ml

啊阿狸不会拉杆7 天前
人工智能·算法·机器学习·计算机视觉·ai·集成学习·ml
《机器学习》完结篇-总结本文整理了《机器学习》核心知识点,涵盖监督学习、无监督学习、集成学习、深度学习等九大核心章节,每个知识点均配有完整可运行的 Python 代码+可视化对比图+应用案例,零基础也能轻松上手!
啊阿狸不会拉杆8 天前
人工智能·算法·机器学习·计算机视觉·ai·ml
《机器学习》 第 9 章 - 深度强化学习大家好!今天给大家分享《机器学习》第 9 章 —— 深度强化学习的核心内容。深度强化学习(DRL)是机器学习领域的热门方向,融合了深度学习的感知能力和强化学习的决策能力,在游戏、机器人、自动驾驶等领域有广泛应用。本文会从基础概念到实战代码,用通俗易懂的语言讲解,每个核心知识点都配有完整可运行的 Python 代码和可视化对比图,方便大家动手实操。
啊阿狸不会拉杆9 天前
网络·人工智能·深度学习·机器学习·ai·cnn·ml
《机器学习》第 8 章 - 常用深度网络模型大家好!今天给大家分享《机器学习》第 8 章的核心内容 —— 常用深度网络模型。这一章是机器学习进阶的关键,涵盖了卷积网络、循环网络、生成对抗网络三大核心深度模型,以及它们的实际应用。全文内容通俗易懂,每个知识点都配有可直接运行的完整 Python 代码 + 可视化对比图 + 详细注释,方便大家动手实操,加深理解。
啊阿狸不会拉杆9 天前
人工智能·python·深度学习·神经网络·机器学习·ai·ml
《机器学习》第 7 章 - 神经网络与深度学习大家好!今天给大家分享《机器学习》第 7 章的核心内容 —— 神经网络与深度学习。这一章是机器学习从 “浅层” 走向 “深层” 的关键,我会用通俗易懂的语言拆解核心概念,搭配完整可运行的 Python 代码和直观的可视化对比图,帮大家彻底搞懂神经网络的原理、模型和应用。
啊阿狸不会拉杆10 天前
人工智能·算法·机器学习·ai·机器人·强化学习·ml
《机器学习》第六章-强化学习🔥 本文配套完整可运行代码,所有案例均经过实测,包含可视化对比、核心算法实现、实战项目,零基础也能轻松上手强化学习!
啊阿狸不会拉杆11 天前
人工智能·机器学习·ai·ml
《机器学习》第 1 章 - 机器学习概述大家好!今天开始我们《机器学习》系列的第一篇内容 —— 机器学习概述。这一章是机器学习的入门基石,我会用通俗易懂的语言拆解核心概念,搭配可直接运行的 Python 代码、可视化对比图和思维导图,帮大家建立对机器学习的整体认知。所有代码都经过实测,注释详尽,新手也能轻松上手!
啊阿狸不会拉杆12 天前
人工智能·python·机器学习·ai·ml
《机器学习》 第 2 章 - 模型估计与优化大家好!今天给大家分享《机器学习》第 2 章的核心内容 —— 模型估计与优化。这一章是机器学习算法落地的核心基础,不管是经典的线性回归,还是复杂的深度学习模型,背后都离不开参数估计和优化方法的支撑。
阿杰学AI1 个月前
人工智能·ai·语言模型·自然语言处理·aigc·ml·机械学习
AI核心知识66——大语言模型之Machine Learning (简洁且通俗易懂版)机械学习(英文 Machine Learning, ML)是大语言模型(LLM)的“祖宗” ,也是整个 AI 大厦的地基 。
闲人编程3 个月前
开发语言·人工智能·python·机器学习·ml·codecapsule
使用MLflow跟踪和管理你的机器学习实验『宝藏代码胶囊开张啦!』—— 我的 CodeCapsule 来咯!✨ 写代码不再头疼!我的新站点 CodeCapsule 主打一个 “白菜价”+“量身定制”!无论是卡脖子的毕设/课设/文献复现,需要灵光一现的算法改进,还是想给项目加个“外挂”,这里都有便宜又好用的代码方案等你发现!低成本,高适配,助你轻松通关!速来围观 👉 CodeCapsule官网
大千AI助手7 个月前
机器学习·tree·ml·decisiontree·gini不纯度·基尼
