- 深度学习在文本情感分析中的应用 深度学习在文本情感分析中的应用
- Daily_and_Sports_Activities数据集的详细介绍及训练 Daily_and_Sports_Activities数据集的详细介绍及训练
- 机器学习与大数据分析的结合：智能决策的新引擎 机器学习与大数据分析的结合：智能决策的新引擎
- MindSpeed大模型训练前置知识之大并行加速算法 并行为什么对大模型训练这么重要？从chatgpt大模型爆发，尤其因规模定律作用下，大模型展现出涌现能力，AI模型的天花板被一步步摸高。大模型规模定律与模型参数量、训练数据量、算力大小呈幂律正相关性。大模型训练过程中需要面对“模型参数量大、训练数据量大、算力量有限”的挑战，大模型参数量由十亿到百亿、千亿甚至万亿的增长量级，同时预训练数据量... MindSpeed大模型训练前置知识之大并行加速算法 并行为什么对大模型训练这么重要？从chatgpt大模型爆发，尤其因规模定律作用下，大模型展现出涌现能力，AI模型的天花板被一步步摸高。大模型规模定律与模型参数量、训练数据量、算力大小呈幂律正相关性。大模型训练过程中需要面对“模型参数量大、训练数据量大、算力量有限”的挑战，大模型参数量由十亿到百亿、千亿甚至万亿的增长量级，同时预训练数据量...
- 在大数据时代，异常检测（Anomaly Detection）是数据科学和机器学习中的一个重要问题。异常检测旨在从大量的数据中识别出不符合正常模式的异常数据点，这对于很多实际应用场景非常重要，如欺诈检测、设备故障预测、健康监测等。本文将介绍如何使用Python实现大数据的异常检测。我们将展示几种常见的异常检测方法，并结合实际案例进行演示。通过Python的科学计算库（如pandas、numpy... 在大数据时代，异常检测（Anomaly Detection）是数据科学和机器学习中的一个重要问题。异常检测旨在从大量的数据中识别出不符合正常模式的异常数据点，这对于很多实际应用场景非常重要，如欺诈检测、设备故障预测、健康监测等。本文将介绍如何使用Python实现大数据的异常检测。我们将展示几种常见的异常检测方法，并结合实际案例进行演示。通过Python的科学计算库（如pandas、numpy...
- 情感分析（Sentiment Analysis）是自然语言处理（NLP）中的一个重要任务，旨在从文本中识别出情感的极性（如正面、负面或中立）。在实际应用中，情感分析广泛应用于社交媒体监测、品牌舆情分析、客户反馈分析等领域。当处理大规模文本数据时，如何高效地进行情感分析成为了一个挑战。本博客将详细介绍如何使用Python进行大数据的情感分析，包括数据预处理、模型构建、优化技术以及如何在大数据环... 情感分析（Sentiment Analysis）是自然语言处理（NLP）中的一个重要任务，旨在从文本中识别出情感的极性（如正面、负面或中立）。在实际应用中，情感分析广泛应用于社交媒体监测、品牌舆情分析、客户反馈分析等领域。当处理大规模文本数据时，如何高效地进行情感分析成为了一个挑战。本博客将详细介绍如何使用Python进行大数据的情感分析，包括数据预处理、模型构建、优化技术以及如何在大数据环...
- 在机器学习和深度学习领域，TensorFlow与Keras是最常用的框架之一。TensorFlow提供了一个高效且可扩展的计算图，而Keras则作为高级API提供了简洁且易用的接口，特别适合快速构建和训练深度学习模型。在本博客中，我们将介绍如何使用TensorFlow与Keras分析大规模数据集，重点介绍数据预处理、模型构建、训练和评估的全过程。项目背景随着深度学习技术的广泛应用，处理和分析... 在机器学习和深度学习领域，TensorFlow与Keras是最常用的框架之一。TensorFlow提供了一个高效且可扩展的计算图，而Keras则作为高级API提供了简洁且易用的接口，特别适合快速构建和训练深度学习模型。在本博客中，我们将介绍如何使用TensorFlow与Keras分析大规模数据集，重点介绍数据预处理、模型构建、训练和评估的全过程。项目背景随着深度学习技术的广泛应用，处理和分析...
