- hands-on-data-analysis 第二单元 - 数据清洗及特征处理1.缺失值观察与处理首先当然是导入相应的模块 #加载所需的库 import numpy as np import pandas as pd1.1 缺失值观察接下来就是观察缺失值：df.info() df.info() RangeIndex: 891 entries, 0 to 890 Data columns (t... hands-on-data-analysis 第二单元 - 数据清洗及特征处理1.缺失值观察与处理首先当然是导入相应的模块 #加载所需的库 import numpy as np import pandas as pd1.1 缺失值观察接下来就是观察缺失值：df.info() df.info() RangeIndex: 891 entries, 0 to 890 Data columns (t...
- 本文主要介绍人工智能开发流程优化的关键点，并引出实践场景。 同时，提供最佳实践的相关博客列表和链接。 本文主要介绍人工智能开发流程优化的关键点，并引出实践场景。 同时，提供最佳实践的相关博客列表和链接。
- 之前我们已经介绍过了关于微软全球建筑物提取的矢量图：全球建筑物提取数据集（免费下载）：微软/GlobalMLBuildingFootprints_此星光明2021年博客之星云计算Top3的博客-CSDN博客_建筑物提取数据集数据介绍：这个大规模的开放数据集包括从高分辨率的50厘米卫星图像中得出的建筑物轮廓。它包含了5.16亿个建筑物的检测结果，覆盖了1940万平方公里的区域（占非洲大陆的6... 之前我们已经介绍过了关于微软全球建筑物提取的矢量图：全球建筑物提取数据集（免费下载）：微软/GlobalMLBuildingFootprints_此星光明2021年博客之星云计算Top3的博客-CSDN博客_建筑物提取数据集数据介绍：这个大规模的开放数据集包括从高分辨率的50厘米卫星图像中得出的建筑物轮廓。它包含了5.16亿个建筑物的检测结果，覆盖了1940万平方公里的区域（占非洲大陆的6...
- 上一次我们写了关于全球12个级别流域下载的事情，这一次我们看看全球河流的数据：自由流动的河流 (FFR) 相当于荒野地区的淡水，它们支持着全球许多最多样化、最复杂和充满活力的生态系统，提供重要的社会和经济服务。FFR 可以定义为生态系统功能和服务在很大程度上不受河流连通性变化影响的河流，允许河流系统内以及与周围景观的水、能源、物质和物种的畅通流动和交换。研究人员评估了 1200 万公里河流... 上一次我们写了关于全球12个级别流域下载的事情，这一次我们看看全球河流的数据：自由流动的河流 (FFR) 相当于荒野地区的淡水，它们支持着全球许多最多样化、最复杂和充满活力的生态系统，提供重要的社会和经济服务。FFR 可以定义为生态系统功能和服务在很大程度上不受河流连通性变化影响的河流，允许河流系统内以及与周围景观的水、能源、物质和物种的畅通流动和交换。研究人员评估了 1200 万公里河流...
