- 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 4-2 scikit-learn中的机器学习算法封装
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍使用sklearn实现KNN算法。 使用sklearn实现KNN 机器学习的流程如下： ? 我们将大量的学习资料喂给机器学习算法，这个机器学习算法就会相应的训练出一个模型，之后来了一个新的输入样例之后，将这个输入样例送给这个模型，这个模型就能预测出这个新的输入样例的预测结果。 ? 在监督机器学习中输入的大量学习资料就是训练样本以及对应的标签； 机器学习算法得到训练模型过程我们称之为拟合，英文为fit； 输入样例输入模型，模型输出结果的过程叫做预测，英文为predict。 kNN也属于这个过程，但是kNN算法中我们并没有得到模型，事实上确实如此，这可能也是KNN算法一个重要的特性，可以说kNN是一个不需要训练过程的算法，从上面的学习也可以知道，kNN算法直接将输入样例送给了训练数据集
1.1K00发布于 2019-11-13 - 来自专栏Hank’s Blog
4-2 R语言函数 apply
#apply函数，沿着数组的某一维度处理数据 #例如将函数用于矩阵的行或列 #与for/while循环的效率相似，但只用一句话可以完成 #apply(参数)：apply(数组,维度,函数/函数名) > x <- matrix(1:16,4,4) > x [,1] [,2] [,3] [,4] [1,] 1 5 9 13 [2,] 2 6 10 14 [3,] 3 7 11 15 [4,] 4 8 12 16 >
64310发布于 2020-09-16 - 来自专栏趣学算法
数据结构 第4-2讲 双向链表
数据结构第4-2讲双向链表 链表是线性表的链式存储方式，逻辑上相邻的数据在计算机内的存储位置不一定相邻，那么怎么表示逻辑上的相邻关系呢？ 可以给每个元素附加一个指针域，指向下一个元素的存储位置。
88740发布于 2018-09-13 - 来自专栏Java
试题 算法训练 4-2找公倍数
试题 算法训练 4-2找公倍数 资源限制 内存限制：256.0MB C/C++时间限制：1.0s Java时间限制：3.0s Python时间限制：5.0s 问题描述 这里写问题描述。
19610编辑于 2025-01-21 - 来自专栏sringboot
x86汇编加载用户程序-4-2
索引寄存器的端口号是 0x3d4，可以向它写入一个值，用来指定内部的某个寄存器。比如， 两个 8 位的光标寄存器，其索引值分别是 14（0x0e）和 15（0x0f），分别用于提供光标位置的高 8 位和低 8 位。 指定了寄存器之后，要对它进行读写，这可以通过数据端口 0x3d5 来进行。 高八位 和第八位里保存这光标的位置，显卡文本模式显示标准是25x80，这样算来，当光标在屏幕右下角时，该值为 25×80－1=1999
87830编辑于 2021-12-06 - 来自专栏育种数据分析之放飞自我
笔记 | GWAS 操作流程4-2：LM模型+数值协变量
上一篇，我们介绍了数量性状进行GWAS的一般线性模型分析的方法（笔记 | GWAS 操作流程4：LM模型assoc），这里我们考虑一下数字协变量，然后用R语言进行对比。
1.4K20发布于 2020-05-26 - 来自专栏cwl_Java
C++编程之美-数学之趣(代码清单4-2)
代码清单4-2 struct point { double x, y; }; double Product(point A, point B, point C) { return
27630编辑于 2022-11-30 - 来自专栏Android点滴积累
IOS Widget（4-2）：创建可配置小组件（动态修改配置数据）
上一篇文章，讲解了如果通过配置修改小组件行为，只不过配置数据是写死的，本文将继续探索配置数据的高级用法，配置数据在小组件中动态创建的
4.1K11发布于 2021-05-10 - 来自专栏历史专栏
【愚公系列】2021年12月 攻防世界-进阶题-MISC-072(4-2)
文章目录 一、4-2 二、答题步骤 1.词频分析 总结 一、4-2 题目链接：https://adworld.xctf.org.cn/task/task_list?
