- 所谓计算密集型(Compute-intensive)的程序，就是其大部分运行时间花在了寄存器运算上，寄存器的速度和处理器的速度相当，从寄存器读写数据几乎没有延时。可以做一下对比，读内存的延迟大概是几百个时钟周期；读硬盘的速度就不说了，即便是SSD, 也实在是太慢了。 所谓计算密集型(Compute-intensive)的程序，就是其大部分运行时间花在了寄存器运算上，寄存器的速度和处理器的速度相当，从寄存器读写数据几乎没有延时。可以做一下对比，读内存的延迟大概是几百个时钟周期；读硬盘的速度就不说了，即便是SSD, 也实在是太慢了。
- 一、赛题背景生活垃圾的分类和处理是目前整个社会都在关注的热点，如何对生活垃圾进行简洁高效的分类与检测对垃圾的运输处理至关重要。海华垃圾分类挑战赛是一项针对204种垃圾的检测任务，很好切合了当下垃圾分类的热点。此次比赛，数据和训练的模型都非常庞大，对算力的要求非常高，好在比赛得到了华为NAIE训练平台的算力支持，免费为各个选手V100和P100显卡进行训练，平台将环境的部署进行了大量精简，并提... 一、赛题背景生活垃圾的分类和处理是目前整个社会都在关注的热点，如何对生活垃圾进行简洁高效的分类与检测对垃圾的运输处理至关重要。海华垃圾分类挑战赛是一项针对204种垃圾的检测任务，很好切合了当下垃圾分类的热点。此次比赛，数据和训练的模型都非常庞大，对算力的要求非常高，好在比赛得到了华为NAIE训练平台的算力支持，免费为各个选手V100和P100显卡进行训练，平台将环境的部署进行了大量精简，并提...
- 机器学习介绍 机器学习是一个跟“大数据”一样近几年格外火的词汇。而机器学习究竟是一个什么过程或者行为呢？接下来，让我们来看看什么是机器学习。1.什么是机器学习 谈到机器学习，我们先想想人类学习的目的是什么？是掌握知识、掌握能力、掌握技巧，最终能够进行比较复杂或者高要求的工作。那么类比一下机器，我们让机器学习，不管学习什么，最终的目的都是让它独立或至少半独立地进行相对复杂或者高要求的工作。... 机器学习介绍 机器学习是一个跟“大数据”一样近几年格外火的词汇。而机器学习究竟是一个什么过程或者行为呢？接下来，让我们来看看什么是机器学习。1.什么是机器学习 谈到机器学习，我们先想想人类学习的目的是什么？是掌握知识、掌握能力、掌握技巧，最终能够进行比较复杂或者高要求的工作。那么类比一下机器，我们让机器学习，不管学习什么，最终的目的都是让它独立或至少半独立地进行相对复杂或者高要求的工作。...
- 【摘要】 文本情感分析在社交媒体、舆情监测等领域有着广泛的应用，如商品评价正负面的分析、公司网络评价正负面的监测等。本文主要介绍了文本情感分析的主要任务，包括词级别的情感分析、句子级情感分析以及属性级情感分析等任务的介绍，同时介绍了华为云在这三个任务上的一些进展。用户可以直接在EI体验空间小程序体验这些功能。 【摘要】 文本情感分析在社交媒体、舆情监测等领域有着广泛的应用，如商品评价正负面的分析、公司网络评价正负面的监测等。本文主要介绍了文本情感分析的主要任务，包括词级别的情感分析、句子级情感分析以及属性级情感分析等任务的介绍，同时介绍了华为云在这三个任务上的一些进展。用户可以直接在EI体验空间小程序体验这些功能。
- 今天给大家介绍提升方法(Boosting), 提升算法是一种可以用来减小监督式学习中偏差的机器学习算法。 今天给大家介绍提升方法(Boosting), 提升算法是一种可以用来减小监督式学习中偏差的机器学习算法。