- 设随机信号为x(i)，i=0, 1, …, N-1，为了便于对该信号展开分析，提取信号的时域和频域特征参数，如幅度差、均值、标准差、变异系数、四分位跨度、过零率、均值频率、峰值频率、中值频率、频率标准差、能量聚度、频率变异系数等，用来描述信号的特点，探讨特征参数随时间的变化规律，以及对信号进行分类和识别，是一项重要的基础性工作。 设随机信号为x(i)，i=0, 1, …, N-1，为了便于对该信号展开分析，提取信号的时域和频域特征参数，如幅度差、均值、标准差、变异系数、四分位跨度、过零率、均值频率、峰值频率、中值频率、频率标准差、能量聚度、频率变异系数等，用来描述信号的特点，探讨特征参数随时间的变化规律，以及对信号进行分类和识别，是一项重要的基础性工作。
- 本案例基于检测目标，使用工业相机成像的数据，训练汽车零部件的表面缺陷识别模型，可以检测出汽车零部件（轴承、塞火花和摇）存在的缺陷。 本案例基于检测目标，使用工业相机成像的数据，训练汽车零部件的表面缺陷识别模型，可以检测出汽车零部件（轴承、塞火花和摇）存在的缺陷。
- mindinsight 可视化训练 mindinsight 可视化训练
- 公共自行车使用量预测公共自行车低碳、环保、健康，并且解决了交通中“最后一公里”的痛点，在全国各个城市越来越受欢迎。本练习赛的数据取自于两个城市某街道上的几处公共自行车停车桩。我们希望根据时间、天气等信息，预测出该街区在一小时内的被借取的公共自行车的数量。train.csv 训练集，文件大小 273kbtest.csv 预测集, 文件大小 179kb公共自行车使用量预测训练集中共有10000... 公共自行车使用量预测公共自行车低碳、环保、健康，并且解决了交通中“最后一公里”的痛点，在全国各个城市越来越受欢迎。本练习赛的数据取自于两个城市某街道上的几处公共自行车停车桩。我们希望根据时间、天气等信息，预测出该街区在一小时内的被借取的公共自行车的数量。train.csv 训练集，文件大小 273kbtest.csv 预测集, 文件大小 179kb公共自行车使用量预测训练集中共有10000...
- 算法案例手写数字识别 加载模型 算法案例手写数字识别MNIST数据集是机器学习领域中非常经典的一个数据集，由60000个训练样本和10000个测试样本组成，每个样本都是一张28 * 28像素的灰度手写数字图片。选择算法，并保存模型import picklefrom sklearn.linear_model import LogisticRegressionfrom sklearn.metr... 算法案例手写数字识别 加载模型 算法案例手写数字识别MNIST数据集是机器学习领域中非常经典的一个数据集，由60000个训练样本和10000个测试样本组成，每个样本都是一张28 * 28像素的灰度手写数字图片。选择算法，并保存模型import picklefrom sklearn.linear_model import LogisticRegressionfrom sklearn.metr...
- 保存算法模型 1、加载数据集 2、数据集划分 3、特征工程（标准化） 4、模型选择 代码： 使用算法模型 保存算法模型 1、加载数据集data = load_iris() 2、数据集划分train_x,test_x,train_y,test_y = train_test_split(data['data'],data['target']) 3、特征工程（标准化）std = Standard... 保存算法模型 1、加载数据集 2、数据集划分 3、特征工程（标准化） 4、模型选择 代码： 使用算法模型 保存算法模型 1、加载数据集data = load_iris() 2、数据集划分train_x,test_x,train_y,test_y = train_test_split(data['data'],data['target']) 3、特征工程（标准化）std = Standard...
- 暴力调参案例 首先引入所需库 编码问题显示 获取数据 自动调参 选择算法调参 可视化 代码整合： 结果： 暴力调参案例使用的数据集为from sklearn.datasets import fetch_20newsgroups因为在线下载慢，可以提前下载保存到 首先引入所需库import numpy as npimport pandas as pddefaultencoding = 'ut... 暴力调参案例 首先引入所需库 编码问题显示 获取数据 自动调参 选择算法调参 可视化 代码整合： 结果： 暴力调参案例使用的数据集为from sklearn.datasets import fetch_20newsgroups因为在线下载慢，可以提前下载保存到 首先引入所需库import numpy as npimport pandas as pddefaultencoding = 'ut...
- 机器学习 机器学习分类 回归算法 分类算法 聚类算法 数据 数据清洗和转换 特征工程 特征提取 特征预处理 归一化 标准化 特征降维 数据集划分 分类模型评估 回归模型评估 聚类模型评估 模型保存 案例介绍 1、加载数据集 2、数据集划分 3、进行特征工程 (进行数据标准化) 4、选择模型训练 5、模型评估 6.模型保存 机器学习机器学习（Machine Learning，ML）是一门多领... 机器学习 机器学习分类 回归算法 分类算法 聚类算法 数据 数据清洗和转换 特征工程 特征提取 特征预处理 归一化 标准化 特征降维 数据集划分 分类模型评估 回归模型评估 聚类模型评估 模型保存 案例介绍 1、加载数据集 2、数据集划分 3、进行特征工程 (进行数据标准化) 4、选择模型训练 5、模型评估 6.模型保存 机器学习机器学习（Machine Learning，ML）是一门多领...
