- 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 6-8 如何确定梯度计算的准确性 调试梯度下降
本系列是《玩转机器学习教程》一个整理的视频笔记。 这个例子告诉我们两件事情： dJ_dubug这种求梯度的方法是可以的，最终能够得到正确的结果； 当我们使用dJ_dubug的时候最终训练的速度会慢很多； 所以如果机器学习算法涉及到梯度的求法的时候，我们完全可以通过这种调试梯度的方式来验证我们推导梯度计算的数学解是否正确 ： 先使用dJ_dubug这个函数作为梯度的求法，通过这个方式先得到机器学习算法正确的结果； 然后推导公式求出来这个梯度计算相应的数学解； 之后将我们实现的数学解代入机器学习算法中，可以通过最终得到的结果和使用 dJ_dubug，不像dJ_math只适用于当前任务中对应的损失函数J，这是因为dJ_math是基于当前的损失函数J进行推导才可以得到的，正因为如此这个dJ_dubug方式来求梯度的方法完全可以加入自己的机器学习工具箱中供以后自己调试梯度的时候使用
1.2K00发布于 2019-11-13 - 来自专栏全栈开发那些事
6-8 求二叉树高度 (20分)
本题要求给定二叉树的高度。 函数接口定义： int GetHeight( BinTree BT ); 其中BinTree结构定义如下： typedef struct TNode *Position; typedef Position BinTree; struct TNode{ ElementType Data; BinTree Left; BinTree Right; }; 要求函数返回给定二叉树BT的高度值。 裁判测试程序样例： #include <stdio.h> #inclu
26210编辑于 2023-02-27 - 来自专栏申龙斌的程序人生
如何在6-8小时之内读完300页的书？
Michigan大学的一位老师Paul N. Edwards写了一篇学术文章《How to Read a Book》，当前已经更新到v5.0版本，个人感觉好过另外一本非常著名的、厚厚的同名书《如何阅读一本书》，英文版原文并不难，链接地址（微信中不让加链接，点击无效，自行下载阅读）： http://pne.people.si.umich.edu/PDF/howtoread.pdf 该书的重要观点： 小说需要按顺序读，但对于非虚构类的书不需要从头到尾按顺序去阅读，而是要跳读、略读、标记，对重点的地方还要仔细地
931100发布于 2018-03-06 jvm入门3：6-8 本地方法接口+本地方法栈+堆
1一个Native Method是一个java调用非java代码的接口。一个Native Method由java语言实现， 这个特征非java所特有，其他的编程语言都有这个机制，C++的extern告知c++编译器调用c的函数；2在定义一个native method时，并不提供实现体，实体体由java语言在外面实现的；3本地接口的作用是融合不同的编程语言为java所用，初衷为融合c/c++程序
25600编辑于 2025-02-24- 来自专栏CSDNToQQCode
软考中级(软件设计师)——操作系统(占6-8分)
软考中级(软件设计师)——操作系统(占6-8分) ---- 目录 软考中级(软件设计师)——操作系统(占6-8分) 主要考点： 1、进程管理 进程的同步与互斥 进程管理-PV操作【******】(超重点
55520编辑于 2022-11-30 - 来自专栏机器之心
AI教育从幼儿园开始：MIT推出全球K12人工智能学习资源网站
机器之心报道 参与：杜伟、泽南、蛋酱 「人工智能要从幼儿园抓起」，在这一网站上，MIT 提供了一系列学习单元组合、动手活动和教师指导，用以提高学生的 AI 素养。 ? 计算机科学和 AI 的学习过程中，线上教育和线下教育都非常重要。在非线上教育中，学生们可以经由讨论等活动发展对于 AI 对社会影响的认知。 具体而言，针对不同学习阶段的学生，即 K-2、3-5 年级、6-8 年级和 9-12 年级，MIT 根据学生的认知程度提供了不同的 R 人工智能研究项目。 下图展示了适合 6-8 年级学生的一些具体的 AI 研究项目： ? 适合 6-8 年级的一些 AI 研究项目，如中学生 AI 与伦理（AI & Ethics for Middle School）和中学生创造性与 GAN（Creativity & GANs for Middle
