- EL之Bagging(DTR)：利用DIY数据集(预留30%数据+两种树深)训练Bagging算法(DTR) 目录 输出结果 设计思路 核心代码 输出结果 1、treeDepth=1 2、treeDepth=5 设计思路 核心代码 for iTrees in range(numTreesMax): ... EL之Bagging(DTR)：利用DIY数据集(预留30%数据+两种树深)训练Bagging算法(DTR) 目录 输出结果 设计思路 核心代码 输出结果 1、treeDepth=1 2、treeDepth=5 设计思路 核心代码 for iTrees in range(numTreesMax): ...
- sklearn：sklearn.preprocessing的MinMaxScaler简介、使用方法之详细攻略 目录 MinMaxScaler简介 MinMaxScaler函数解释 MinMaxScaler底层代码 MinMaxScaler的使用方法 1、基础案例 MinMaxScaler简介 MinMaxSca... sklearn：sklearn.preprocessing的MinMaxScaler简介、使用方法之详细攻略 目录 MinMaxScaler简介 MinMaxScaler函数解释 MinMaxScaler底层代码 MinMaxScaler的使用方法 1、基础案例 MinMaxScaler简介 MinMaxSca...
- 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...
上滑加载中
推荐直播
-
华为云码道-玩转OpenClaw，在线养虾2026/03/11 周三 19:00-21:00
刘昱，华为云高级工程师/谈心，华为云技术专家/李海仑，上海圭卓智能科技有限公司CEO
OpenClaw 火爆开发者圈，华为云码道最新推出 Skill ——开发者只需输入一句口令，即可部署一个功能完整的「小龙虾」智能体。直播带你玩转华为云码道，玩转OpenClaw
回顾中 -
华为云码道-AI时代应用开发利器2026/03/18 周三 19:00-20:00
童得力，华为云开发者生态运营总监/姚圣伟，华为云HCDE开发者专家
本次直播由华为专家带你实战应用开发，看华为云码道(CodeArts)代码智能体如何在AI时代让你的创意应用快速落地。更有华为云HCDE开发者专家带你用码道玩转JiuwenClaw，让小艺成为你的AI助理。
回顾中 -
Skill 构建 × 智能创作：基于华为云码道的 AI 内容生产提效方案2026/03/25 周三 19:00-20:00
余伟，华为云软件研发工程师/万邵业（万少），华为云HCDE开发者专家
本次直播带来两大实战：华为云码道 Skill-Creator 手把手搭建专属知识库 Skill；如何用码道提效 OpenClaw 小说文本，打造从大纲到成稿的 AI 原创小说全链路。技术干货 + OPC创作思路，一次讲透！
回顾中
热门标签