- 目录 1. 有哪些文本表示模型？ 1.1 词袋模型 1.1.1 TF-IDF权重计算 公式： 1.2 主题模型 1.3 词嵌入与深度学习模型 为什么深度学习有用？ 1. 有哪些文本表示模型？ 词袋模型（Bag of Words）TF-IDF（Term Frequency-Inverse Document Frequency）主题模型（Topic Mo... 目录 1. 有哪些文本表示模型？ 1.1 词袋模型 1.1.1 TF-IDF权重计算 公式： 1.2 主题模型 1.3 词嵌入与深度学习模型 为什么深度学习有用？ 1. 有哪些文本表示模型？ 词袋模型（Bag of Words）TF-IDF（Term Frequency-Inverse Document Frequency）主题模型（Topic Mo...
- 本文是机器学习笔记系列 参考链接：https://vas3k.com/blog/machine_learning/ 机器学习这个主题已经很普遍了，每个人都在谈论它，但很少有人能够透彻地了解它。当前网络上的一些机器学习文章晦涩难懂，理论性太强，或者通篇云里雾里地介绍人工智能、数据科学的魔力以及未来的工作等。 所以呢，本文作者 vas3k 通过简洁的语言和清晰明了... 本文是机器学习笔记系列 参考链接：https://vas3k.com/blog/machine_learning/ 机器学习这个主题已经很普遍了，每个人都在谈论它，但很少有人能够透彻地了解它。当前网络上的一些机器学习文章晦涩难懂，理论性太强，或者通篇云里雾里地介绍人工智能、数据科学的魔力以及未来的工作等。 所以呢，本文作者 vas3k 通过简洁的语言和清晰明了...
- 1 SVM的优点 训练好的模型算法复杂度是由支持向量的个数决定，而不是数据维度决定，所以SVM不太容易过拟合。 SVM训练出来的模型完全依赖于支持向量，即使训练集里面所有非支持点都去除，重复训练过程，结果模型完全一样 一个SVM如果训练得到的支持向量个数少，则模型更容易泛化（比如各有1个点，... 1 SVM的优点 训练好的模型算法复杂度是由支持向量的个数决定，而不是数据维度决定，所以SVM不太容易过拟合。 SVM训练出来的模型完全依赖于支持向量，即使训练集里面所有非支持点都去除，重复训练过程，结果模型完全一样 一个SVM如果训练得到的支持向量个数少，则模型更容易泛化（比如各有1个点，...
- 目录 先来看机器学习： 什么是特征？ 深度学习是表示学习的经典代表： 深度学习的过程： 深度学习与传统机器学习差别： 深度学习代表算法： 先来看机器学习： 机器学习是利用经验experience来改善 计算机系统自身的性能，通过经验获取知识knowledge。 以往都是人们向计算机输入知识，现在是通过经验的“特征”数据来产生模型model（传统的机器... 目录 先来看机器学习： 什么是特征？ 深度学习是表示学习的经典代表： 深度学习的过程： 深度学习与传统机器学习差别： 深度学习代表算法： 先来看机器学习： 机器学习是利用经验experience来改善 计算机系统自身的性能，通过经验获取知识knowledge。 以往都是人们向计算机输入知识，现在是通过经验的“特征”数据来产生模型model（传统的机器...
- # -*- coding: utf-8 -*-import numpy as npfrom scipy.cluster.hierarchy import dendrogram, linkage, fclusterfrom matplotlib import pyplot as plt def hierarchy_cluster(data, method='average',... # -*- coding: utf-8 -*-import numpy as npfrom scipy.cluster.hierarchy import dendrogram, linkage, fclusterfrom matplotlib import pyplot as plt def hierarchy_cluster(data, method='average',...
- 1 K-mean基本概念 聚类分析是以相似性为基础，对数据集进行聚类划分，属于无监督学习（unsupervised learning）。 K-means算法是一种简单的迭代型聚类算法，采用距离作为相似性指标，从而发现给定数据集中的K个类，且每个类的中心是根据类中所有值的均值得到，每个类用聚类中心来描述。对于给定的一个包含n个d维数据点的数据集X以及要分得的类别K,选取欧式... 1 K-mean基本概念 聚类分析是以相似性为基础，对数据集进行聚类划分，属于无监督学习（unsupervised learning）。 K-means算法是一种简单的迭代型聚类算法，采用距离作为相似性指标，从而发现给定数据集中的K个类，且每个类的中心是根据类中所有值的均值得到，每个类用聚类中心来描述。对于给定的一个包含n个d维数据点的数据集X以及要分得的类别K,选取欧式...