- logistic回归是一种广义线性回归（generalized linear model），因此与多重线性回归分析有很多相同之处。它们的模型形式基本上相同，都具有 w‘x+b，其中w和b是待求参数，其区别在于他们的因变量不同，多重线性回归直接将w‘x+b作为因变量，即y =w‘x+b，而logistic回归则通过函数L将w‘x+b对应一个隐状态p，p =L(w‘x+b),然后根据p 与1-p的 logistic回归是一种广义线性回归（generalized linear model），因此与多重线性回归分析有很多相同之处。它们的模型形式基本上相同，都具有 w‘x+b，其中w和b是待求参数，其区别在于他们的因变量不同，多重线性回归直接将w‘x+b作为因变量，即y =w‘x+b，而logistic回归则通过函数L将w‘x+b对应一个隐状态p，p =L(w‘x+b),然后根据p 与1-p的
- 随机森林是一种多功能的机器学习算法，能够执行回归和分类的任务。同时，它也是一种数据降维手段，在处理缺失值、异常值以及其他数据探索等方面，取得了不错的成效。另外，它还担任了集成学习中的重要方法，在将几个低效模型整合为一个高效模型时大显身手。 随机森林是一种多功能的机器学习算法，能够执行回归和分类的任务。同时，它也是一种数据降维手段，在处理缺失值、异常值以及其他数据探索等方面，取得了不错的成效。另外，它还担任了集成学习中的重要方法，在将几个低效模型整合为一个高效模型时大显身手。
- 机器学习的专业术语非常多，不需要一开始理解所有的专业术语，这些术语会随着对机器学习的深入，会慢慢理解，水到渠成。不过在学习的过程中，有一些概念必须要了解，有助于后续的学习与理解，需要了解的核心概念有：监督学习、无监督学习、模型、策略、算法等。监督学习监督学习，指的是学习的数据与后续测试的数据，都有答案（标签）。比如说，我们自己的相片集，里面每个人我们都知道是谁并可以标识出来，给机器学习时，我... 机器学习的专业术语非常多，不需要一开始理解所有的专业术语，这些术语会随着对机器学习的深入，会慢慢理解，水到渠成。不过在学习的过程中，有一些概念必须要了解，有助于后续的学习与理解，需要了解的核心概念有：监督学习、无监督学习、模型、策略、算法等。监督学习监督学习，指的是学习的数据与后续测试的数据，都有答案（标签）。比如说，我们自己的相片集，里面每个人我们都知道是谁并可以标识出来，给机器学习时，我...
- 线性模型是机器学习中最基本的模型，既可以用来做回归任务，也可以用来做分类任务。这篇文章我们主要介绍用来做回归任务的线性回归。线性模型主要有三个优点：（1）形式简单，易于建模； （2）作为机器学习最基础的模型，许多功能强大的非线性模型都是在线性模型的基础上加入层级结构或高维映射演进而来；（3）具有良好的模型可解释性，权重w直观体现了各特征属性在预测中的重要性。 线性模型是机器学习中最基本的模型，既可以用来做回归任务，也可以用来做分类任务。这篇文章我们主要介绍用来做回归任务的线性回归。线性模型主要有三个优点：（1）形式简单，易于建模； （2）作为机器学习最基础的模型，许多功能强大的非线性模型都是在线性模型的基础上加入层级结构或高维映射演进而来；（3）具有良好的模型可解释性，权重w直观体现了各特征属性在预测中的重要性。
- 好记性不如烂笔头，打算以博客连载的方式把最近机器学习的一些学习笔记记下来，机器学习涉及的知识点很多，时间一长很容易遗忘，写在博客上也方便自己随时查阅及复习。学习笔记偏重实用工程，尽量不涉及复杂的数学推导。 好记性不如烂笔头，打算以博客连载的方式把最近机器学习的一些学习笔记记下来，机器学习涉及的知识点很多，时间一长很容易遗忘，写在博客上也方便自己随时查阅及复习。学习笔记偏重实用工程，尽量不涉及复杂的数学推导。