- 0 前言为了能够真正帮助到对机器学习感兴趣的同学，所以翻阅了网上众多的信息，结合自己读研期间的相关经历，整理出如下的这份关于如何系统学习机器学习的思维导图。1 步骤在正式踏入机器学习之旅之前，我们要了解机器学习的步骤。所以我们需要哪些的前置知识呢？1.1 前置知识英语听读能力首先，掌握英语的听和读的能力。机器学习领域的课程和论文几乎都是英文的，如果我们要看懂或者听懂，最好需要掌握一定的英语能... 0 前言为了能够真正帮助到对机器学习感兴趣的同学，所以翻阅了网上众多的信息，结合自己读研期间的相关经历，整理出如下的这份关于如何系统学习机器学习的思维导图。1 步骤在正式踏入机器学习之旅之前，我们要了解机器学习的步骤。所以我们需要哪些的前置知识呢？1.1 前置知识英语听读能力首先，掌握英语的听和读的能力。机器学习领域的课程和论文几乎都是英文的，如果我们要看懂或者听懂，最好需要掌握一定的英语能...
- 主要讲述人工智能概述，介绍了目前人工智能的状况、发展历史、技术及应用领域、华为目前的发展战略，最后讲述了人工智能的发展趋势。 全文一共10640字，预估阅读时间约17分钟。 主要讲述人工智能概述，介绍了目前人工智能的状况、发展历史、技术及应用领域、华为目前的发展战略，最后讲述了人工智能的发展趋势。 全文一共10640字，预估阅读时间约17分钟。
- PyTorch模型定义 1. 前言好久没更新了，2022年也过去快一半了，更文量还是不如前几年。近期会尝试加快更新的进度。本篇文章的更新内容是PyTorch模型的定义。 2. PyTorch模型定义的方式 2.1. SequentialSequential 类可以通过更加简单的方式定义模型。它可以接收一个子模块的有序字典(OrderedDict) 或者一系列子模块作为参数来逐一添加 Mod... PyTorch模型定义 1. 前言好久没更新了，2022年也过去快一半了，更文量还是不如前几年。近期会尝试加快更新的进度。本篇文章的更新内容是PyTorch模型的定义。 2. PyTorch模型定义的方式 2.1. SequentialSequential 类可以通过更加简单的方式定义模型。它可以接收一个子模块的有序字典(OrderedDict) 或者一系列子模块作为参数来逐一添加 Mod...
上滑加载中
推荐直播
-
HDC深度解读系列 - Serverless与MCP融合创新，构建AI应用全新智能中枢2025/08/20 周三 16:30-18:00
张昆鹏 HCDG北京核心组代表
HDC2025期间，华为云展示了Serverless与MCP融合创新的解决方案，本期访谈直播，由华为云开发者专家(HCDE)兼华为云开发者社区组织HCDG北京核心组代表张鹏先生主持，华为云PaaS服务产品部 Serverless总监Ewen为大家深度解读华为云Serverless与MCP如何融合构建AI应用全新智能中枢
回顾中 -
关于RISC-V生态发展的思考2025/09/02 周二 17:00-18:00
中国科学院计算技术研究所副所长包云岗教授
中科院包云岗老师将在本次直播中，探讨处理器生态的关键要素及其联系，分享过去几年推动RISC-V生态建设实践过程中的经验与教训。
回顾中 -
一键搞定华为云万级资源，3步轻松管理企业成本2025/09/09 周二 15:00-16:00
阿言 华为云交易产品经理
本直播重点介绍如何一键续费万级资源，3步轻松管理成本，帮助提升日常管理效率！
回顾中
热门标签