- 请不要随意复制粘贴，请尊重本博主，千辛万苦的总结心血，谢谢您的支持！ 建议收藏，一直更新！！！！！ 切记：要想学好机器学习，一定要看原汁原味的论文！！！！ 目录 1967《Nearest Neighbor Pattern Classification 》 2005《Histograms of Oriented Gradients for Human Detec... 请不要随意复制粘贴，请尊重本博主，千辛万苦的总结心血，谢谢您的支持！ 建议收藏，一直更新！！！！！ 切记：要想学好机器学习，一定要看原汁原味的论文！！！！ 目录 1967《Nearest Neighbor Pattern Classification 》 2005《Histograms of Oriented Gradients for Human Detec...
- ML之回归预测：利用九大类机器学习算法对无人驾驶系统参数(2018年的data,18+2)进行回归预测+评估九种模型性能 相关文章ML之回归预测：利用九大类机器学习算法对自动驾驶系统参数(2018年的data,18+2)进行回归预测+评估九种模型性能 目录 输出记录 1、第一次输出错误记录 2、第二次输出评估模型性能记录 输出记录 1、第一... ML之回归预测：利用九大类机器学习算法对无人驾驶系统参数(2018年的data,18+2)进行回归预测+评估九种模型性能 相关文章ML之回归预测：利用九大类机器学习算法对自动驾驶系统参数(2018年的data,18+2)进行回归预测+评估九种模型性能 目录 输出记录 1、第一次输出错误记录 2、第二次输出评估模型性能记录 输出记录 1、第一...
- Py之yacs：yacs的简介、安装、使用方法之详细攻略 目录 yacs的简介 yacs的安装 yacs的使用方法 1、基础用法 yacs的简介 A simple experiment configuration system for research. yacs是作为一个轻量级库创建的，用于定义和管理系... Py之yacs：yacs的简介、安装、使用方法之详细攻略 目录 yacs的简介 yacs的安装 yacs的使用方法 1、基础用法 yacs的简介 A simple experiment configuration system for research. yacs是作为一个轻量级库创建的，用于定义和管理系...
- Python OpenCV 365 天学习计划，与橡皮擦一起进入图像领域吧。 Python OpenCV 基础知识铺垫Sobel 算子和 Scharr 算子Sobel 算子说明与使用Scharr 算子说明与使用 laplacian 算子橡皮擦的小节 基础知识铺垫 图像梯度是计算图像变化速度的方法，对于图像边缘部分，灰度值如果变化幅度较大，... Python OpenCV 365 天学习计划，与橡皮擦一起进入图像领域吧。 Python OpenCV 基础知识铺垫Sobel 算子和 Scharr 算子Sobel 算子说明与使用Scharr 算子说明与使用 laplacian 算子橡皮擦的小节 基础知识铺垫 图像梯度是计算图像变化速度的方法，对于图像边缘部分，灰度值如果变化幅度较大，...
- ML岗位面试：10.24下午—上海某软件公司(机器学习，上市)电话面试—考察SVM、逻辑回归、降低过拟合、卷积网络基础等 导读：当时电话来的非常快，我刚做完一家公司的笔试，接着来了电话的技术面试。 电话面试考点 博主今天中午15点~17点，有家科技公司的在线笔试，... ML岗位面试：10.24下午—上海某软件公司(机器学习，上市)电话面试—考察SVM、逻辑回归、降低过拟合、卷积网络基础等 导读：当时电话来的非常快，我刚做完一家公司的笔试，接着来了电话的技术面试。 电话面试考点 博主今天中午15点~17点，有家科技公司的在线笔试，...