- 来源：AI开发者 作为机器学习从业者，你需要知道概率分布相关的知识。这里有一份最常见的基本概率分布教程，大多数和使用 python 库进行深度学习有关。 概率分布概述 共轭意味着它有共轭分布的关系。 在贝叶斯概率论中，如果后验分布 p（θx）与先验概率分布 p（θ）在同一概率分布族中，则先验和后验称为共轭分布，先验称为似... 来源：AI开发者 作为机器学习从业者，你需要知道概率分布相关的知识。这里有一份最常见的基本概率分布教程，大多数和使用 python 库进行深度学习有关。 概率分布概述 共轭意味着它有共轭分布的关系。 在贝叶斯概率论中，如果后验分布 p（θx）与先验概率分布 p（θ）在同一概率分布族中，则先验和后验称为共轭分布，先验称为似...
- 0 统计量：描述数据特征 0.1 集中趋势衡量 均值，平均数，平均值，mean 中位数：将数据中的各个数值按照大小顺序排列，居于中间的变量，若是偶个数，取中间两个均值 众数：数据出现次数最多的书 0.2 离散程度衡量 方差 variance 标准差 standard deviation，方差的开二次方 1 回归问题和分类问题区别： 回归问题：Y变... 0 统计量：描述数据特征 0.1 集中趋势衡量 均值，平均数，平均值，mean 中位数：将数据中的各个数值按照大小顺序排列，居于中间的变量，若是偶个数，取中间两个均值 众数：数据出现次数最多的书 0.2 离散程度衡量 方差 variance 标准差 standard deviation，方差的开二次方 1 回归问题和分类问题区别： 回归问题：Y变...
- 目录 KITTI数据集简介与使用 数据集名称 Kitti Oxford RobotCar Cityscape Comma.ai Udacity BDDV CARLA GTA KITTI数据集简介与使用 http://blog.csdn.net/solomon1558/article/details/70173223 数据集名称... 目录 KITTI数据集简介与使用 数据集名称 Kitti Oxford RobotCar Cityscape Comma.ai Udacity BDDV CARLA GTA KITTI数据集简介与使用 http://blog.csdn.net/solomon1558/article/details/70173223 数据集名称...
- Geoffrey Hinton等6位图灵奖得主亲临，百余位顶级学者邀请你加入群聊「2020北京智源大会」，深入系统探讨「人工智能的下一个十年」。 自2009年深度学习崛起以来，第三波人工智能浪潮席卷全球，推动了新一波技术革命。 在这波澜壮阔的11年，我们见证了技术突破、应用创新与产业变革。 技术上，深度学习首先带来计算机视觉、语音识别等领域的突破，让机器识别的... Geoffrey Hinton等6位图灵奖得主亲临，百余位顶级学者邀请你加入群聊「2020北京智源大会」，深入系统探讨「人工智能的下一个十年」。 自2009年深度学习崛起以来，第三波人工智能浪潮席卷全球，推动了新一波技术革命。 在这波澜壮阔的11年，我们见证了技术突破、应用创新与产业变革。 技术上，深度学习首先带来计算机视觉、语音识别等领域的突破，让机器识别的...
- batch 深度学习的优化算法，即梯度下降。有批梯度下降，随机梯度下降 第一种，遍历全部数据集算一次损失函数，然后算函数对各个参数的梯度，更新梯度。使用batch梯度下降法时，每次迭代你都需要历遍整个训练集，这称为Batch gradient descent，批梯度下降。这个算法每个迭代需要处理大量训练样本，该算法的主要弊端在于特别是在训练样本数量巨大的时候，单次迭... batch 深度学习的优化算法，即梯度下降。有批梯度下降，随机梯度下降 第一种，遍历全部数据集算一次损失函数，然后算函数对各个参数的梯度，更新梯度。使用batch梯度下降法时，每次迭代你都需要历遍整个训练集，这称为Batch gradient descent，批梯度下降。这个算法每个迭代需要处理大量训练样本，该算法的主要弊端在于特别是在训练样本数量巨大的时候，单次迭...
