- 目录 总述： 1. Word2Vec的两种网络结构 1.1 输入层 1.2 映射层 1.3 输出层 1.4 神经网络的权重 2. Word2Vec与LDA的区别和联系 2.1 主题模型与词嵌入方法 总述： Word2Vec是2013年谷歌提出来目前最为常用的词嵌入模型之一。 Word2Vec是一种浅层的神经网络模型，包含有两种网络结构：CBOW（Co... 目录 总述： 1. Word2Vec的两种网络结构 1.1 输入层 1.2 映射层 1.3 输出层 1.4 神经网络的权重 2. Word2Vec与LDA的区别和联系 2.1 主题模型与词嵌入方法 总述： Word2Vec是2013年谷歌提出来目前最为常用的词嵌入模型之一。 Word2Vec是一种浅层的神经网络模型，包含有两种网络结构：CBOW（Co...
- 由现实世界引出“机器学习” 看到乌云密布，自己推测出要下雨 通过一个苹果的表面和大小，来判断这个苹果是否好吃 我们通过经验来进行判断，这是因为我们积累了许多有用的经验，通过对有用经验的分析，就能对遇到的情况做出相应的对策。 计算机中，经验就是“数据”，判断模型就是“算法”，机器学习就是研究“学习算法”。 举例：当计算机数据库有上千万只猫的照片，并对其特点进行建模分析... 由现实世界引出“机器学习” 看到乌云密布，自己推测出要下雨 通过一个苹果的表面和大小，来判断这个苹果是否好吃 我们通过经验来进行判断，这是因为我们积累了许多有用的经验，通过对有用经验的分析，就能对遇到的情况做出相应的对策。 计算机中，经验就是“数据”，判断模型就是“算法”，机器学习就是研究“学习算法”。 举例：当计算机数据库有上千万只猫的照片，并对其特点进行建模分析...
- 目录 1. 什么是类别型特征？ 2. 处理类别型特征的编码方式有哪几种？ 2.1 序号编码 2.2 独热编码 2.2.1对于类别取值比较多的情况下，使用独热编码注意以下问题： 2.3 二进制编码 3除了这些编码还有哪些？ 1. 什么是类别型特征？ 类别型特征（Categorical Feature）主要指的是性别（男、女）、血型（A、B、AB、O）等只... 目录 1. 什么是类别型特征？ 2. 处理类别型特征的编码方式有哪几种？ 2.1 序号编码 2.2 独热编码 2.2.1对于类别取值比较多的情况下，使用独热编码注意以下问题： 2.3 二进制编码 3除了这些编码还有哪些？ 1. 什么是类别型特征？ 类别型特征（Categorical Feature）主要指的是性别（男、女）、血型（A、B、AB、O）等只...
- 目录 先来看机器学习： 什么是特征？ 深度学习是表示学习的经典代表： 深度学习的过程： 深度学习与传统机器学习差别： 深度学习代表算法： 先来看机器学习： 机器学习是利用经验experience来改善 计算机系统自身的性能，通过经验获取知识knowledge。 以往都是人们向计算机输入知识，现在是通过经验的“特征”数据来产生模型model（传统的机器... 目录 先来看机器学习： 什么是特征？ 深度学习是表示学习的经典代表： 深度学习的过程： 深度学习与传统机器学习差别： 深度学习代表算法： 先来看机器学习： 机器学习是利用经验experience来改善 计算机系统自身的性能，通过经验获取知识knowledge。 以往都是人们向计算机输入知识，现在是通过经验的“特征”数据来产生模型model（传统的机器...
- 目录 1 . OTCBVS数据集 Dataset 01: OSU Thermal Pedestrian Database Dataset 02: IRIS Thermal/Visible Face Database Dataset 03: OSU Color-Thermal Database Dataset 04: Terravic Facial IR Databa... 目录 1 . OTCBVS数据集 Dataset 01: OSU Thermal Pedestrian Database Dataset 02: IRIS Thermal/Visible Face Database Dataset 03: OSU Color-Thermal Database Dataset 04: Terravic Facial IR Databa...