- ML之回归预测：利用九大类机器学习算法对无人驾驶汽车系统参数(2018年的data,18+2)进行回归预测值VS真实值 相关文章ML之回归预测：利用九大类机器学习算法对无人驾驶汽车系统参数(2018年的data,18+2)进行回归预测值VS真实值 目录 输出结果 核心代码 输出结果 数据的初步查验：输出回归目标值的差异... ML之回归预测：利用九大类机器学习算法对无人驾驶汽车系统参数(2018年的data,18+2)进行回归预测值VS真实值 相关文章ML之回归预测：利用九大类机器学习算法对无人驾驶汽车系统参数(2018年的data,18+2)进行回归预测值VS真实值 目录 输出结果 核心代码 输出结果 数据的初步查验：输出回归目标值的差异...
- Paper：《Adam: A Method for Stochastic Optimization》的翻译与解读 目录 Adam: A Method for Stochastic Optimization ABSTRACT 1、INTRODUCTION 3、CONCLUSION Ad... Paper：《Adam: A Method for Stochastic Optimization》的翻译与解读 目录 Adam: A Method for Stochastic Optimization ABSTRACT 1、INTRODUCTION 3、CONCLUSION Ad...
- 作者：Murph1、无线边缘联邦学习背景 随着5G 时代的带来，未来的无线系统将支持超密集的节点组成的边缘节点[1]，包括基站的边缘服务器和无线接入点、智能边缘设备例如智能汽车和无人机等。边缘计算被认为是5G 与工业互联网、物联网等的重要结合点，能够推动相关产业带来飞跃性发展。与此同时，以深度学习为代表的人工智能技术的发展，新一代基础设施的AI赋能，使得边缘节点和终端设备具备了... 作者：Murph1、无线边缘联邦学习背景 随着5G 时代的带来，未来的无线系统将支持超密集的节点组成的边缘节点[1]，包括基站的边缘服务器和无线接入点、智能边缘设备例如智能汽车和无人机等。边缘计算被认为是5G 与工业互联网、物联网等的重要结合点，能够推动相关产业带来飞跃性发展。与此同时，以深度学习为代表的人工智能技术的发展，新一代基础设施的AI赋能，使得边缘节点和终端设备具备了...
- 作者：邵云峰1、联邦学习 背景及技术回顾（图文穿插）传统机器学习通常需要把训练数据集集中在数据中心，从而带来安全、隐私等问题，联邦学习应运而生。联邦学习具有如下优势：1）数据不出本地：数据保留在各方本地，不泄露隐私也不违反法规2）模型效果相同：联邦学习模型效果和将全部数据统一存放管理的建模效果相同或相差不大迁移学习3）联合建模，利益共享：多个参与方联合各自数据建立虚拟的共有模型... 作者：邵云峰1、联邦学习 背景及技术回顾（图文穿插）传统机器学习通常需要把训练数据集集中在数据中心，从而带来安全、隐私等问题，联邦学习应运而生。联邦学习具有如下优势：1）数据不出本地：数据保留在各方本地，不泄露隐私也不违反法规2）模型效果相同：联邦学习模型效果和将全部数据统一存放管理的建模效果相同或相差不大迁移学习3）联合建模，利益共享：多个参与方联合各自数据建立虚拟的共有模型...
- 橡皮擦，一个逗趣的互联网高级网虫，新的系列，让我们一起 Be More Pythonic。 滚雪球学 Python 第二轮 已完成的文章清单 七、函数装饰器7.1 装饰器基本使用7.2 对带参数的函数进行装饰7.3 多个装饰器7.4 functools.wraps7.5 基于类的装饰器7.6 内置装饰器7.6.1 @property7.6.2 @... 橡皮擦，一个逗趣的互联网高级网虫，新的系列，让我们一起 Be More Pythonic。 滚雪球学 Python 第二轮 已完成的文章清单 七、函数装饰器7.1 装饰器基本使用7.2 对带参数的函数进行装饰7.3 多个装饰器7.4 functools.wraps7.5 基于类的装饰器7.6 内置装饰器7.6.1 @property7.6.2 @...