- 目录 1、MNIST 2、ImageNet 4、COCO 5、PASCAL VOC 6、FDDB 1、MNIST 深度学习领域的入门数据集，当前主流的深度学习框架几乎都将MNIST数据集的处理入门第一教程。MNIST是一个手写数字数据库，它有60000个训练样本集和10000个测试样本集，每个样本图像的宽高为28*28，数字放在一个归一化的、... 目录 1、MNIST 2、ImageNet 4、COCO 5、PASCAL VOC 6、FDDB 1、MNIST 深度学习领域的入门数据集，当前主流的深度学习框架几乎都将MNIST数据集的处理入门第一教程。MNIST是一个手写数字数据库，它有60000个训练样本集和10000个测试样本集，每个样本图像的宽高为28*28，数字放在一个归一化的、...
- 前馈神经网络 首先我先寻找了知乎中的一个介绍进行学习：https://www.zhihu.com/question/22553761/answer/126474394 来自知乎学者YJango的回答：https://www.zhihu.com/people/YJango，以及其它... 前馈神经网络 首先我先寻找了知乎中的一个介绍进行学习：https://www.zhihu.com/question/22553761/answer/126474394 来自知乎学者YJango的回答：https://www.zhihu.com/people/YJango，以及其它...
- 说说soft-nms和nms那些事 前言什么是非极大抑制？传统的非极大抑制产生的问题？soft-nms 前言 今天来介绍下非极大抑制。 什么是非极大抑制？ 目标检测算法会输出多个检测边框，尤其是在真实目标周围会有很多置信度高的检测边框。为了去除重复的检测边框，达到每个物体有且只有一个检测结果的目的。非极大值抑制（Non-maximum suppre... 说说soft-nms和nms那些事 前言什么是非极大抑制？传统的非极大抑制产生的问题？soft-nms 前言 今天来介绍下非极大抑制。 什么是非极大抑制？ 目标检测算法会输出多个检测边框，尤其是在真实目标周围会有很多置信度高的检测边框。为了去除重复的检测边框，达到每个物体有且只有一个检测结果的目的。非极大值抑制（Non-maximum suppre...
- 一、自编码器 自编码器（Autoencoder）是一种旨在将它们的输入复制到的输出的神经网络。他们通过将输入压缩成一种隐藏空间表示（latent-space representation），然后这种重构这种表示的输出进行工作。这种网络由两部分组成： 编码器：将输入压缩为潜在空间表示。可以用编码函数h = f（x）表示。 解码器：这部分旨在重构来自隐藏空间表示的输入。... 一、自编码器 自编码器（Autoencoder）是一种旨在将它们的输入复制到的输出的神经网络。他们通过将输入压缩成一种隐藏空间表示（latent-space representation），然后这种重构这种表示的输出进行工作。这种网络由两部分组成： 编码器：将输入压缩为潜在空间表示。可以用编码函数h = f（x）表示。 解码器：这部分旨在重构来自隐藏空间表示的输入。...
上滑加载中
推荐直播
-
基于开源鸿蒙+海思星闪开发板：嵌入式系统开发实战（Day1）2025/03/29 周六 09:00-18:00
华为开发者布道师
本次为期两天的课程将深入讲解OpenHarmony操作系统及其与星闪技术的结合应用，涵盖WS63E星闪开发板的详细介绍、“OpenHarmony+星闪”的创新实践、实验环境搭建以及编写首个“Hello World”程序等内容，旨在帮助学员全面掌握相关技术并进行实际操作
回顾中 -
基于开源鸿蒙+海思星闪开发板：嵌入式系统开发实战（Day2）2025/03/30 周日 09:00-12:00
华为开发者布道师
本次为期两天的课程将深入讲解OpenHarmony操作系统及其与星闪技术的结合应用，涵盖WS63E星闪开发板的详细介绍、“OpenHarmony+星闪”的创新实践、实验环境搭建以及编写首个“Hello World”程序等内容，旨在帮助学员全面掌握相关技术并进行实际操作
回顾中 -
从AI基础到昇腾：大模型初探、DeepSeek解析与昇腾入门2025/04/02 周三 16:00-17:30
不易 / 华为云学堂技术讲师
昇腾是华为研发的AI芯片，其具有哪些能力？我们如何基于其进行开发？本期直播将从AI以及大模型基础知识开始，介绍人工智能核心概念、昇腾AI基础软硬件平台以及昇腾专区，旨在为零基础或入门级学习者搭建从AI基础知识到昇腾技术的完整学习路径。
回顾中
热门标签