手推机器学习 吴恩达 神经网络BP反向传播矩阵推导（上篇）
吴恩达机器学习 神经网络BP反向传播算法 基础篇
【机器学习算法】集成学习-1 强学习器的融合学习
集成学习认为多个决策者比一个决策者可能会做出更好的决策，各种模型的整合也是如此，机器学习这种多样化就是通过集成学习的技术实现的。
【4天快速入门Python数据挖掘之第1天】Matplotlib的使用
matplotlib —— 一个画二维图表的 Python 库，专门用于开发 2D 图表（包括 3D 图表），使用起来及其方便，以渐进、交互方式实现数据可视化
30 个数据工程必备的Python 包
在本文中，将介绍一些非常独特的并且好用的 Python 包，它们可以在许多方面帮助你构建数据的工作流。
使用Pytorch快速训练ResNet网络模型
使用Pytorch快速的入手训练模型，包含整个训练步骤，包括序列化和反序列化
【OpenCV】 车辆识别 运动目标检测
【OpenCV】 车辆识别 运动目标检测，超详细教学，欢迎大家一起交流学习！！！
【FreeSwitch开发实践】UniMRCP编译与安装
UniMRCP是MRCP客户端和服务器的开源跨平台实现，采用C/C++语言，根据Apache许可证2.0的条款分发。它实现封装了SIP、RTSP、SDP、MRCPv2、RTP/RTCP协议栈，对外提供了提供了MRCP版本一致的API。MRCP协议，全称MediaResourceControlProt
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
