- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI机器学习与深度学习算法
机器学习入门 3-4 创建Numpy数组(和矩阵)
In [16]: np.random.randint(0, 10, 10) Out[16]: array([2, 5, 2, 4, 1, 2, 2, 8, 7, 7]) 有时为了保证机器学习实验的可重复 # 查看random模块的帮助文档 在 Jupyter Notebook 内部查看帮助文档 help(np.random.normal) References： Python3入门机器学习 经典算法与应用
86110编辑于 2022-05-25 - 来自专栏Hank’s Blog
3-4 列表的子集
#列表的子集 Subsetting List #[[]] / $ / [[]][] / [[]][[]] #嵌套列表 /不完全匹配(partial matching) > x <- list(id=1:4,height=170,gender="male") > x[1] #找第1列的元素 $`id` [1] 1 2 3 4 > x["id"] #两个函数作用相同 $`id` [1] 1 2 3 4 > x[[1]] [1] 1 2 3 4 > x[["id"]] [1] 1 2 3 4 > x
87310发布于 2020-09-16 - 来自专栏python3
3-4 文件读写例子
3-3 文件读写例子 u本节学习目标： n学习通过文件流FileStream打开文本文件、写入文本文件、设置文件属性、实施对文件的目录操作管理的基本方法 n学习文件对话框的基本操作方法 n学习通过文件流 FileStream获取用户选择文件夹及文件夹信息；获取用户选择文件信息； n学习通过文件流FileStream建立一个新的文本文件，重新写文本信息流，如何在C#中定义文件和文件夹 n学习文件流的资源释放意义以及释放资源的基本顺序 n学习如何针对文本文件进行复杂的编辑，综合查询，删除，插入等操作。 3-3-1 案例学习：文件流FileStream综合案例（一） 本次实验目标是通过一个窗体，如图3－7所示，在点击相应按钮控件时，可以完成对文件的读写操作、磁盘操作以及对目录的管理操作。
1.1K30发布于 2020-01-14 - 来自专栏python3
3-4 文件读写例子(4)
/*******************************************************
50530发布于 2020-01-14 - 来自专栏python3
3-4 文件读写例子(3)
//==============================第二部分：类设计============================
50410发布于 2020-01-08 - 来自专栏python3
3-4 文件流类FileStream
3-2 文件流类FileStream u本节学习目标： nFileStream文件流类 nFileStream文件流类的创建 nFileMode和FileAccess，FileShare方法基本介绍及注意事项
94620发布于 2020-01-07 - 来自专栏python3
3-4 文件读写例子(2)
向项目中添加名为FileOption.cs的类文件，并准备填写关于文件操作的各种方法，如图3－8所示：
53530发布于 2020-01-14 - 来自专栏人工智能与演化计算成长与进阶
11机器学习系统设计3-4查全率查准率F1分数
“参考资料 斯坦福大学 2014 机器学习教程中文笔记 by 黄海广 11.3 偏斜类的误差度量 Error Metrics for Skewed Classes 偏斜类 Skewed Classes 假设我们编写一个非学习而来的算法，在所有情况下都预测肿瘤是良性的，那么误差只有 0.5%。然而我们通过训练而得到的神经网络算法却有 1%的误差。 对于同一个机器学习系统不同的阈值往往对应 不同的查准率和查全率 ，那如何选择阈值才能平衡查准率和查全率，使其都有较好的结果呢？ ?