58220编辑于 2021-12-09 - 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 - 来自专栏以终为始
顺序表应用4-2：元素位置互换之逆置算法(数据改进）（SDUT 3663）
一个长度为len(1<=len<=1000000)的顺序表，数据元素的类型为整型，将该表分成两半，前一半有m个元素，后一半有len-m个元素（1<=m<=len)，设计一个时间复杂度为O(N)、空间复杂度为O(1)的算法，改变原来的顺序表，把顺序表中原来在前的m个元素放到表的后段，后len-m个元素放到表的前段。 注意：交换操作会有多次，每次交换都是在上次交换完成后的顺序表中进行。
38910编辑于 2023-03-09 - 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 - 来自专栏代码洁癖患者
跟着AI学习Kafka
作者说 本文是由 Gemini 生成的 Kafka 学习路径。 Gemini 中有一个学习辅导的工具，它可以通过互动问答的形式帮助你由浅入深的学习一个知识点，个人感觉还是很好用的，感兴趣的同学可以试一下。 后面的内容由 AI 生成，后续我也会按照这个大纲来进行学习和分享。 AI说 这是一个非常扎实的学习目标。Kafka 不仅是一个消息队列，更是分布式存储和流处理的基石。 这份学习路径将分为四个阶段，涵盖了从宏观架构到微观实现的各个层面： 第一阶段：核心概念与基础架构 (The Big Picture) 这个阶段的目标是建立“物理直觉”，理解 Kafka 是如何组织数据的
14110编辑于 2026-01-28 - 来自专栏社区动态
AI提问实现学习弯道超车！如何使用AI加速学习？
文章框架AI已经带来学习方式的改变，降低了我们学习知识的难度，加快了我们解决问题的速度。 欢迎大家添加小助手微信jqzn-robot加入【AI分享交流群】，学习、分享更多有趣，有用的AI～一、前言在AI快速发展的今天，我们需要学习：驾驭大模型的能力、学习最基础最核心的知识、培养不容易被AI取代的能力 接下来我将从什么是问题驱动式学习、为什么问题驱动式学习更有效，以及在AI时代怎样基于问题驱动来加速学习。友情提示：如果不了解前因后果，只想了解如何在AI时代实践问题驱动式学习，直接跳到第四部分即可。 个性化学习体验：AI可以根据学习者的历史查询、学习习惯和偏好提供个性化的学习内容和建议，使学习更加贴合个人需求，从而提高学习效率和兴趣。 培养21世纪技能：在与AI互动的过程中，学习者不仅学习知识本身，还在无形中培养了批判性思维、信息素养、技术使用和终身学习等 21 世纪必备技能。AI让深度学习成为可能。
74510编辑于 2024-08-19 - 来自专栏WeaponZhi
AI 开篇—说说我学习 AI 的动机
我是为了学 AI 才去适当入门 Python 的，在我对 Python 有一个了解之后，我觉得我已经可以应付入门机器学习的条件了，那我觉得在这种状态下，就可以进行下一段的学习了。 从我自己来说，学习 AI 的动机有三点： 第一点可能是绝大多数试图学习或者转型 AI 的朋友都有考虑到的，那就是 AI 目前的形势。 那么在目前的这个人生阶段上，我为什么会去选择在业余时间学习 AI 呢。 第二点。因为我是一个比较有想法的人，我也有大量的想法希望通过我的双手实现。 做 AI 在技术上的动机是因为我想通过研究和学习 AI 重新回到一个作为学习者和研究者身份，去纯粹而安静的在研究和学习中沉浸自己的内心。 学习 AI ，使我回归本心，我好像回到了小时候，想做一个不露面的超人，安静的守护着我爱的每一个人。 这是我的动机，那么你选择 AI 的理由呢？
1K70发布于 2018-03-07 - 来自专栏机器之心
AutoML研究综述：让AI学习设计AI
自动机器学习（AutoML）的目标是让领域专家即使没有统计学和机器学习方面的广泛知识也能自动构建机器学习应用，从而减少对数据科学家的需求。 这意味着对所有机器学习任务都普遍更优的机器学习流程是不存在的。因此，不可能将一个表现优良的机器学习流程迁移至新领域后还能表现出色。相反，为了得到最优的结果，必须为每个新数据集构建新的机器学习流程。 图 4：针对特定机器学习任务的专用机器学习流程 3.2.1 遗传编程 自动构建灵活的机器学习流程的首个方法来自 Olson and Moore (2016)。 针对无监督学习或强化学习的专门研究可以助力 AutoML 框架的发展，进而解决当前还未显露的学习问题。此外，专门的方法也能提升这些任务的性能表现。 AutoML 的目标是完全自动化机器学习流程的创建，以让领域专家能使用机器学习。
83220发布于 2019-05-15 - 来自专栏六点半就起来干博客！
机器学习——解释性AI（Explainable AI）
机器学习——解释性AI（Explainable AI） 解释性AI（Explainable AI）——让机器学习模型更加透明与可信 随着人工智能（AI）和机器学习（ML）在多个领域的广泛应用，理解模型的决策过程变得尤为重要 LIME特别适合于深度学习等复杂模型，通过扰动输入数据并观测模型的预测变化，从而解释单一实例的决策过程【43†source】【45†source】。 解释性AI（Explainable AI）——揭开机器学习模型的“黑盒” 在当今人工智能和机器学习技术广泛应用的背景下，解释性AI（Explainable AI, XAI） 变得尤为重要。 XAI 旨在为复杂的机器学习模型提供人类可理解的解释，帮助用户了解模型如何做出决策，特别是在金融、医疗等高风险领域，XAI 提供了透明性和信任基础。 什么是解释性AI？ 解释性AI 通过一系列技术来解释机器学习模型的预测结果。对于许多深度学习模型或集成模型来说，它们被视为“黑盒”——虽然能够产生高精度的预测，但难以理解其背后的决策过程。
93310编辑于 2024-10-16
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