- 滤波器原理：滤波器就是对特定的频率或者特定频率以外的频率进行消除的电路，被广泛用于通信系统和信号处理系统中。从功能角度，数字滤波器对输入离散信号的数字代码进行运算处理，以达到滤除频带外信号的目的。 有限冲激响应（FIR）滤波器就是一种常用的数字滤波器，采用对已输入样值的加权和来形成它的输出。其系统函数为： 其中表示延时一个时钟周期，表示延时两个周期。 传统的单速率 F... 滤波器原理：滤波器就是对特定的频率或者特定频率以外的频率进行消除的电路，被广泛用于通信系统和信号处理系统中。从功能角度，数字滤波器对输入离散信号的数字代码进行运算处理，以达到滤除频带外信号的目的。 有限冲激响应（FIR）滤波器就是一种常用的数字滤波器，采用对已输入样值的加权和来形成它的输出。其系统函数为： 其中表示延时一个时钟周期，表示延时两个周期。 传统的单速率 F...
- Adaboost算法： AdaBoost 算法 在数据挖掘中，分类算法可以说是核心算法，其与随机森林算法一样都属于 分类算法中的集成算法。 什么是集成？ 集成用我们通俗的话来说就是“三个臭皮匠，顶个诸葛亮”。通过构建并结合多个机器学习器来完成学习任务，并且达到一个更好的结果。 为什么要集成？ 因为臭皮匠好训练，诸葛亮却不好求。因此要打造一个诸葛亮，最好的方式就... Adaboost算法： AdaBoost 算法 在数据挖掘中，分类算法可以说是核心算法，其与随机森林算法一样都属于 分类算法中的集成算法。 什么是集成？ 集成用我们通俗的话来说就是“三个臭皮匠，顶个诸葛亮”。通过构建并结合多个机器学习器来完成学习任务，并且达到一个更好的结果。 为什么要集成？ 因为臭皮匠好训练，诸葛亮却不好求。因此要打造一个诸葛亮，最好的方式就...
- 回归：预测燃油效率 在一个回归问题中，我们的目标是预测一个连续值的输出，比如价格或概率。这与一个分类问题形成对比，我们的目标是从一系列类中选择一个类（例如，一张图片包含一个苹果或一个橘子，识别图片中的水果）。 本笔记本使用经典的[auto-mpg]（https://archive.ics.uci.edu/ml/datasets/auto+mpg）数据集，建立了预... 回归：预测燃油效率 在一个回归问题中，我们的目标是预测一个连续值的输出，比如价格或概率。这与一个分类问题形成对比，我们的目标是从一系列类中选择一个类（例如，一张图片包含一个苹果或一个橘子，识别图片中的水果）。 本笔记本使用经典的[auto-mpg]（https://archive.ics.uci.edu/ml/datasets/auto+mpg）数据集，建立了预...
- 上篇讲了概念的东西 实战使用 泰坦尼克数据集，之前对它进行数据预处理 可以阅读上几篇 import pandas as pd import keras import numpy as np data = pd.read_csv('./dataset/tt/train.csv') y = data.Survived x = data[['Pclass', 'Sex... 上篇讲了概念的东西 实战使用 泰坦尼克数据集，之前对它进行数据预处理 可以阅读上几篇 import pandas as pd import keras import numpy as np data = pd.read_csv('./dataset/tt/train.csv') y = data.Survived x = data[['Pclass', 'Sex...
- 以前的老文，回顾回顾 在机器学习中，随机森林是一个包含多个决策树的分类器， 并且其输出的类别是由个别树输出的类别的众数而定。 Leo Breiman和Adele Cutler发展出推论出随机森林的算法。许多估计量中的多数票最终可能比进行投票的任何单个估计量都要好！ 学习算法 用N来表示训练用例（样本）的个数，M表示特征数目。 输入特征... 以前的老文，回顾回顾 在机器学习中，随机森林是一个包含多个决策树的分类器， 并且其输出的类别是由个别树输出的类别的众数而定。 Leo Breiman和Adele Cutler发展出推论出随机森林的算法。许多估计量中的多数票最终可能比进行投票的任何单个估计量都要好！ 学习算法 用N来表示训练用例（样本）的个数，M表示特征数目。 输入特征...
