聚类—K-means算法
介绍了聚类算法中的K均值算法、影响因子和计算特性，并提出了一些结合性的方法——K众数算法，K-means++算法，K-中心点算法，解决K-means算法的一些缺点，提高K-means算法的通用性
18张图，直观理解为什么神经网络这么有效？
迄今，人们对神经网络的一大疑虑是，它是难以解释的黑盒。本文则主要从理论上理解为什么神经网络对模式识别、分类效果这么好，其本质是通过一层层仿射变换和非线性变换把原始输入做扭曲和变形，直至可以非常容易被区分不同的类别。实际上，反向传播算法（BP) 其实就是根据训练数据不断地微调这个扭曲的效果。.....
阿里巴巴 CTO 程立：开源是基础软件的源头！
阿里巴巴如何做开源？
产品经理访谈 | 第五代验证码的创新与背景
19年前，验证码正式出现在人们眼中，起初验证码的目的是为难机器人，这些机器人本质上是一行行自动运行的计算机代码。这些代码可以在不同的网站注册海量账户。之后，机器人账户便可以四处发布垃圾信息、自动刷票、甚至攻击网站。......
分布式协同AI基准测试KubeEdge-Ianvs快速入门教程
分布式协同AI基准测试KubeEdge-Ianvs是KubeEdge SIG AI孵化的一个全新的社区子项目，主要来解决工业界如下核心痛点：1. 业务数据集及其配套算法难以获取；2. 全场景多范式测试成本高；3. 封闭测试环境难以跟上各类新业务孵化；4. 个性场景的测试用例准备繁琐。........
PyG搭建异质图注意力网络HAN实现DBLP节点分类
PyG搭建异质图注意力网络HAN实现DBLP节点分类
OpenCV入门基础学习
OpenCV入门基础学习
倾斜文档扫描与字符识别（opencv，代码分析）
旋转文档扫描与字符识别（opencv，代码分析）
【OpenCV 例程 300篇】241. 尺度不变特征变换（SIFT）
尺度不变特征转换算法（Scale-invariant feature transform，SIFT）是图像处理中经典的局部特征描述算法。OpenCV 提供了丰富的特征检测算法，而且继承了 cv::Feature2D 类，采用了统一的定义和封装。如：AffineFeature、AgastFeature
一种辅助整理WoS英文论文题录文档的方法（python-docx）
一种辅助整理WoS英文论文题录文档的方法，从WoS导出标题、作者、来源、年份和摘要等信息，然后结合谷歌文档翻译和python-docx整理成Word文档，用于快速浏览论文主题、方法的分布，并快速定位到符合需求的高价值论文，最后再单独下载这些论文仔细阅读。......
6个可解释AI (XAI)的Python框架推荐
随着人工智能的发展为了解决具有挑战性的问题，人们创造了更复杂、更不透明的模型。在本文中，我将介绍6个用于可解释性的Python框架。
基于LSTM的诗词生成
本文的主要内容是基于LSTM的诗词生成，文中包括数据集的介绍、实验代码以及运行结果等，该实验采用的是长短期记忆 (LSTM) 深度学习模型，训练10个epoch，然后在测试的过程中，每个epoch出一次诗词的生成结果，随着周期的进行，诗词的生成情况也越来越好，本文中诗词的生成包括随机诗词的生成和藏头
【深度学习】(问题记录)＜对一个变量求梯度得到什么＞-线性回归-小批量随机梯度下降
种瓜得瓜，种豆得豆。变量是什么形状，对这个变量求得的梯度就是什么形状。我之所以下意识地以为得到的会是一组值而不是一个值，是因为前面看了个对矩阵求梯度的例子，得到的是一组值（一个矩阵）。然后看到这里就混淆了，这里我们求梯度的每个参数对象是一个单个的值，只是数据样本有多个。对矩阵（向量）求梯度梯度是个矩
【机器学习算法】神经网络与深度学习-9 递归神经网络
递归神经网络RNN，用来解决序列型，有滞后性问题的神经网络
吴恩达老师机器学习课程笔记 03 线性代数回顾
本节的主要内容有什么是矩阵和向量，矩阵和向量的加、减、乘运算，矩阵的逆和矩阵的转置的概念及性质。如果已经掌握这些，可以跳过本节。（如果已经学过线性代数，本节完全可以跳过。
吴恩达老师机器学习课程笔记 05 Octave教程
吴恩达老师的视频是2014年的，Octave现在基本不算是最优的编程需要选择了，可以用Pytorch等来代替本节的学习。
Anaconda3安装及jupyter环境配置（tensorflow）（Windows）
Anaconda3安装及jupyter环境配置（tensorflow）
RepVGG论文详解以及使用Pytorch进行模型复现
RepVGG 是2021 CVPR的一篇论文，在本文中首先介绍了他如何过河拆桥，白嫖了多分枝架构的性能，然后再使用Pytorch复现RepVGG模型，告诉你如何进行白嫖的操作。
使用神经网络实现对天气的预测
使用神经网络实现对天气的预测
