七篇深入理解机器学习和深度学习的读物推荐
在这篇文章中将介绍7篇机器学习和深度学习的论文或者图书出版物，这些内容都论文极大地影响了我对该领域的理解，如果你想深入了解机器学习的内容，哪么推荐阅读。
【人工智能】常见问题以及解答
人工智能（Artificial Intelligence, AI）是一门涉及计算机科学、数学、心理学、哲学等多个领域的交叉学科，旨在研究如何使计算机能够像人一样地思考、学习和行动。在过去几十年中，人工智能技术得到了广泛的应用和发展，涵盖了诸如机器学习、自然语言处理、计算机视觉、知识表示和推理等多个方
机器学习（Machine Learning）
Machine Learning, ML 机器学习
基于YOLOv5的水下海洋目标检测
准确率表示模型对正确目标的识别率，召回率表示模型对所有目标的识别率，精确率表示模型对所有预测目标的正确率，F1 分数表示准确率和召回率的调和平均数，平均精度表示模型在所有类别上的平均精度。本文提出了一种基于 YOLOv5 的水下海洋目标检测方法，使用数据增强方法进行了大量实验，并与其他方法进行了对比
专业的知识图谱应用门槛正在被不断降低
知识图谱（knowledge graph）⼀度被专家称为“AI皇冠上的明珠”，因为知识图谱技术是⼈⼯智能技术⽅向中的重要⼀环。它不仅可以为其他⼈⼯智能应⽤提供⽀持，如⾃然语⾔处理、推荐系统等，更可以帮助⼈⼯智能系统⾃主构建和增⻓知识库，提升计算机的理解和分析能⼒，实现“认知智能”的⽬标。Gartne
AI 工具合辑盘点，总有一款适合你
等功能。其中，翻译支持。
朴素贝叶斯(Naive Bayes)
朴素贝叶斯
如何进行AI测试-入门篇
大家来做下这个猜数字游戏，1, 4, 16…（）… 256… 括号里的是什么。为什么是 64，不是其他数字，又为什么是数字，不是一个汉字或者一个字母。我们找到了数字之间的规律，逻辑关系，并且抽象成了模型，我们才能知道括号里是什么。举个生活中的例子，小米硬件中手机外壳，在大批量生产前需要先设计手机外壳
这8个NumPy函数可以解决90%的常见问题
NumPy是一个用于科学计算和数据分析的Python库，也是机器学习的支柱。
机器学习特征重要性分析
特征选择
nn.Parameter()
可以方便地定义和管理模型的可训练参数，并且在模型训练过程中可以自动计算梯度并更新参数值，是构建神经网络模型时常用的工具。是 PyTorch 中的一个类，用于创建可训练的参数（权重和偏置），这些参数会在模型训练过程中自动更新。
win下YOLOv7训练自己的数据集（交通标志TT100K识别）
遗传算法是利用种群搜索技术将种群作为一组问题解，通过对当前种群施加类似生物遗传环境因素的选择、交叉、变异等一系列的遗传操作来产生新一代的种群，并逐步使种群优化到包含近似最优解的状态，遗传算法调优能够求出优化问题的全局最优解，优化结果与初始条件无关，算法独立于求解域，具有较强的鲁棒性，适合于求解复杂的
『赠书活动 ｜ 第五期』《人工智能数学基础》
『赠书活动 ｜ 第五期』《人工智能数学基础》
三十七、Fluent冰块融化模拟
单击Initialize后，点击Patch，对冰区域设置温度，选择Temperature，Value设置为-1℃，Zone to patch选择ice_surface。Solidus Temperature表示固相线温度，对于纯物质即凝固点，Liquidus Temperature表示熔点，对于纯物
基于GMM的一维时序数据平滑算法
在本文中探讨GMM作为时间数据平滑算法的使用。GMM（Gaussian Mixture Model）是一种统计模型，常用于数据聚类和密度估计，但也可以在一定程度上用作时间数据平滑算法。
YOLO v5结合热力图并可视化以及网络各层的特征图
YOLO v5结合热力图并可视化以及网络各层的特征图
首个大规模图文多模态数据集LAION-400M介绍
openAI的图文多模态模型CLIP证明了图文多模态在多个领域都具有着巨大潜力，随之而来掀起了一股图文对比学习的风潮。就在前几天（2022年12月），连Kaiming都入手这一领域，将MAE的思路与CLIP的思路结合，推出了FLIP，有兴趣可戳（https://arxiv.org/abs/2212.
数据偏度介绍和处理方法
偏度（skewness）是用来衡量概率分布或数据集中不对称程度的统计量。
【机器学习】第四节：监督学习算法对比评估
监督学习（英语：Supervised learning）是机器学习中最为常见、应用最为广泛的分支之一。本次实验将带你了解监督学习中常见的分类方法，并学会使用 scikit-learn 来构建预测模型，用于解决实际问题。
文生图关键问题探索：个性化定制和效果评价
文生图模型是当前人工智能领域最具潜力和前景的研究方向之一。未来，随着计算能力的提高和技术的进一步发展，文生图模型的应用前景将会更加广泛和深远。然而，针对其应用过程中存在的一些问题，如模型评价缺乏一致性、控制生成过程效率低下、定制个性化模型困难以及高质量文图数据集缺乏等，需要我们进一步研究探索解决方案
