上半月发表的最重要的论文，重点介绍了计算机视觉领域的最新研究和进展。
人工智能——机器学习概述
上面的列举也不全，生物的结构蛋白、化学的合成材料，早期的这些都是靠烧钱不停地实验来进行。我们可以看到这个函数是关于a和b的一个三维曲面，这里我们可以分别对a和b求偏导，再设置偏导为0即可以得出两个a和b的方程，然后即可求出最小误差平方和对应的a和b，即得到这线性拟合方程的完整表达式。人工智能(Art
使用粒子滤波（particle filter）进行视频目标跟踪
粒子滤波是一种贝叶斯滤波方法，主要用于非线性、非高斯动态系统中的状态估计。它通过使用一组随机样本（称为粒子）来表示状态的后验概率分布，并通过这些粒子的加权平均来估计状态。
【人工智能Ⅰ】实验8：DBSCAN聚类实验
此处使用【sklearn】库中的DBSCAN封装包进行调用，选定初始参数eps = 0.5（领域的半径）、min_samples = 3（领域内最少包括的同类数据个数），采用fit方法进行模型训练，最后得到训练标签为【dbscan_sepal.labels_】和【dbscan_petal.label
使用深度强化学习预测股票：DQN 、Double DQN和Dueling Double DQN对比和代码示例
通过DRL，研究人员和投资者可以开发能够分析历史数据的模型，理解复杂的市场动态，并对股票购买、销售或持有做出明智的决策。
【机器学习】Qwen-VL：基于FastAPI私有化部署你的第一个AI多模态大模型
本文首先在引言中强调了一下OpenAI兼容API的重要性，希望引起读者重视，其次介绍了Qwen-VL的原理与模型结构，最后简要讲了下FastAPI以及搭配组件，并基于FastAPI封装了OpenAI兼容API的Qwen-VL大模型服务端接口，并给出了客户端实现。本文内容在工作中非常实用，希望大家能有
【机器学习】图神经网络：深度解析图神经网络的基本构成和原理以及关键技术
图数据是一种复杂的数据结构，由节点（vertices）和边（edges）组成，用于表示对象及其相互关系。节点代表数据中的实体，边则表示实体之间的关系。多样性：图数据可以表示各种类型的关系，如一对一、一对多、多对多等。不规则性：图的结构不固定，节点和边的数量及连接方式可变。高维性：每个节点和边可以包含
