时间序列异常检测：统计和机器学习方法介绍
在本文中将探索各种方法来揭示时间序列数据中的异常模式和异常值。
AI大模型
本文将介绍什么是AI大模型，它能应用到哪些行业，使用AI大模型的具体步骤以及应该注意的事项。
机器学习课后练习题（期末复习题目附答案）
第九章 神经网络一. 单选题1. 以下关于感知器说法错误的是: ( )。A. 单层感知器可以用于处理非线性学习问题B. 可为感知器的输出值设置阈值使其用于处理分类问题C. 感知器是最简单的前馈式人工神经网络D. 感知器中的偏置只改变决策边界的位置正确答案: A2. 关于BP算法特点描述错误的是 (
深度学习竞赛进阶技巧 - BLIP使用说明与实战
由于大规模模型的端到端的训练，视觉与语言的预训练模型的成本越来越高。本文提出了BLIP-2，这是一种通用的有效的预训练策略，它从现成的冷冻预训练图像编码器与大型的语言模型中引导视觉语言预训练。BLIP-2通过一个轻量级的查询transformer弥补了模态差距，该transformer分为两个阶段进
XGBoost超参数调优指南
本文将详细解释XGBoost中十个最常用超参数的介绍，功能和值范围，及如何使用Optuna进行超参数调优。
Chatgpt给人类带来的机遇和挑战有哪些？
我们需要充分利用ChatGPT的优势和潜力，同时也需要警惕其可能带来的负面影响，采取适当的措施来保障人们的利益和权益，推动人工智能技术的健康发展和应用。技术风险和安全问题：ChatGPT需要依赖计算机系统和网络技术，这可能会带来技术风险和安全问题，如黑客攻击、数据泄露、人工智能算法错误等，这些问题需
ChatGPT在小红书文案实践
今天聊一聊ChatGPT在小红书这个实际应用场景的案例。ChatGPT 以较低的门槛提高了使用者创作水平，有较高的下限，但如何创造更高质量的内容就要依靠使用者在领域的能力和AI使用技巧，作者无任何小红书推广和文案写作经验，文章内容来自ChatGPT和Notion Ai合作完成。
预训练、微调和上下文学习
最近语言模型在自然语言理解和生成方面取得了显著进展。这些模型通过预训练、微调和上下文学习的组合来学习。在本文中将深入研究这三种主要方法，了解它们之间的差异，并探讨它们如何有助于语言模型的学习过程。
机器学习（线性回归实训）------波士顿房价
机器学习，线性回归，sklearn，波士顿房价
欧氏距离 VS 余弦距离
xx场景应该用欧氏距离还是余弦距离？有啥区别？
时序分析 49 -- 贝叶斯时序预测（一）
贝叶斯时序分析简单介绍和Python示例
量子机器学习Variational Quantum Classifier (VQC)简介
变分量子分类器（Variational Quantum Classifier，简称VQC）是一种利用量子计算技术进行分类任务的机器学习算法。它属于量子机器学习算法家族，旨在利用量子计算机的计算能力，潜在地提升经典机器学习方法的性能。
lightgbm使用手册——参数篇
lgbm参数记录
时间序列预测的20个基本概念总结
时间序列是一组按时间顺序排列的数据点
2023年计算机、视觉与智能技术国际会议(ICCVIT 2023)
算法、自主和可信计算、5G、AI在通信中的应用、人工智能、机器学习、计算机视觉、计算智能、模式识别、大数据、数据挖掘、区块链技术、生物医学信息学与计算、计算机体系结构、计算机系统、嵌入式系统、数据压缩、高性能计算、图像处理、移动计算、移动和普适计算、计算机与网络安全、密码、数据隐藏、并行和分布式计算
深入理解深度学习——正则化（Regularization）：正则化和欠约束问题
大多数形式的正则化能够保证应用于欠定问题的迭代方法收敛。例如，当似然的斜率等于权重衰减的系数时，权重衰减将阻止梯度下降继续增加权重的大小。是奇异的，这些方法就会失效。当数据生成分布在一些方向上确实没有差异时，或因为例子较少（即相对输入特征的维数来说）而在一些方向上没有观察到方差时，这个矩阵就是奇异的
ChatGPT背后的大预言模型 以及《ChatGPT全能应用一本通》介绍
机器学习模型具有基于特定领域/区域的信息，可以根据给定的输入提供输出。为了创建模型，使用了机器学习技术称为监督学习，在其中给定了某些标记输入来训练模型。随着数据量的增加，正确标记数据变得困难。大型语言模型（LLM）是设计用于根据给定提示或输入生成不同类型响应（视频，文本，图像）的AI系统。这些模型使
使用NLPAUG 进行文本数据的扩充增强
数据增强可以通过添加对现有数据进行略微修改的副本或从现有数据中新创建的合成数据来增加数据量。这种数据扩充的方式在CV中十分常见，因为对于图像来说可以使用很多现成的技术，在保证图像信息的情况下进行图像的扩充。
多传感器数据融合技术
多传感器数据融合技术形成于上世纪80年代，目前已成为研究的热点。它不同于一般信号处理，也不同于单个或多个传感器的监测和测量，而是对基于多个传感器测量结果基础上的更高层次的综合决策过程。把分布在不同位置的多个同类或不同类传感器所提供的局部数据资源加以综合进行分析，消除多传感器信息之间可能存在的冗余和矛