82410发布于 2020-08-14 - 来自专栏用户画像
4.4 文件系统疑难点 3-4
为了创建一个文件，应用程序调用逻辑文件系统。逻辑文件系统知道目录结构形式。它将分配一个新的FCB给文件，把相应目录读入内存，用新的文件名更新该目录和FCB，并将结果写回到磁盘。
69410发布于 2018-08-24 - 来自专栏叽叽西
lagou 爪哇 3-4 spring cloud 问答笔记
熔断即断路保护。微服务架构中，如果下游服务因访问压⼒过⼤⽽响应变慢或失 败，上游服务为了保护系统整体可⽤性，可以暂时切断对下游服务的调⽤。这种牺 牲局部，保全整体的措施就叫做熔断。
58620编辑于 2022-05-17 - 来自专栏人工智能与演化计算成长与进阶
16推荐系统3-4协同过滤算法
参考资料 斯坦福大学 2014 机器学习教程中文笔记 by 黄海广 16.3 协同过滤 Collaborative filtering 推荐系统有一个很有意思的特性就是 特征学习 ，即 自行学习所要使用的特征 从多部电影中学习特征 上面的代价函数只是针对一部电影的，为了学习所有电影的特征，我们将所有电影的代价函数求和 ? 基本协同过滤算法 上一个教程[2]中介绍的是通过 已知电影的特征 x 和用户对电影的评分学习用户的特征 ，本教程介绍的是通过 已知用户的偏好特征 和用户对电影的评分学习电影的特征 x 我们可以先随机的初始化用户特征 ，然后学习出的特征又能预测其他用户的评分。 ---- 16.4 协同过滤算法 Collaborative filtering Algorithm 如果给你几个特征表示电影就可以用他们来学习用户的参数 ,如果给你用户的参数，就可以用其来学习电影的特征
91111发布于 2020-08-14 - 来自专栏爬虫逆向案例
Js逆向-猿人学(3-4)访问逻辑-样式干扰
第三题和第四题跟Js逆向没有什么关系，本来是不想发的，为了排版好看也发这个专栏里吧。
69630发布于 2021-11-22 - 来自专栏cwl_Java
C++编程之美-结构之法(代码清单3-4)
代码清单3-4 while(true) { // n为电话号码的长度 for(i = 0; i < n; i++) printf("%c", c[number
21420编辑于 2022-11-30 - 来自专栏Tencent Serverless 官方专栏
腾讯云 Serverless 产品功能双月报 （2022年3-4月)
转发福利 转发海报或者本文至朋友圈集100个赞，5月6日24:00前添加小助手 skychoud 微信发送截图，前2名同学免费赠送价值88元的腾讯云视频拍摄套装一份。 了解更多解决方案欢迎
63030编辑于 2022-05-06 - 来自专栏xiaosen
AI - 集成学习
集成学习概念 集成学习是机器学习中的一种思想，它通过多个模型的组合形成一个精度更高的模型，参与组合的模型成为弱学习器（基学习器）。 集成学习通过构建多个模型来解决单一预测问题 生成多基学习器，各自独立地学习和预测 通过平权或者加权的方式，整合多个基学习器的预测输出 传统机器学习算法 (例如：决策树，逻辑回归等) 的目标都是寻找一个最优分类器尽可能的将训练数据分开 基学习器是可使用不同的学习模型，比如：支持向量机、神经网络、决策树整合到一起作为一个集成学习系统也可使用相同的学习模型，一般情况下，更使用相同的学习模型 。 集成学习把多个学习器结合起来，要获得好的集成，个体学习器应有一定的准确性 ，学习器不能太坏，并且学习器之间具有差异 。 然后基于调整后的样本分布来训练下一个基学习器； 如此重复进行，直至基学习器数目达到实现指定的值T为止。 再将这T个基学习器进行加权结合得到集成学习器。
55410编辑于 2024-03-24 - 来自专栏HUC思梦的java专栏
ai学习记录
