- 序 声明：以下是博主精心整理的机器学习和AI系列文章，博主后续会不断更新该领域的知识： 人工智能AI实战系列代码全解析 手把手教你ML机器学习算法源码全解析 有需要的小伙伴赶紧订阅吧。 人工智能的浪潮正在席卷全球，诸多词汇时刻萦绕在我们耳边：人工智能（Artificial Intelligence）、机器学习（Machine ... 序 声明：以下是博主精心整理的机器学习和AI系列文章，博主后续会不断更新该领域的知识： 人工智能AI实战系列代码全解析 手把手教你ML机器学习算法源码全解析 有需要的小伙伴赶紧订阅吧。 人工智能的浪潮正在席卷全球，诸多词汇时刻萦绕在我们耳边：人工智能（Artificial Intelligence）、机器学习（Machine ...
- 前言 在本文中，将详细介绍多种类型的推荐系统，具体介绍基于近邻算法的推荐引擎、个性化推荐引擎、基于模型的推荐系统和混合推荐引擎等，并分析介绍每种推荐系统的优缺点。 主要介绍的不同类型的推荐系统包括： 近邻算法推荐引擎：基于用户的协同过滤和基于项目的协同过滤； 个性化推荐引擎：基于内容的推荐引擎和情境感知推荐引擎； ... 前言 在本文中，将详细介绍多种类型的推荐系统，具体介绍基于近邻算法的推荐引擎、个性化推荐引擎、基于模型的推荐系统和混合推荐引擎等，并分析介绍每种推荐系统的优缺点。 主要介绍的不同类型的推荐系统包括： 近邻算法推荐引擎：基于用户的协同过滤和基于项目的协同过滤； 个性化推荐引擎：基于内容的推荐引擎和情境感知推荐引擎； ...
- 前言 以下是我为大家准备的几个精品专栏，喜欢的小伙伴可自行订阅，你的支持就是我不断更新的动力哟！ MATLAB-30天带你从入门到精通 MATLAB深入理解高级教程（附源码） tableau可视化数据分析高级教程 高精度地图之拓扑地图的应用 传统拓扑地图 我们先了解下传统拓扑地图，这是从地图ap... 前言 以下是我为大家准备的几个精品专栏，喜欢的小伙伴可自行订阅，你的支持就是我不断更新的动力哟！ MATLAB-30天带你从入门到精通 MATLAB深入理解高级教程（附源码） tableau可视化数据分析高级教程 高精度地图之拓扑地图的应用 传统拓扑地图 我们先了解下传统拓扑地图，这是从地图ap...
- 前言 自动驾驶中的感知技术如同驾驶员的"眼睛"和"耳朵"，在高速重卡的场景中，感知技术将面临哪些挑战？在量产化道路中，如何让感知技术与产品相结合去看清和理解足够的场景？ 这里，感知的定义就不多介绍了，感知是我们自动驾驶的"眼睛"和"耳朵"，是自动驾驶信息获取的第一步，所以感知是非常基础和关键的一个环节。这需要在我们的自动驾驶... 前言 自动驾驶中的感知技术如同驾驶员的"眼睛"和"耳朵"，在高速重卡的场景中，感知技术将面临哪些挑战？在量产化道路中，如何让感知技术与产品相结合去看清和理解足够的场景？ 这里，感知的定义就不多介绍了，感知是我们自动驾驶的"眼睛"和"耳朵"，是自动驾驶信息获取的第一步，所以感知是非常基础和关键的一个环节。这需要在我们的自动驾驶...
- 前言 据《福布斯》报道，每天大约会有 250 万字节的数据被产生。然后，可以使用数据科学和机器学习技术对这些数据进行分析，以便提供分析和作出预测。尽管在大多数情况下，在开始任何统计分析之前，需要先对最初收集的数据进行预处理。有许多不同的原因导致需要进行预处理分析，例如： 收集的数据格式不对（如 SQL 数据库、JSON... 前言 据《福布斯》报道，每天大约会有 250 万字节的数据被产生。然后，可以使用数据科学和机器学习技术对这些数据进行分析，以便提供分析和作出预测。尽管在大多数情况下，在开始任何统计分析之前，需要先对最初收集的数据进行预处理。有许多不同的原因导致需要进行预处理分析，例如： 收集的数据格式不对（如 SQL 数据库、JSON...