- 聚类模型的训练 聚类模型最重要的就是（K-means） KMeans算法的基本思想如下： 随机选择K个点作为初始质心 While 簇发生变化或小于最大迭代次数： 将每个点指派到最近的质心，形成K个簇 重新计算每个簇的质心 图中有3个初始质点，形成的3个簇，再计算每个簇的质心，比较差别 # 生成数据 make_blobs import numpy as ... 聚类模型的训练 聚类模型最重要的就是（K-means） KMeans算法的基本思想如下： 随机选择K个点作为初始质心 While 簇发生变化或小于最大迭代次数： 将每个点指派到最近的质心，形成K个簇 重新计算每个簇的质心 图中有3个初始质点，形成的3个簇，再计算每个簇的质心，比较差别 # 生成数据 make_blobs import numpy as ...
- 信道中的频域均衡器中，它是用可调滤波器的频域特性去补偿基带系统的频域特性，使系统总的传输函数满足无失真传输条件； 时域均衡器，使用均衡器产生的波形去补偿已经变形的波形，使总的输出波形满足无码间串扰的条件。 如何用波形去补偿波形呢？ 比如说在基带传输中，接收到某一个脉冲信号，由于信道不理想，出现了拖尾， 这个拖尾可能会对抽样点上的其他码元产生干扰，现在用均衡器产生了一个补偿波... 信道中的频域均衡器中，它是用可调滤波器的频域特性去补偿基带系统的频域特性，使系统总的传输函数满足无失真传输条件； 时域均衡器，使用均衡器产生的波形去补偿已经变形的波形，使总的输出波形满足无码间串扰的条件。 如何用波形去补偿波形呢？ 比如说在基带传输中，接收到某一个脉冲信号，由于信道不理想，出现了拖尾， 这个拖尾可能会对抽样点上的其他码元产生干扰，现在用均衡器产生了一个补偿波...
- 过拟合(高方差) 当我们的数据无法满足我们模型的复杂度时会过拟合，也就是我们的变量过多,模型很复杂，导致在我们的训练集中我们的将我们的训练样本拟合的非常好，但是在测试样本中测试的准确率比较低，模型的泛化能力差，就会出现过拟合的问题。 通俗一点地来说过拟合就是模型把数据学习的太彻底，以至于把噪声数据的特征也学习到了，这样就会导致在后期测试的时候不能够很好地识别数据，即... 过拟合(高方差) 当我们的数据无法满足我们模型的复杂度时会过拟合，也就是我们的变量过多,模型很复杂，导致在我们的训练集中我们的将我们的训练样本拟合的非常好，但是在测试样本中测试的准确率比较低，模型的泛化能力差，就会出现过拟合的问题。 通俗一点地来说过拟合就是模型把数据学习的太彻底，以至于把噪声数据的特征也学习到了，这样就会导致在后期测试的时候不能够很好地识别数据，即...
- 什么是Gensim Gensim是一款开源的第三方Python工具包，用于从原始的非结构化的文本中，无监督地学习到文本隐层的主题向量表达。它支持包括TF-IDF，LSA，LDA，和word2vec在内的多种主题模型算法，支持流式训练，并提供了诸如相似度计算，信息检索等一些常用任务的API接口 补充一些概念: 语料（Corpus）：一组原始文本的集合，用于无监督... 什么是Gensim Gensim是一款开源的第三方Python工具包，用于从原始的非结构化的文本中，无监督地学习到文本隐层的主题向量表达。它支持包括TF-IDF，LSA，LDA，和word2vec在内的多种主题模型算法，支持流式训练，并提供了诸如相似度计算，信息检索等一些常用任务的API接口 补充一些概念: 语料（Corpus）：一组原始文本的集合，用于无监督...
- 对于任何一个深度学习的框架，都能够训练文本数据，当然NLTK在自然语言处理也占有一定的名声和权重 任何东西都离不开你我 来源 github # 导入torch的模块 import torch import torch.nn as nn from torch.autograd import Variable import torch.optim as optim i... 对于任何一个深度学习的框架，都能够训练文本数据，当然NLTK在自然语言处理也占有一定的名声和权重 任何东西都离不开你我 来源 github # 导入torch的模块 import torch import torch.nn as nn from torch.autograd import Variable import torch.optim as optim i...