新建：分辨率：矢量软件和分辨率无关； 新建时候不要勾选对齐到像素网格 存储：.ai：illustrator的默认格式。 .eps:支持矢量图形，ai可以打开；也可以被ps打开，打开之后图层是合并的。 PDF：可以跨平台（PC，苹果）跨软件打开。PDF输出（保存时）：可以选择输出范围。 JPG导出：文件——导出 勾选上使用画板 打开：不要用Crtl+O 打开位图；否则会变为嵌入文件； 置入：将图片拖拽到画布上松开；置入后图片上还有一个X； 置入图片之后，必须记得将AI和其他链接文件一同移动 符号喷枪工具（shift+s）:用于绘制AI自带的图形，配合符号面板（ctrl+shift+f11）和符号库使用。 （六）AI修改文档大小 属性栏——点击文档设置——编辑画板——修改相应宽高属性 编辑画板第二种方法：点击画板工具(shift+o) 如何新建画板 1.编辑画板——点击新建画板 2.在画板编辑模式下，点击旧画板
4.1K20发布于 2020-09-03 - 来自专栏积累沉淀
必须掌握的八种排序（3-4）--简单选择排序，堆排序
3、简单选择排序 （1）基本思想：在要排序的一组数中，选出最小的一个数与第一个位置的数交换； 然后在剩下的数当中再找最小的与第二个位置的数交换，如此循环到倒数第二个数和最后一个数比较为止。 （2）理解
92490发布于 2018-01-11 - 来自专栏司钰秘籍
AI大模型学习
在当前技术环境下，AI大模型学习不仅要求研究者具备深厚的数学基础和编程能力，还需要对特定领域的业务场景有深入的了解。 通过不断优化模型结构和算法，AI大模型学习能够不断提升模型的准确性和效率，为人类生活和工作带来更多便利。 AI大模型学习的理论基础 数学基础： 线性代数：AI 大模型中大量使用向量和矩阵运算，如矩阵乘法、向量点积等，用于表示和操作数据。 AI大模型的训练与优化 训练和优化大规模机器学习模型确实是一个具有挑战性的任务，以下是一些有效的方法和技巧： 1. 此外，模型的性能也受到计算资源、数据质量和算法优化等因素的影响 AI大模型学习的伦理与社会影响 AI 大模型学习确实带来了一些伦理和社会问题，我们需要认真对待： 1.
69410编辑于 2024-04-04 - 来自专栏机器学习与统计学
教AI学习绘画
通过结合神经网络笔画渲染器和基于模型的深度强化学习，我们的 AI 可以用笔画描绘纹理丰富的自然图像。AI 用数百个笔画就可以实现视觉效果很好的图画，对于每个笔画，直接确定笔画的位置和颜色等。 AI 的训练过程不需要人类绘画的经验或者笔画轨迹数据。 以人脸 (CelebA) 为例，需要一张 GPU，10 小时训练笔画渲染器，40 小时训练 AI，其间 AI 画了数百万张图片来学习。 这是我在接触深度学习不久后就十分感兴趣的问题。 从强化学习的角度看，我们需要设计一个 AI，给它一个画布和目标图。 AI 的每一步在画布上画一个笔画，当它画的笔画使画布和目标图更像时，我们就给它奖励，驱动它学习。我们可以设定一个笔画上限，让 AI 在给定的笔画数后终止。 ? DDPG 和 Model-based DDPG 的不同结构 神经网络笔画渲染器还可以接入到强化学习的框架中来辅助 AI 的训练。
2.8K20发布于 2019-05-09 - 来自专栏人工智能领域
AI大模型学习
AI大模型学习 在当前技术环境下，AI大模型学习不仅要求研究者具备深厚的数学基础和编程能力，还需要对特定领域的业务场景有深入的了解。 方向一：AI大模型学习的理论基础 AI 大模型学习的理论基础涉及深度学习、神经网络、优化算法等多个方面。 以下是一些关于 AI 大模型学习理论基础的重要内容： 深度学习：深度学习是 AI 大模型学习的核心理论基础，它通过构建多层神经网络来实现对复杂数据模式的学习和表征。 以下是一些关于 AI 大模型学习理论基础的重要内容： 深度学习：深度学习是 AI 大模型学习的核心理论基础，它通过构建多层神经网络来实现对复杂数据模式的学习和表征。 自我学习与迁移学习：AI大模型将更加注重自我学习能力和迁移学习能力，实现在不同任务和领域之间的灵活应用和迁移。
68010编辑于 2024-12-18
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号