- ML：MLOps系列讲解之《设计机器学习驱动的(ML-powered)软件—我们想要解决的业务问题是什么？》解读 导读：设计机器学习驱动的软件，这部分致力于任何软件项目中最重要的阶段之一——理解业务问题和需求。 由于这些同样适用于基于 ML 的软件，因此您需要确保在开始设计之前有一个很好的理解。 任何软件项目中最重要的阶段都是理... ML：MLOps系列讲解之《设计机器学习驱动的(ML-powered)软件—我们想要解决的业务问题是什么？》解读 导读：设计机器学习驱动的软件，这部分致力于任何软件项目中最重要的阶段之一——理解业务问题和需求。 由于这些同样适用于基于 ML 的软件，因此您需要确保在开始设计之前有一个很好的理解。 任何软件项目中最重要的阶段都是理...
- 📢📢📢📣📣📣 🌻🌻🌻Hello，大家好我叫是Dream呀，一个有趣的Python博主，多多关照😜😜😜 🏅🏅🏅CSDN Python领域优质创作者，大二在读，欢迎大家... 📢📢📢📣📣📣 🌻🌻🌻Hello，大家好我叫是Dream呀，一个有趣的Python博主，多多关照😜😜😜 🏅🏅🏅CSDN Python领域优质创作者，大二在读，欢迎大家...
- 学习心得 （1）从optimization的角度,来说明相较於Mean Square Error，交叉熵Cross-entropy是被更常用在分类上 （2）网络设计技巧 【李宏毅深度学习】(task5)... 学习心得 （1）从optimization的角度,来说明相较於Mean Square Error，交叉熵Cross-entropy是被更常用在分类上 （2）网络设计技巧 【李宏毅深度学习】(task5)...
- 一.监督学习 利用一组带有标签的数据，学习从输入到输出的映射，然后将这种映射关系应用到未知数据上，达到分类或回归的目的。 分类：当输出是离散的，学习任务为分类任务。 回归：当输出是连续的，学习任务为回归任务。 二.分类学习 输入：一组有标签的训练数据(也称观察和评估)，标签表明了这些数据（观察）的所署类别。 输出：分类模型根据这些... 一.监督学习 利用一组带有标签的数据，学习从输入到输出的映射，然后将这种映射关系应用到未知数据上，达到分类或回归的目的。 分类：当输出是离散的，学习任务为分类任务。 回归：当输出是连续的，学习任务为回归任务。 二.分类学习 输入：一组有标签的训练数据(也称观察和评估)，标签表明了这些数据（观察）的所署类别。 输出：分类模型根据这些...
- 选自towardsdatascience;作者：Daniel Bourke 机器之心编译;参与：韩放、一鸣 都说做一件事情最好的时机就是「现在」，但是从何开始往往会难倒一大批人，更不用说是想要入门数据科学和机器学习的朋友了。本文是一篇科普扫盲文章，作者以初学者的视角，为同样想「入坑」的读者们提供了一些建议，还有一些可以获得的学... 选自towardsdatascience;作者：Daniel Bourke 机器之心编译;参与：韩放、一鸣 都说做一件事情最好的时机就是「现在」，但是从何开始往往会难倒一大批人，更不用说是想要入门数据科学和机器学习的朋友了。本文是一篇科普扫盲文章，作者以初学者的视角，为同样想「入坑」的读者们提供了一些建议，还有一些可以获得的学...
- 文章目录 第一部分：深度学习和机器学习一、机器学习任务二、ML和DL区别（1）数据加载（2）模型实现（3）训练过程 第二部分：Pytorch部分一、学习资源二、自动求导机制2.1 tor... 文章目录 第一部分：深度学习和机器学习一、机器学习任务二、ML和DL区别（1）数据加载（2）模型实现（3）训练过程 第二部分：Pytorch部分一、学习资源二、自动求导机制2.1 tor...
- 学习总结 （1）回顾 fine tune BERT 解决新的下游任务的5个步骤： 1）准备原始文本数据 2）将原始文本转换成BERT相容的输入格式（重点，如下图所示） 3）在BERT之上加入新layer... 学习总结 （1）回顾 fine tune BERT 解决新的下游任务的5个步骤： 1）准备原始文本数据 2）将原始文本转换成BERT相容的输入格式（重点，如下图所示） 3）在BERT之上加入新layer...