- 一般情况将K折交叉验证用于模型调优，找到使得模型泛化性能最优的超参值。找到后，在全部训练集上重新训练模型，并使用独立测试集对模型性能做出最终评价。 K折交叉验证使用了无重复抽样技术的好处：每次迭代过程中每个样本点只有一次被划入训练集或测试集的机会。 K折交叉验证图： 如果训练数据集相对较小，则增大k值。 增大k值，在每次迭代过程中将会有更多的数据用于模型训练，能够... 一般情况将K折交叉验证用于模型调优，找到使得模型泛化性能最优的超参值。找到后，在全部训练集上重新训练模型，并使用独立测试集对模型性能做出最终评价。 K折交叉验证使用了无重复抽样技术的好处：每次迭代过程中每个样本点只有一次被划入训练集或测试集的机会。 K折交叉验证图： 如果训练数据集相对较小，则增大k值。 增大k值，在每次迭代过程中将会有更多的数据用于模型训练，能够...
- 机器学习是人工智能AI研究发展到一定阶段的必然产物！ 二十世纪五十年代~七十年代初，“推理期”：机器的只能体现在具有逻辑推理能力。 二十世纪七十年代中期开始，AI进入“知识期”，希望机器能够自己学习！ 其实，图灵1950年就曾提到过机器学习的可能 五十年代中后期，基于神经网络的“连接主义”学习开始，比如：感知机 六七十年代，基于逻辑表示的“ ”符号主义学习发展， ... 机器学习是人工智能AI研究发展到一定阶段的必然产物！ 二十世纪五十年代~七十年代初，“推理期”：机器的只能体现在具有逻辑推理能力。 二十世纪七十年代中期开始，AI进入“知识期”，希望机器能够自己学习！ 其实，图灵1950年就曾提到过机器学习的可能 五十年代中后期，基于神经网络的“连接主义”学习开始，比如：感知机 六七十年代，基于逻辑表示的“ ”符号主义学习发展， ...
- 目录 0. Normalization简单解释 1. 常用的归一化方法 （1）线性函数归一化（Min-Max Scaling） （2）零均值归一化（Z-Score Normalization） 2. 为什么说数据归一化不是万能的？有哪些 适用哪些不适用？ 0. Normalization简单解释 为了消除数据特征之间的量纲的影响，所以需要进行归一化的处理，... 目录 0. Normalization简单解释 1. 常用的归一化方法 （1）线性函数归一化（Min-Max Scaling） （2）零均值归一化（Z-Score Normalization） 2. 为什么说数据归一化不是万能的？有哪些 适用哪些不适用？ 0. Normalization简单解释 为了消除数据特征之间的量纲的影响，所以需要进行归一化的处理，...
- 目录 1. 实际案例： 2. 回顾基本知识： 精确率Precision 召回率Recall 排序问题中，如何衡量模型性能？ 精确率和召回率是既矛盾又统一的两个指标 3. 解答实例问题 如何解决或者权衡？ P-R曲线 F1 score 是精确率和召回率的调和平均值 1. 实际案例： 搜索引擎提供模糊搜索功能，搜索排序模型返回的TOP 5 精确率非常... 目录 1. 实际案例： 2. 回顾基本知识： 精确率Precision 召回率Recall 排序问题中，如何衡量模型性能？ 精确率和召回率是既矛盾又统一的两个指标 3. 解答实例问题 如何解决或者权衡？ P-R曲线 F1 score 是精确率和召回率的调和平均值 1. 实际案例： 搜索引擎提供模糊搜索功能，搜索排序模型返回的TOP 5 精确率非常...
- 机器学习基本概念 1. 特征工程1.1 特征工程的目的1.2 怎么做特征工程？1.2.1 特征构建1.2.2 特征提取1.2.2.1特征提取常用方法 1.2.3 特征选择1.2.3.1 特征选择常用方法 2. 结构化数据3. 非结构化数据 1. 特征工程 特征工程师对原始数据进行一系列的工程处理，作为输入供算法和模型使用。 举例：想让机器识别... 机器学习基本概念 1. 特征工程1.1 特征工程的目的1.2 怎么做特征工程？1.2.1 特征构建1.2.2 特征提取1.2.2.1特征提取常用方法 1.2.3 特征选择1.2.3.1 特征选择常用方法 2. 结构化数据3. 非结构化数据 1. 特征工程 特征工程师对原始数据进行一系列的工程处理，作为输入供算法和模型使用。 举例：想让机器识别...