- 目录 举例1 举例2 为了提高复杂关系的拟合能力，在特征工程中经常会把一届离散特征两两组合，构成高阶组合特征。 举例1 假如广告点击有2中离散特征 逻辑回归为例，数据特征向量为X=（x1,x2,...xk），则有 举例2 若用户数量m，物品数量n，学习的参数规模m*n。实际中，不可行！ 所以 目录 举例1 举例2 为了提高复杂关系的拟合能力，在特征工程中经常会把一届离散特征两两组合，构成高阶组合特征。 举例1 假如广告点击有2中离散特征 逻辑回归为例，数据特征向量为X=（x1,x2,...xk），则有 举例2 若用户数量m，物品数量n，学习的参数规模m*n。实际中，不可行！ 所以
- 之前我们讲过NPL(自然语言处理)，使用的是NLTK这样一个包，现在呢，我们又有了新的法宝----GluonNPL。在做自然语言处理上能帮我们提升不少效率。 GluonNLP提供了NLP中最先进的(SOTA)深度学习模型的实现，并为文本数据管道和模型构建块。它是为工程师，研究人员和学生设计的，以快速原型研究想法和产品基于这些模型。这个工具包提供了三个主要特性: ... 之前我们讲过NPL(自然语言处理)，使用的是NLTK这样一个包，现在呢，我们又有了新的法宝----GluonNPL。在做自然语言处理上能帮我们提升不少效率。 GluonNLP提供了NLP中最先进的(SOTA)深度学习模型的实现，并为文本数据管道和模型构建块。它是为工程师，研究人员和学生设计的，以快速原型研究想法和产品基于这些模型。这个工具包提供了三个主要特性: ...
- 01前言1、假若要在计算机上建立一个交通资讯系统则可以采用图的结构来表示实际的交通网络。2、考虑到交通图的有向行（如航运，逆水和顺水时的船速就不一样）带权有向图中，称路径上的第一个顶点为源点，最后一个顶点为终点。02最短路径1、求最短路径的一个办法是，每次以一个顶点为源点，重复执行迪杰斯特拉算法n次。这样，便可求得每一对顶点之间的最短路径。总的执行时间为O（n的3次方）。2、弗... 01前言1、假若要在计算机上建立一个交通资讯系统则可以采用图的结构来表示实际的交通网络。2、考虑到交通图的有向行（如航运，逆水和顺水时的船速就不一样）带权有向图中，称路径上的第一个顶点为源点，最后一个顶点为终点。02最短路径1、求最短路径的一个办法是，每次以一个顶点为源点，重复执行迪杰斯特拉算法n次。这样，便可求得每一对顶点之间的最短路径。总的执行时间为O（n的3次方）。2、弗...
- 浅谈SSIM 损失函数计算 前言Structural Similarity亮度相似性对比度相似性结构相似度SSIM 实现 总结 前言 最近研究图像重建老是看到SSIM损失函数，但是去找了那篇论文《Image Quality Assessment: From Error Visibility to Structural Similarity》挺有意思的... 浅谈SSIM 损失函数计算 前言Structural Similarity亮度相似性对比度相似性结构相似度SSIM 实现 总结 前言 最近研究图像重建老是看到SSIM损失函数，但是去找了那篇论文《Image Quality Assessment: From Error Visibility to Structural Similarity》挺有意思的...
- 目录 一、安装Julia 二、Flux简介 三、安装Flux和相关依赖库 四、cifar10项目下载 *五、cifar10数据集下载 六、开始训练 一、安装Julia IDE是Atom，安装和使用教程为：Windows10 Atom安装和运行Julia的使用教程（详细） 二、Flux简介 1.Flux.jl是一个内置于Julia的机器学习框架。它与Py... 目录 一、安装Julia 二、Flux简介 三、安装Flux和相关依赖库 四、cifar10项目下载 *五、cifar10数据集下载 六、开始训练 一、安装Julia IDE是Atom，安装和使用教程为：Windows10 Atom安装和运行Julia的使用教程（详细） 二、Flux简介 1.Flux.jl是一个内置于Julia的机器学习框架。它与Py...
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