- 前言 假设有一个客服排班的任务，我们需要为 100 个人安排一个星期的排班问题，并且有以下约束条件： 一天被划分为 24 个时间段，即每个时间段为 1 个小时； 每个客服一个星期需要上七天班，每次上班八小时； 每个客服两次上班时间需要间隔 12 小时； 客服值班时，一个星期最早是 0，最晚 24*7 - 1。... 前言 假设有一个客服排班的任务，我们需要为 100 个人安排一个星期的排班问题，并且有以下约束条件： 一天被划分为 24 个时间段，即每个时间段为 1 个小时； 每个客服一个星期需要上七天班，每次上班八小时； 每个客服两次上班时间需要间隔 12 小时； 客服值班时，一个星期最早是 0，最晚 24*7 - 1。...
- softsign激活函数 人脸识别中，尝试替代prelu和bn层，效果不好。 pytorch函数： a_tensor=torch.Tensor([[-1,2,30],[4,5,60],[7,8,9]]) aaaaa=F.softsign(a_tensor) print(a_tensor) class... softsign激活函数 人脸识别中，尝试替代prelu和bn层，效果不好。 pytorch函数： a_tensor=torch.Tensor([[-1,2,30],[4,5,60],[7,8,9]]) aaaaa=F.softsign(a_tensor) print(a_tensor) class...
- GitHub - prakharg24/yoloret: Implementation for the paper 'YOLO-ReT: Towards High Accuracy Real-time Object Detection on Edge GPUs' https://github.com/guotao0628/yo... GitHub - prakharg24/yoloret: Implementation for the paper 'YOLO-ReT: Towards High Accuracy Real-time Object Detection on Edge GPUs' https://github.com/guotao0628/yo...
- 文章目录 一.前言二.数据准备三.数据读取四.加载预训练模型测试五.完整源码 一.前言 情感倾向分析（Sentiment Classification，简称Senta）针对带有主观描述... 文章目录 一.前言二.数据准备三.数据读取四.加载预训练模型测试五.完整源码 一.前言 情感倾向分析（Sentiment Classification，简称Senta）针对带有主观描述...
- 文章目录 一、准备数据二、读取数据三、加载预训练模型四、预测五.完整源码 一、准备数据 创建ci.txt文档： 二、读取数据 #读取数据 with open("ci.txt", ... 文章目录 一、准备数据二、读取数据三、加载预训练模型四、预测五.完整源码 一、准备数据 创建ci.txt文档： 二、读取数据 #读取数据 with open("ci.txt", ...
- 目录 1. 机器学习是什么2. 机器学习、深度学习和人工智能的区别与联系3. 机器学习的应用4. 机器学习分类4.1 监督学习4.2 无监督学习4.3 半监督学习4.4 强化学习 5. 小练习... 目录 1. 机器学习是什么2. 机器学习、深度学习和人工智能的区别与联系3. 机器学习的应用4. 机器学习分类4.1 监督学习4.2 无监督学习4.3 半监督学习4.4 强化学习 5. 小练习...
- 学习目标 目标 知道深度学习与机器学习的区别了解神经网络的结构组成知道深度学习效果特点 应用 无 1.1.1 区别 1.1.1.1 特征提取方面 机器学习的特征工程步骤是要靠手动完成的，而且需要大量领域专业知识深度学习通常由多个层组成，它们通常将更简单的模型组合在一起，通过将数据从一层传递到另一层... 学习目标 目标 知道深度学习与机器学习的区别了解神经网络的结构组成知道深度学习效果特点 应用 无 1.1.1 区别 1.1.1.1 特征提取方面 机器学习的特征工程步骤是要靠手动完成的，而且需要大量领域专业知识深度学习通常由多个层组成，它们通常将更简单的模型组合在一起，通过将数据从一层传递到另一层...