- 上篇通过实例了解了过拟合，那如何处理将是本文处理的问题 Dropout抑制过拟合 在每一次训练中，随机丢弃一部分隐藏单元，从而加强另一部分单元的学习 原理 取平均的作用：先回到标准的模型没有dropout，我们会用相同的训练数据去训练5个不同的神经网络，一般会得到5个不同的结果，此时我们可以采用“5个结果取均值”或者“对数取胜的投票策略”去决定最懂结果... 上篇通过实例了解了过拟合，那如何处理将是本文处理的问题 Dropout抑制过拟合 在每一次训练中，随机丢弃一部分隐藏单元，从而加强另一部分单元的学习 原理 取平均的作用：先回到标准的模型没有dropout，我们会用相同的训练数据去训练5个不同的神经网络，一般会得到5个不同的结果，此时我们可以采用“5个结果取均值”或者“对数取胜的投票策略”去决定最懂结果...
- 在讲內积空间之前，先提一下线性空间，这是內积空间的基础，也是我们学习任何一门理科所必备的常识。 线性空间介绍： 向量空间亦称向量空间。它是线性代数的中心内容和基本概念之一。设V是一个非空集合，P是一个域。若： 1.在V中定义了一种运算，称为加法，即对V中任意两个元素α与β都按... 在讲內积空间之前，先提一下线性空间，这是內积空间的基础，也是我们学习任何一门理科所必备的常识。 线性空间介绍： 向量空间亦称向量空间。它是线性代数的中心内容和基本概念之一。设V是一个非空集合，P是一个域。若： 1.在V中定义了一种运算，称为加法，即对V中任意两个元素α与β都按...
- 前些时间，可能是导师随口一提机器学习，再加上室友们都是人工智能学院的学生，对机器学习等耳濡目染。鉴于目前的趋势，人工智能的浪潮来袭，有必要了解乃至认真学习一番，于是就从寻找入门的博客开始学习，机缘巧合，让我遇到了这么一个系列，看了几篇后，受益匪浅，对人工智能竟然有了一丝的想法。 当然收益不仅于此，看到了博主将博客的内容以目录的形式展示出来，这个想法让我也想对自己的博客条理化... 前些时间，可能是导师随口一提机器学习，再加上室友们都是人工智能学院的学生，对机器学习等耳濡目染。鉴于目前的趋势，人工智能的浪潮来袭，有必要了解乃至认真学习一番，于是就从寻找入门的博客开始学习，机缘巧合，让我遇到了这么一个系列，看了几篇后，受益匪浅，对人工智能竟然有了一丝的想法。 当然收益不仅于此，看到了博主将博客的内容以目录的形式展示出来，这个想法让我也想对自己的博客条理化...
- 特征工程 数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上 限而已。根据特征使用方案，有计划地获取、处理和监控数据和特征的工作称之为特征工程,目的是 最大限度地从原始数据中提取特征以供算法和模型使用。 根据特征选择的形式又可以将特征选择方法分为3种： 用sklearn中的feature_selection库来进行特征选择 Filter： 过滤法... 特征工程 数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上 限而已。根据特征使用方案，有计划地获取、处理和监控数据和特征的工作称之为特征工程,目的是 最大限度地从原始数据中提取特征以供算法和模型使用。 根据特征选择的形式又可以将特征选择方法分为3种： 用sklearn中的feature_selection库来进行特征选择 Filter： 过滤法...
- 来源 kaggle Machine Learning Micro-Course Home Page import pandas as pd melbourne_file_path = 'melb_data.csv/melb_data.csv' melbourne_data = pd.read_csv(melbourne_file_path) print(len(... 来源 kaggle Machine Learning Micro-Course Home Page import pandas as pd melbourne_file_path = 'melb_data.csv/melb_data.csv' melbourne_data = pd.read_csv(melbourne_file_path) print(len(...
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