MSE = Bias² + Variance?什么是“好的”统计估计器
本文的目的并不是要证明这个公式，而是将他作为一个入口，让你了解统计学家如何以及为什么这样构建公式，以及我们如何判断是什么使某些估算器比其他估算器更好。
YOLO系列目标检测算法-YOLOv6
YOLO系列文章之YOLOv6。本文通过分析以往YOLO系列算法和最新技术，观察到几处需完善的地方，通过对网络设计、标签分配、损失函数、数据增强、工业便利化改进、量化和部署等进行修改，设计了EfficientRep、SCPStackRep Block、Rep-PAN、decoupled head等结
one-hot编码
one-hot编码，又称独热编码、一位有效编码。one hot在特征提取上属于词袋模型(bag of words)优缺点分析优点：- 一是解决了分类器不好处理离散数据的问题- 二是在一定程度上也起到了扩充特征的作用(上面样本特征数从3扩展到了9)缺点：- 它是一个词袋模型，不考虑词与词之间的顺序-
gazebo中给机器人添加16线激光雷达跑LIO-SAM
最近想搭建一个机器人移动平台，但是设备还没完全到齐，在设备全部到齐之前，我们先在gazebo中做一个仿真，进行相关的算法和功能包的部署。在这个仿真中机器人在一个移动底盘上搭载了16线激光雷达、IMU、RGB-D相机，并在最后跑了一个LIO-SAM，建图效果还不错。整个过程遇到了一些问题，都一一解决了
深度学习修炼（五）——基于pytorch神经网络模型进行气温预测
基于pytorch神经网络模型进行气温预测
2022世界杯结果预测，简单AI模型最有效？附代码！
如果我们将此predict_points函数应用于小组赛阶段的所有比赛，我们将获得每个小组的第 1 和第 2 名，从而在淘汰赛中获得以下比赛对抗阵容。在我对欧洲前 4 联赛的预测中，我考虑了主客场因素，但由于在世界杯上几乎所有球队都在中立场地比赛，因此我在分析时没有考虑这个因素。在收集了 1930
使用PyTorch实现简单的AlphaZero的算法（3）：神经网络架构和自学习
神经网络架构和训练、自学习、棋盘对称性、Playout Cap Randomization，结果可视化
华为开源自研AI框架昇思MindSpore应用实践：DCGAN生成漫画头像
华为开源自研AI框架昇思MindSpore教程：DCGAN生成漫画头像
（超详细）语音信号处理之特征提取
语音信号处理之特征提取要对语音信号进行分析，首先要分析并提取出可表示该语音本质的特征参数。有了特征参数才能利用这些特征参数进行有效的处理。根据提取参数的方法不同，可将语音信号分析分为时域，频域，倒频域，和其他域的分析方法。根据分析方法的不同，可将语音信号分析分为模型分析方法和非模型分析方法。本文主要
国庆假期看了一系列图像分割Unet、DeepLabv3+改进期刊论文，总结了一些改进创新的技巧
图像分割系列改进论文如何寻找自己的创新点呢？重点是如何发？下面将提供几种总结思路。
机器学习05|一万五字：SVM支持向量机02 【jupyter代码详解篇】
支持向量机(SVM)在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。本资料包含了SVM的完整解析及全部实现代码。从DataSet.txt中导入数据一直讲到SVM的线性非线性实现。
Pytorch:手把手教你搭建简单的全连接网络
利用pytorch搭建简单全连接网络的步骤，适合初学者快速上手
10个实用的数据可视化的图表总结
可视化是一种方便的观察数据的方式，可以一目了然地了解数据块。我们经常使用柱状图、直方图、饼图、箱图、热图、散点图、线状图等。这些典型的图对于数据可视化是必不可少的
YOLOv5训练结果分析
YOLOv5训练结果分析
目标检测算法——YOLOv5/YOLOv7改进之结合Swin Transformer V2（涨点神器）
目标检测算法——YOLOv5/YOLOv7结合Swin Transformer V2
BT - Unet:生物医学图像分割的自监督学习框架
BT-Unet采用Barlow twin方法对U-Net模型的编码器进行无监督的预训练减少冗余信息，以学习数据表示。之后，对完整网络进行微调以执行实际的分割。
AI 预测世界杯比赛结果，惊掉下巴
哈喽，大家好。今天看到Kaggle上有一个预测世界杯比赛结果的项目，截至目前 4 场比赛预测结果全中。今天把源码研究了一下，做了中文注释，给大家分享下。提醒大家，本文只做学习交流使用，不做决策参考，更不要盲目赌球。
使用Python进行交易策略和投资组合分析
我们将在本文中衡量交易策略的表现。并将开发一个简单的动量交易策略，它将使用四种资产类别:债券、股票和房地产。这些资产类别的相关性很低，这使得它们成为了极佳的风险平衡选择。
Pytorch文档解读|torch.nn.MultiheadAttention的使用和参数解析
整体称为一个单注意力头，因为运算结束后只对每个输入产生一个输出结果，一般在网络中，输出可以被称为网络提取的特征，那我们肯定希望提取多种特征，[ 比如说我输入是一个修狗狗图片的向量序列，我肯定希望网络提取到特征有形状、颜色、纹理等等，所以单次注意肯定是不够的 ]因为是拼接而成的，所以每个单注意力头其实
【人工智能】MindSpore Hub
【人工智能】MindSpore Hub