1.3K00发布于 2020-04-14 - 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 - 来自专栏量子位
硅谷最大孵化器YC加注人工智能，建立专门的AI组
和其他孵化项目相比，AI组能够获得一些专业领域的特权，比如说有经验的机器学习工程师的帮助、GPU实例云计算资源、行业大牛的特别演讲，以后YC还可能提供数据集的优先使用权和计算设备等。 加入YC AI组的条件是：有足够的机器学习经验来达成愿景。 到3月24日之前，YC还接受2017年夏季融资轮次的申请，4月18日将向通过初选的团队发出面谈邀请。 加入YC的团队今年6-8月需要搬到湾区。 他们在文章中还展示了自己的野心，他们表示，从分析法律文件到发现肿瘤，从帮农民仲裁到提供心理咨询，AI在各个行业都展示了降低成本、提高质量的能力，他们想“在每个垂直行业投资一家AI公司”。 不过，他们特别提出了要投资两类团队：一是用机器学习，特别是强化学习来升级工业机器人的团队，这样就可以让制造业的机器人更加智能；二是面向AI可能带来的失业潮，提供就业再培训的公司。
94360发布于 2018-03-22 - 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 - 来自专栏开源物联网平台开发
AI时代程序员创业指南：从超级个体到一人企业
AI时代程序员创业指南：从超级个体到一人企业 AI给了每个人杠杆，但不是每个人都能用好。认知、决策能力，甚至运气，同样重要。 万 姜一平：前文字工作者，用DeepSeek做量化模型，日均收益约1% 钟黑黑：前大厂算法工程师，AI培训，服务100+客户 老周：前大厂产品经理，AI写歌，一年18万版权费 这些故事有一个共同点： AI 痛点：智能家居只是"遥控+定时"，不够智能 解决方案：让设备学习用户行为，自动优化 MVP功能：智能照明自学习 验证周期：6-8周 商业模式：硬件套件（¥199）+ 云服务（¥99/年） 为什么选这个 ： 技术门槛高，竞争少 AIoT是蓝海市场 学习价值高 三个方向的对比 维度 Blog发布工具 CPS平台 AIoT自进化 开发时间 2周 4周 6-8周 启动成本 ¥0 ¥0 ¥100 验证难度 简单 关键是： 不要追求完美：先做出来，再做好 先服务自己：如果自己都不愿意用，别指望别人用 保持耐心：成功一次即可，不需要每次都成功 持续学习：AI时代，学习能力是最大的护城河 总结 AI给了每个人杠杆，但用好这个杠杆需要
62710编辑于 2026-04-02 - 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 - 来自专栏CDA数据分析师
AI、机器学习和深度学习的未来
虽然尚处在开发和使用的早期阶段，AI、机器学习和深度学习已经影响了我们的生活，工作和娱乐。你是否已经准备好接受和利用这些颠覆性创新了呢？ AI 被定义为通过计算机有效地模拟人类智能的过程，AI 还包含机器学习和深度学习的概念。 通过机器学习，AI 能够让无生命系统进行自动学习并改进经验（非常“人性化”的特性）；而深度学习则使计算机能够在没有被明确地编程时进行学习。 谷歌把深度学习用于语音和图像识别算法，亚马逊使用它来确定客户接下来想看什么或者买什么。 AI 影响我们的三种方式 AI、机器学习和深度学习可以组合在一起运用，从而帮助企业发展得更智能，更好，更快。 如今，被称为工业 4.0的制造通过运用 AI、机器学习和物联网将变得更加智能。
1K100发布于 2018-02-05 【AI 进阶笔记】BERT 学习
在传统的语言模型中，通常采用“单向”学习方式。什么意思呢？例如，如果我们有一句话：“狗喜欢在公园里跑”，传统的语言模型可能会从“狗”开始，只根据前面的“狗”来推测接下来可能是什么词。
61100编辑于 2025-03-29
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