- 学习总结 交换律： tr ... 学习总结 交换律： tr ...
- 学习总结 （1）adam和dropout是算法岗面试的常考题，下面的问题是源自斯坦福大学NLP的CS224n作业assignment3的2道题。深度学习的优化算法一般分为两类：1）调整学习率，使得优化更... 学习总结 （1）adam和dropout是算法岗面试的常考题，下面的问题是源自斯坦福大学NLP的CS224n作业assignment3的2道题。深度学习的优化算法一般分为两类：1）调整学习率，使得优化更...
- 文章目录 一、官方代码1.1 加载数据1.2 Unsupervised Loss1.3 Models1.4 评估与模型使用1.5 Main 二、PyG版本class SAGEConv(Mess... 文章目录 一、官方代码1.1 加载数据1.2 Unsupervised Loss1.3 Models1.4 评估与模型使用1.5 Main 二、PyG版本class SAGEConv(Mess...
- 学习总结 （1）五种主流的推荐模型离线评估方法：Holdout 检验、交叉检验、自助法、时间切割和离线 Replay。Holdout 检验最简单常用，它通过随机划分的方式把样本集划分成训练集和测试集。而... 学习总结 （1）五种主流的推荐模型离线评估方法：Holdout 检验、交叉检验、自助法、时间切割和离线 Replay。Holdout 检验最简单常用，它通过随机划分的方式把样本集划分成训练集和测试集。而...
- 学习总结 （1）深度推荐模型的前沿趋势，强化学习（Reinforcement Learning，又叫增强学习）与深度推荐模型的结合。强化学习的大体过程：通过训练一个智能体（它与环境交互，不断学习并强化自... 学习总结 （1）深度推荐模型的前沿趋势，强化学习（Reinforcement Learning，又叫增强学习）与深度推荐模型的结合。强化学习的大体过程：通过训练一个智能体（它与环境交互，不断学习并强化自...
- 学习总结 （1）这个task所有求导布局都是分母布局。为了适配矩阵对矩阵的求导，这次的向量对向量的求导，也是以分母布局为准（和之前的不一样）。 （2）由于矩阵对矩阵求导的结果包含【克罗内克积，Kron... 学习总结 （1）这个task所有求导布局都是分母布局。为了适配矩阵对矩阵的求导，这次的向量对向量的求导，也是以分母布局为准（和之前的不一样）。 （2）由于矩阵对矩阵求导的结果包含【克罗内克积，Kron...
- 学习总结 （1）关于5个assignment的难度，可以参考斯坦福大佬的CS224作业评论，大体是说今年的transformer成为课程重点，由总助教博三大佬John讲，他原本还想让同学们手写encod... 学习总结 （1）关于5个assignment的难度，可以参考斯坦福大佬的CS224作业评论，大体是说今年的transformer成为课程重点，由总助教博三大佬John讲，他原本还想让同学们手写encod...
- 学习心得 （1）mini-batch：外层for为训练周期，内层for迭代mini-batch。 1）epoch：将所有的训练样本都进行了一次前向传递和反向传播，是一个epoch。 2）Batch-si... 学习心得 （1）mini-batch：外层for为训练周期，内层for迭代mini-batch。 1）epoch：将所有的训练样本都进行了一次前向传递和反向传播，是一个epoch。 2）Batch-si...
上滑加载中
推荐直播
-
华为云码道 × 仓颉编程：工程化AI编码探索2026/05/27 周三 19:00-21:00
刘俊杰-华为云仓颉语言专家/李炎-华为云码道技术专家/王智鹏-OpenCangjie开源社区发起人
本场直播围绕华为云仓颉语言与华为云码道的深度结合，展示华为云智能编程从零基础到高效落地的完整生态能力。以华为云码道为引擎，仓颉语言为载体，带给大家日常提效、趣味创新到极速量产的开发体验。
回顾中 -
一个AI团队帮你写代码：华为云码道Agent Space实战2026/06/25 周四 19:00-21:00
张翰文-华为云码道工程师/郭英旭-青软创新科技集团股份有限公司 软件架构师
本场直播聚焦华为云码道Agent Space两大模式：研发办公、代码开发，亲身体验从需求到代码的AI自动化能力。实操演示基于华为 CodeArts CLI，依托 OpenSpec 规格体系从零搭建业务项目。
即将直播
热门标签