- 目录 回顾知识点： 实际场景： 1. 什么是分类的准确率？ 2. 如何避免由于样本比例不均衡导致准确率失效？ 回顾知识点： 准确率 ： Accuracy 精确率 ： Precision 召回率 ： Recall 均方根误差 ： Root Mean Square Error, RMSE 实际场景： 拿到奢侈品用户数据，训练和测试奢侈品用... 目录 回顾知识点： 实际场景： 1. 什么是分类的准确率？ 2. 如何避免由于样本比例不均衡导致准确率失效？ 回顾知识点： 准确率 ： Accuracy 精确率 ： Precision 召回率 ： Recall 均方根误差 ： Root Mean Square Error, RMSE 实际场景： 拿到奢侈品用户数据，训练和测试奢侈品用...
- 集成学习(ensemble learning)可以说是现在非常火爆的机器学习方法了。它本身不是一个单独的机器学习算法，而是通过构建并结合多个机器学习器来完成学习任务。也就是我们常说的“博采众长”。集成学习可以用于分类问题集成，回归问题集成，特征选取集成，异常点检测集成等等，可以说所有的机器学习领域都可以看到集成学习的身影。本文就对集成学习的原理做一个总结。 1. 集成学习概... 集成学习(ensemble learning)可以说是现在非常火爆的机器学习方法了。它本身不是一个单独的机器学习算法，而是通过构建并结合多个机器学习器来完成学习任务。也就是我们常说的“博采众长”。集成学习可以用于分类问题集成，回归问题集成，特征选取集成，异常点检测集成等等，可以说所有的机器学习领域都可以看到集成学习的身影。本文就对集成学习的原理做一个总结。 1. 集成学习概...
- 目录 1. 模型可以提供什么？ 2. 先验信息可以用在哪里？ 3. 图像分类训练数据不足带来的问题？ 4. 如何解决图像分类训练数据不足？ 5. 图像分类任务中，在保持图像类别不变的前提下，可以对训练集中的每幅图像进行哪些变换？ 6. 如何训练自己的模型？迁移学习 1. 模型可以提供什么？ 训练数据中所蕴含的信息模型构造学习推理过程中，人们提供的先验... 目录 1. 模型可以提供什么？ 2. 先验信息可以用在哪里？ 3. 图像分类训练数据不足带来的问题？ 4. 如何解决图像分类训练数据不足？ 5. 图像分类任务中，在保持图像类别不变的前提下，可以对训练集中的每幅图像进行哪些变换？ 6. 如何训练自己的模型？迁移学习 1. 模型可以提供什么？ 训练数据中所蕴含的信息模型构造学习推理过程中，人们提供的先验...
- By 超神经 场景描述：要问什么水果和夏天最搭，答案一定是西瓜。作为西瓜生产与消费大国，中国在 2018 年以全世界 20% 的人口消耗掉全世界 70% 的西瓜，人均 100 斤。如何挑选最甜的瓜，也成了「吃瓜群众」十分关心的问题。一位浙江大学的博士，用机器学习的方法判断西瓜的成熟度，十分接地气。 关键词：西瓜 声学特征检测 机器学习 ... By 超神经 场景描述：要问什么水果和夏天最搭，答案一定是西瓜。作为西瓜生产与消费大国，中国在 2018 年以全世界 20% 的人口消耗掉全世界 70% 的西瓜，人均 100 斤。如何挑选最甜的瓜，也成了「吃瓜群众」十分关心的问题。一位浙江大学的博士，用机器学习的方法判断西瓜的成熟度，十分接地气。 关键词：西瓜 声学特征检测 机器学习 ...
- Geoffrey Hinton等6位图灵奖得主亲临，百余位顶级学者邀请你加入群聊「2020北京智源大会」，深入系统探讨「人工智能的下一个十年」。 自2009年深度学习崛起以来，第三波人工智能浪潮席卷全球，推动了新一波技术革命。 在这波澜壮阔的11年，我们见证了技术突破、应用创新与产业变革。 技术上，深度学习首先带来计算机视觉、语音识别等领域的突破，让机器识别的... Geoffrey Hinton等6位图灵奖得主亲临，百余位顶级学者邀请你加入群聊「2020北京智源大会」，深入系统探讨「人工智能的下一个十年」。 自2009年深度学习崛起以来，第三波人工智能浪潮席卷全球，推动了新一波技术革命。 在这波澜壮阔的11年，我们见证了技术突破、应用创新与产业变革。 技术上，深度学习首先带来计算机视觉、语音识别等领域的突破，让机器识别的...
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