- ML之DT：基于简单回归问题训练决策树(DIY数据集+三种深度的二元DT性能比较) 目录 输出结果 设计思路 核心代码 输出结果 设计思路 核心代码 for i in range(1, len(xPlot)): lhList = list(xPlot[0:i]) rhList = list(xPlot[i:... ML之DT：基于简单回归问题训练决策树(DIY数据集+三种深度的二元DT性能比较) 目录 输出结果 设计思路 核心代码 输出结果 设计思路 核心代码 for i in range(1, len(xPlot)): lhList = list(xPlot[0:i]) rhList = list(xPlot[i:...
- DataScience：深入探讨与分析机器学习中的数据处理之非线性变换—log对数变换、sigmoid/softmax变换 目录 深入探讨与分析机器学习中的数据处理之非线性变换 log对数变换 sigmoid/softmax变换 Sigmoid函数 Softmax函数 相关文章Da... DataScience：深入探讨与分析机器学习中的数据处理之非线性变换—log对数变换、sigmoid/softmax变换 目录 深入探讨与分析机器学习中的数据处理之非线性变换 log对数变换 sigmoid/softmax变换 Sigmoid函数 Softmax函数 相关文章Da...
- DL之AlexNet：AlexNet算法的架构详解、损失函数、网络训练和学习之详细攻略 相关文章Dataset：数据集集合(CV方向数据集)——常见的计算机视觉图像数据集大集合(建议收藏，持续更新)DL之CNN(paper)：关于CNN(卷积神经网络)经典论文原文(1950~2018)简介、下载地址大全(非常有价值)之持续更新(吐血整理)DL... DL之AlexNet：AlexNet算法的架构详解、损失函数、网络训练和学习之详细攻略 相关文章Dataset：数据集集合(CV方向数据集)——常见的计算机视觉图像数据集大集合(建议收藏，持续更新)DL之CNN(paper)：关于CNN(卷积神经网络)经典论文原文(1950~2018)简介、下载地址大全(非常有价值)之持续更新(吐血整理)DL...
- 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 @...
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。
回顾中
热门标签