**双生“基尼”**:跨越世纪的术语撞车与学科分野在学术的宇宙中,“基尼”(Gini)这个名字如同一个奇特的星标,闪耀在两个看似毫不相关的领域:衡量社会贫富差距的经济学与驱动人工智能的机器学习。然而,当人们在这两个领域都遇到“基尼指数”或“基尼系数”时,困惑油然而生——它们为何如此不同?又为何共享同一个名字?这不是某个“傻逼”的随意命名,而是一场跨越学科与世纪的“术语交通事故”,其背后是学术传承与概念抽象的交织。
Ai财富密码7 个月前
人工智能·神经网络·机器学习·机器人·ml
机器学习 (ML) 基础入门指南在当今科技飞速发展的时代,机器学习作为人工智能的一个重要分支,正深刻地改变着我们的生活和工作方式。根据机器学习泰斗、卡耐基梅隆大学的汤姆·米切尔 (Tom Mitchell) 教授的定义,机器学习是一门研究算法的学科,这些算法能够通过非显式编程 (non - explicit programming) 的形式,利用经验数据来提升某个任务的性能指标。简单来说,机器学习赋予系统和机器拥有使用过去经验学习并改进的能力,它可以从数据中学习并将所学知识应用于未来,从而得到更好的成果 。例如,电商平台的推荐系统,通过
AlfredZhao10 个月前
oracle·ml·odm·mining
ORACLE数据挖掘之 MSET-SPRT虽然是熟悉的Oracle数据库,但关于机器学习、数据挖掘这方面的知识笔者起初也是不了解的,文中MSET相关设置来源于同事提供的sample,在测试过程中边查资料边学习吸收,也因此看到了别样的Oracle。
辰chen1 年前
深度学习·机器学习·deep learning·ml·dl·李宏毅·machine translation
ML2021Spring-hw1(COVID-19 Cases Prediction)💫你好,我是辰chen,本文旨在准备考研复试或就业 💫本篇博客内容来自:Machine Learning 2022 Spring 💫更多和本篇博客相关内容详见专栏:Machine Learning(李宏毅2022春) 以及 机器学习(Machine Learning) 💫欢迎大家的关注,我的博客主要关注于算法讲解、LLM大模型、通信感知等
Mephostopheles1 年前
算法·ml
XGBoost模型 0基础小白也能懂(附代码)原文链接XGBoost 是 eXtreme Gradient Boosting 的缩写称呼,它是一个非常强大的 Boosting 算法工具包,优秀的性能(效果与速度)让其在很长一段时间内霸屏数据科学比赛解决方案榜首,现在很多大厂的机器学习方案依旧会首选这个模型。
GYHlf2 年前
ai·概率论·ml
贝叶斯回归简单来说,贝叶斯推断 (Bayesian inference) 就是结合“经验 (先验)”和“实践 (样本)”,得出“结论 (后 验)”。
HuggingFace2 年前
ml
给科研人的 ML 开源发布工具包什么是开源发布工具包?恭喜你的论文成功发表,这是一个巨大的成就!你的研究成果将为学界做出贡献。其实除了发表论文之外,你还可以通过发布研究的其他部分,如代码、数据集、模型等,来增加研究的可见度和采用率。这将使更多人能够使用你的研究,并推动研究成果的应用。 我们整理了这份文件,让你可以更好的了解和实践开源。希望这份文件对你有所帮助!
ahojcn2 年前
机器学习·ml
【ML】分类问题classification:根据已知样本特征,判断输入样本属于哪种已知样本类。常用入门案例:垃圾邮件检测、图像分类、手写数字识别、考试通过预测。
HuggingFace2 年前
人工智能·机器学习·ml
机器学习即代码的时代已经到来译者注: 到底是 AI 会吃掉软件还是软件会吃掉 AI?为了 job security 工程师应该把宝押在哪儿?这篇 2021 年的文章提供的一些视角似乎印证了它现在的流行,有点“运筹于帷幄之中,决胜于数年之后”的意思,颇值得软件架构师和产品经理们内省一番。
我是有底线的