- 扑克牌游戏，总是能用到很多的手牌排序… 总结了几种方式供参考，顺便记录一下方便以后使用… 我做的这个是由（1-13:黑桃A-K || 14 - 26:红桃 || 27 - 39：梅花 || 39 - 52 : 方片 || 53.54：小王.大王）表示的一副扑克牌，，，这样对数组可以根据下面的sendFlower方法取得扑克花色返回值代表花色（3.2.1.0 分别是 黑... 扑克牌游戏，总是能用到很多的手牌排序… 总结了几种方式供参考，顺便记录一下方便以后使用… 我做的这个是由（1-13:黑桃A-K || 14 - 26:红桃 || 27 - 39：梅花 || 39 - 52 : 方片 || 53.54：小王.大王）表示的一副扑克牌，，，这样对数组可以根据下面的sendFlower方法取得扑克花色返回值代表花色（3.2.1.0 分别是 黑...
- 一、NYOJ 最小公倍数 解题思路：1~n 的最小公倍数为小于 n 的所有质数的最大幂（值小于n）的乘积。 比如 n=10 小于 10 的质数有 2 3 5 7 对应的最大幂是： 3 2 1 ... 一、NYOJ 最小公倍数 解题思路：1~n 的最小公倍数为小于 n 的所有质数的最大幂（值小于n）的乘积。 比如 n=10 小于 10 的质数有 2 3 5 7 对应的最大幂是： 3 2 1 ...
- 在深度学习过程中，避免不了使用梯度下降算法。但是对于“非凸问题”，训练得到的结果往往可能陷入局部极小值，而非全局最优解。那么这里就以Himmelblau 函数为例，探究待优化参数的初始值对梯度下降方向的影响，从而得到不同的局部极小值。 首先介绍一下Himmelblau 函数： 下图 为 Himmelblau 函数的等高线，大致可以看出，它共有 4 个局部极小值点，并且... 在深度学习过程中，避免不了使用梯度下降算法。但是对于“非凸问题”，训练得到的结果往往可能陷入局部极小值，而非全局最优解。那么这里就以Himmelblau 函数为例，探究待优化参数的初始值对梯度下降方向的影响，从而得到不同的局部极小值。 首先介绍一下Himmelblau 函数： 下图 为 Himmelblau 函数的等高线，大致可以看出，它共有 4 个局部极小值点，并且...
上滑加载中
推荐直播
-
华为云码道-AI时代应用开发利器2026/03/18 周三 19:00-20:00
童得力，华为云开发者生态运营总监/姚圣伟，华为云HCDE开发者专家
本次直播由华为专家带你实战应用开发，看华为云码道(CodeArts)代码智能体如何在AI时代让你的创意应用快速落地。更有华为云HCDE开发者专家带你用码道玩转JiuwenClaw，让小艺成为你的AI助理。
回顾中 -
Skill 构建 × 智能创作：基于华为云码道的 AI 内容生产提效方案2026/03/25 周三 19:00-20:00
余伟，华为云软件研发工程师/万邵业（万少），华为云HCDE开发者专家
本次直播带来两大实战：华为云码道 Skill-Creator 手把手搭建专属知识库 Skill；如何用码道提效 OpenClaw 小说文本，打造从大纲到成稿的 AI 原创小说全链路。技术干货 + OPC创作思路，一次讲透！
回顾中 -
华为云一键云上部署Openclaw 实现“龙虾自由”2026/04/11 周六 14:00-16:00
秦拳德-中软国际教育卓越研究院研究员
还在为搭建AI环境而焦头烂额、彻夜难眠？ 还在苦苦等待复杂工具的缓慢响应、迟迟无法推进项目？ 别再犹豫，快来华为云，一键部署OpenClaw，轻松告别 繁琐配置，即刻畅享极速体验！更有龙虾实操演示全程护 航，真正解放双手，让办公效率实现质的飞跃。限时重磅 福利火热来袭，干万Tokens等你来瓜分，机会难得，不容 错过！
即将直播
热门标签