人工智能

高斯混合模型回归（Gaussian Mixture Model Regression，GMM回归）高斯混合模型（GMM）是一种概率模型，它假设数据是由多个高斯分布的混合组成的。在高斯混合回归中，聚类与回归被结合成一个联合模型：

孤独且没人爱的纸鹤

【机器学习监督学习】：从原理到实践，探索算法奥秘，揭示数据标注、模型训练与预测的全过程，助力人工智能技术应用与发展🌟个人主页：落叶🌟当前专栏:机器学习专栏目录线性回归（Linear Regression）基本概念

檀越剑指大厂

自动语音识别（ASR）与文本转语音（TTS）技术的应用与发展💝💝💝欢迎来到我的博客，很高兴能够在这里和您见面！希望您在这里可以感受到一份轻松愉快的氛围，不仅可以获得有趣的内容和知识，也可以畅所欲言、分享您的想法和见解。

第5章: 图像变换与仿射操作图像变换和仿射操作是图像处理中常用的技术，通过旋转、缩放、平移、剪裁等操作，可以实现多种视觉效果以及数据增强。

【微软：多模态基础模型】（3）视觉生成欢迎关注【youcans的AGI学习笔记】原创作品【微软：多模态基础模型】（1）从专家到通用助手【微软：多模态基础模型】（2）视觉理解【微软：多模态基础模型】（3）视觉生成【微软：多模态基础模型】（4）统一视觉模型

【微软：多模态基础模型】（1）从专家到通用助手欢迎关注【youcans的AGI学习笔记】原创作品【微软：多模态基础模型】（1）从专家到通用助手【微软：多模态基础模型】（2）视觉理解【微软：多模态基础模型】（3）视觉生成【微软：多模态基础模型】（4）统一视觉模型

【汇编语言】更灵活的定位内存地址的方法（三）—— 不同的寻址方式的灵活应用📌汇编语言是很多相关课程（如数据结构、操作系统、微机原理）的重要基础。但仅仅从课程的角度出发就太片面了，其实学习汇编语言可以深入理解计算机底层工作原理，提升代码效率，尤其在嵌入式系统和性能优化方面有重要作用。此外，它在逆向工程和安全领域不可或缺，帮助分析软件运行机制并增强漏洞修复能力。

胜科纳米IPO诊断：报告期业绩亮眼，抢抓机遇布局产能，胜科纳米发展后劲儿如何？2024年11月15日，胜科纳米（苏州）股份有限公司（以下简称“胜科纳米”）披露招股说明书上会稿，半导体第三方检测分析实验室胜科纳米科创板IPO即将接受上市委的审议。

什么是大模型中的Scaling Law大模型中的Scaling Law（规模定律或缩放定律）是一种描述模型性能如何随着模型大小（如参数数量）、数据集大小和计算资源的增加而变化的理论工具。这些变化通常遵循幂律关系，即模型性能与这些关键因素之间的关系可以表示为幂律关系。具体来说，Scaling Law涉及以下几个关键因素：

AI 提示词（Prompt）入门十：最佳实践｜详细询问，提供细节！1、原则解释当与 ChatGPT 交流时，提供具体和详细的信息非常重要。这样做可以帮助 ChatGPT 更准确地理解你的需求和上下文，从而生成更相关和有用的回答

学不会lostfound

三、计算机视觉_03LeNet5及手势识别案例LeNet-5是一种经典的卷积神经网络（CNN）架构，由Yann LeCun在1998年提出，用于手写数字识别，LeNet-5是卷积神经网络的开创性工作之一，它引入了卷积层、池化层和全连接层的组合，为现代深度学习模型奠定了基础

爱数学的程序猿

从零开始深度学习：全连接层、损失函数与梯度下降的详尽指南在深度学习的领域，全连接层、损失函数与梯度下降是三块重要的基石。如果你正在踏上深度学习的旅程，理解它们是迈向成功的第一步。这篇文章将从概念到代码、从基础到进阶，详细剖析这三个主题，帮助你从小白成长为能够解决实际问题的开发者。

记得多吃点

二、神经网络基础与搭建神经元：神经元是神经网络的基本组成单元，它接收输入信号，通过对输入信号的处理产生输出信号。每个神经元都有多个输入和一个输出，输入可以是其他神经元的输出，也可以是外部输入信号。

使用 Python 和 Selenium 解决 hCaptcha：完整指南如果你跟我一样，你可能也曾遇到过在抓取数据或自动化任务时试图绕过 hCaptcha 的挫折感。你懂的，hCaptcha 弹出来，你的脚本就戛然而止。但别担心！我们都经历过。好消息是，用 Python 和 Selenium 解决 hCaptcha 挑战并不像看起来那么难。

深度学习之RNNs（1）语言模型与文本生成(Language Modeling and Generating Text)

机器学习———特征工程特征工程就是对特征进行相关的处理，一般使用pandas来进行数据清洗和数据处理、使用sklearn来进行特征工程，特征工程是将任意数据(如文本或图像)转换为可用于机器学习的数字特征，比如:字典特征提取(特征离散化)、文本特征提取、图像特征提取。

【机器学习】29. 关联规则挖掘（Association Rule Mining）关联规则挖掘是一种无监督学习方法，旨在从数据中发现项目之间的相关性。关联规则常用于市场篮分析等场景，用来寻找交易中的商品关联，例如“如果顾客买了A，可能还会买B”。下面，我们通过具体的计算案例来阐释关联规则挖掘的各项基本概念。

深度神经网络这是一个深度神经网络用 L = 4 L=4 L=4 表示神经网络层数，用 n [ l ] n^{[l]} n[l] 表示第 l l l 层神经元数量，有 n [ 1 ] = n [ 2 ] = 5 n^{[1]}=n^{[2]}=5 n[1]=n[2]=5， n [ 3 ] = 3 n^{[3]}=3 n[3]=3， n [ 4 ] = n [ L ] = 1 n^{[4]}=n^{[L]}=1 n[4]=n[L]=1， n [ 0 ] = n x = 3 n^{[0]}=n_x=3 n[0]=nx=3。

深入解析生成对抗网络（GAN）在过去的几十年中，深度学习在计算机视觉、自然语言处理和语音识别等领域取得了巨大的突破。然而，如何让机器生成高质量、逼真的数据一直是人工智能领域的挑战。传统的生成模型，如变分自编码器（VAE）和马尔可夫链蒙特卡罗方法（MCMC），在处理高维数据时存在局限性。为了解决这些问题，研究人员开始探索新的生成模型，以提高生成数据的质量和多样性。

醒了就刷牙

Bottom-Up Attention(借助CNN)“Bottom-Up Attention”（自底向上的注意力机制）是一种在计算机视觉领域常用的技术，特别是在图像理解和视觉任务中，借助卷积神经网络（CNN）来增强模型对图像不同区域的关注。这种机制模仿了人类的视觉注意力系统，通过聚焦图像中的关键区域来有效地进行处理。