从另外一个角度解释AUC
AUC到底代表什么呢，我们从另外一个角度解释AUC
时间序列的蒙特卡罗交叉验证
交叉验证应用于时间序列需要注意是要防止泄漏和获得可靠的性能估计本文将介绍蒙特卡洛交叉验证。这是一种流行的TimeSeriesSplits方法的替代方法。
汽车悬挂系统的现代控制分析（现代控制理论课程小论文）
随着社会的进步、科技的发展，人们生活水平不断提高，乘坐车辆的频率增多，对于汽车乘坐舒适性的要求也越来越高。另一方面，由于最近几年国内外汽车制造业的迅猛发展，汽车制造业的竞争也日益激烈，各个汽车制造公司加强研发力量，试图开发出乘坐舒适性好、高性能、经济的产品，以期望使自己公司在激烈的市场竞争中长盛不衰
基于Vision Transformers的文档理解简介
文档理解是从pdf、图像和Word文档中提取关键信息的技术。这篇文章的目标是提供一个文档理解模型的概述。
机器学习期末复习题题库-单项选择题
1.属于监督学习的机器学习算法是：贝叶斯分类器2.属于无监督学习的机器学习算法是：层次聚类3.二项式分布的共轭分布是：Beta分布4.多项式分布的共轭分布是：Dirichlet分布5.朴素贝叶斯分类器的特点是：假设样本各维属性独立6.下列方法没有考虑先验分布的是：最大似然估计7.对于正态密度的贝叶斯
基于MATLAB的语音去噪处理系统
一．滤波器的简述在MATLAB环境下IIR数字滤波器和FIR数字滤波器的设计方 法即实现办法，并进行图形用户界面设计，以显示所介绍迷你滤波器的设计特性。 在无线脉冲响应（IIR）数字滤波器设计中，先进行模拟滤波器的设计，然后进行模拟数字滤波器转换，即采取脉冲响应不变法及双线性Z变更法设计数字滤波器
ChatGPT可以一本正经的胡说八道，其他AI可以吗？
随着自然语言处理和语言建模领域的快速发展，很难预测ChatGPT将会有哪些进一步的改进。但是，还是有一些潜在的改进领域：提升模型处理大量复杂输入的容量和能力。这可能涉及到在更大、更多样化的数据集上训练ChatGPT，或者使用更高级的训练技术。提高模型以生成更自然、更像人类文本的能力。这可能涉及针对特
使用TensorFlow Probability实现最大似然估计
TensorFlow Probability是一个构建在TensorFlow之上的Python库。它将我们的概率模型与现代硬件(例如GPU)上的深度学习结合起来。
AI遮天传 DL-反馈神经网络RNN
AI遮天传 DL-反馈神经网络
NeurIPS 2022-10大主题、50篇论文总结
2672篇主要论文，63场研讨会，7场受邀演讲，包括语言模型、脑启发研究、扩散模型、图神经网络……NeurIPS包含了世界级的AI研究见解，本文将对NeurIPS 2022做一个全面的总结。
【机器学习笔记】吴恩达机器学习，带你入门人工智能的世界
📚专栏简介：在这个专栏，我将整理吴恩达机器学习视频的所有内容的笔记，方便大家参考学习。📣专栏定位：为学习吴恩达机器学习视频的同学提供的随堂笔记。
论文推荐：Rethinking Attention with Performers
重新思考的注意力机制，Performers是由谷歌，剑桥大学，DeepMind，和艾伦图灵研究所发布在2021 ICLR的论文已经超过500次引用
全宇宙最强AI 聊天机器人模型ChatGPT惊艳来袭，你还不上车？居然能写演讲稿和帮忙写代码
最近chatGPT火爆全宇宙，几乎所有圈内人都在谈论这个美国人工智能公司OpenAI发布免费机器人对话模型ChatGPT（GPT-3.5系列），模型中首次采用RLHF（从人类反馈中强化学习）方式。模型目前处于测试阶段，用户与ChatGPT之间的对话互动包括普通聊天、信息咨询、撰写诗词作文、修改代码等
机器学习课后练习题（期末复习题目附答案）
此为第一章绪论部分一. 单选题1. 移动运营商对客户的流失进行预测,可以使用下面哪种机器学习方法比较合适( )A. 一元线性回归分析B. 关联方法C. 聚类算法D. 多层前馈网络正确答案: A2. 下面哪种说法有关机器学习的认识是错误的?( )A. 高质量的数据、算力和算法对一个机器学习项目是必不可
chatGPT与世界杯的故事：人工智能的双重面对
（本文是 CSDN 的世界杯征文）在本文中，我们将借助chatGPT的智慧，一起探究世界杯与人工智能之间的关系，并展望人工智能在体育领域的应用。同时，我们也将思考人工智能如何影响着我们的生活，以及我们对人工智能的看法。标题：我的第一次踢球：从紧张到自信的旅程2002年的夏天，我第一次拿起了足球。一开
PyTorch中学习率调度器可视化介绍
学习率调度器有很多个，并且我们还可以自定义调度器。本文将介绍PyTorch中不同的预定义学习率调度器如何在训练期间调整学习率
DEFORMABLE DETR详解
transformer组件在处理图像特征图中的不足。在初始化时，注意模块对特征图中的所有像素施加了几乎一致的注意权重。长时间的训练周期是为了学习注意权重，以关注稀疏的有意义的位置。另一方面，transformer编码器中的注意权值计算是二次计算w.r.t.像素数。因此，处理高分辨率的特征映射具有非常
黏菌算法（Slime Mould Algorithm，SMA）
这是一篇关于黏菌算法的总结博客，包含算法思想，算法步骤，求函数最值（Python实现），算法改进等，持续更新ing
目标检测，使用最新的yolov7训练自己的数据集，从零开始的手把手教程
一、获取大佬的yolov7源码二、配置深度学习环境三、准备数据集四、用yolo v7训练自己的数据集五、用训练好的模型测试六、用训练好的模型预测
深度学习 Transformer架构解析
2018年10月，Google发出一篇论文《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》, BERT模型横空出世, 并横扫NLP领域11项任务的最佳成绩!而在BERT中发挥重要作用的