- 本文介绍了几种将科学知识和数据科学模型结合在一起的方法，并使用来自不同领域的应用实例来说明这些方法，以建立理论指导的数据科学的基础范式。主要应用：新气候模式和关系的发现、填补大气湍流建模工作中的知识空白、材料科学中新化合物的发现、量子化学中密度泛函的设计、改进生物医学科学中的成像技术、基因生物标记的发现以及在全球规模上对于地表水动力学的估计。 本文介绍了几种将科学知识和数据科学模型结合在一起的方法，并使用来自不同领域的应用实例来说明这些方法，以建立理论指导的数据科学的基础范式。主要应用：新气候模式和关系的发现、填补大气湍流建模工作中的知识空白、材料科学中新化合物的发现、量子化学中密度泛函的设计、改进生物医学科学中的成像技术、基因生物标记的发现以及在全球规模上对于地表水动力学的估计。
- 现有的处理不平衡数据/长尾分布的方法绝大多数都是针对分类问题，而回归问题中出现的数据不均衡问题确极少被研究。但是，现实很多的工业预测场景都是需要解决回归的问题，也就是涉及到连续的，甚至是无限多的目标值，如何解决回归问题中出现的数据不均衡问题呢？ICML2021一篇被接收为Long oral presentation的论文：Delving into Deep Imbalanced Re... 现有的处理不平衡数据/长尾分布的方法绝大多数都是针对分类问题，而回归问题中出现的数据不均衡问题确极少被研究。但是，现实很多的工业预测场景都是需要解决回归的问题，也就是涉及到连续的，甚至是无限多的目标值，如何解决回归问题中出现的数据不均衡问题呢？ICML2021一篇被接收为Long oral presentation的论文：Delving into Deep Imbalanced Re...
- 近些年，很多研究者开发了许多基于图卷积网络的方法用于图级表示学习和分类应用。但是，当前的图卷积网络方法无法有效地保留图的局部信息，这对于图分类任务尤其严重，因为图分类目标是根据其学习的图级表示来区分不同的图结构。为了解决该问题，这篇文章提出了一种基于局部特征保留的图卷积网络架构[1]。与最新的对比算法相比，该方法在多个数据集上的图分类性能得到大幅度提升，泛化性能也得到了改善。 近些年，很多研究者开发了许多基于图卷积网络的方法用于图级表示学习和分类应用。但是，当前的图卷积网络方法无法有效地保留图的局部信息，这对于图分类任务尤其严重，因为图分类目标是根据其学习的图级表示来区分不同的图结构。为了解决该问题，这篇文章提出了一种基于局部特征保留的图卷积网络架构[1]。与最新的对比算法相比，该方法在多个数据集上的图分类性能得到大幅度提升，泛化性能也得到了改善。
- 将人工智能（AI）与计算机辅助设计（CAD）和计算机辅助工程（CAE）相结合的工程设计研究正在积极开展。本研究在概念设计阶段提出一个基于深度学习的CAD/CAE架构，可自动产生3D CAD设计并评估其工程表现。该框架包括7个阶段：（1）二维生成设计，（2）降维，（3）潜空间实验设计，（4）CAD自动化，（5）CAE自动化，（6）迁移学习，（7）可视化与分析。该框架通过一个车轮设计实例进行了验... 将人工智能（AI）与计算机辅助设计（CAD）和计算机辅助工程（CAE）相结合的工程设计研究正在积极开展。本研究在概念设计阶段提出一个基于深度学习的CAD/CAE架构，可自动产生3D CAD设计并评估其工程表现。该框架包括7个阶段：（1）二维生成设计，（2）降维，（3）潜空间实验设计，（4）CAD自动化，（5）CAE自动化，（6）迁移学习，（7）可视化与分析。该框架通过一个车轮设计实例进行了验...
- 在上一篇【sklearn】1.分类决策树学习了sklearn决策树的一些接口后，现在利用kaggle上泰坦尼克号的数据集进行实践。 数据集获取 在Kaggle上下载Tictanic数据集 下载地址：h... 在上一篇【sklearn】1.分类决策树学习了sklearn决策树的一些接口后，现在利用kaggle上泰坦尼克号的数据集进行实践。 数据集获取 在Kaggle上下载Tictanic数据集 下载地址：h...
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