- 多智能体近端策略优化算法MAPPO（Multi-Agent Proximal Policy Optimization）是PPO（Proximal Policy Optimization）在多智能体环境中的一种扩展，它通过在多智能体系统中引入PPO的策略优化机制，实现了在协作和竞争环境中更加高效的策略学习。MAPPO是一种基于策略梯度的多智能体强化学习算法，特别适用于混合协作和竞争的多智能体场景。 多智能体近端策略优化算法MAPPO（Multi-Agent Proximal Policy Optimization）是PPO（Proximal Policy Optimization）在多智能体环境中的一种扩展，它通过在多智能体系统中引入PPO的策略优化机制，实现了在协作和竞争环境中更加高效的策略学习。MAPPO是一种基于策略梯度的多智能体强化学习算法，特别适用于混合协作和竞争的多智能体场景。
- 多智能体强化学习（MARL, Multi-Agent Reinforcement Learning）中，一个关键挑战是如何在多个智能体的协作环境下学习有效的策略。价值分解网络（VDN, Value Decomposition Network）是解决这一问题的一种重要方法，特别是在 集中训练，分散执行 多智能体强化学习（MARL, Multi-Agent Reinforcement Learning）中，一个关键挑战是如何在多个智能体的协作环境下学习有效的策略。价值分解网络（VDN, Value Decomposition Network）是解决这一问题的一种重要方法，特别是在 集中训练，分散执行
- MATD3（Multi-Agent Twin Delayed Deep Deterministic Policy Gradient）是基于TD3（Twin Delayed DDPG）算法的多智能体版本。TD3是深度确定性策略梯度（DDPG）算法的一个改进版本，主要针对其在确定性策略学习中的一些不稳定性进行了增强。MATD3则扩展了TD3，使其能够在多智能体环境下进行训练和执行。 DDPG算法用于连 MATD3（Multi-Agent Twin Delayed Deep Deterministic Policy Gradient）是基于TD3（Twin Delayed DDPG）算法的多智能体版本。TD3是深度确定性策略梯度（DDPG）算法的一个改进版本，主要针对其在确定性策略学习中的一些不稳定性进行了增强。MATD3则扩展了TD3，使其能够在多智能体环境下进行训练和执行。 DDPG算法用于连
- 基于MADRL的单调价值函数分解（Monotonic Value Function Factorisation for Deep Multi-Agent Reinforcement Learning）QMIX是一种用于多智能体强化学习的算法，特别适用于需要协作的多智能体环境，如分布式控制、团队作战等场景。QMIX 算法由 Rashid 等人在 2018 年提出，其核心思想是通过一种混合网络（Mix 基于MADRL的单调价值函数分解（Monotonic Value Function Factorisation for Deep Multi-Agent Reinforcement Learning）QMIX是一种用于多智能体强化学习的算法，特别适用于需要协作的多智能体环境，如分布式控制、团队作战等场景。QMIX 算法由 Rashid 等人在 2018 年提出，其核心思想是通过一种混合网络（Mix
- MADDPG (Multi-Agent Deep Deterministic Policy Gradient) 是一种用于多智能体强化学习环境的算法。它由2017年发布的论文《Multi-Agent Actor-Critic for Mixed Cooperative-Competitive Environments》提出。MADDPG结合了深度确定性策略梯度（DDPG）算法的思想，并对多智能体场 MADDPG (Multi-Agent Deep Deterministic Policy Gradient) 是一种用于多智能体强化学习环境的算法。它由2017年发布的论文《Multi-Agent Actor-Critic for Mixed Cooperative-Competitive Environments》提出。MADDPG结合了深度确定性策略梯度（DDPG）算法的思想，并对多智能体场
- 1.【MADRL】多智能体深度强化学习《纲要》 2.【MADRL】独立Q学习（IQL）算法 3.【MADRL】基于MADRL的单调价值函数分解（QMIX）算法 4.【MADRL】多智能体深度确定性策略梯度（MADDPG）算法 5.【MADRL】多智能体双延迟深度确定性策略梯度（MATD3）算法 6.【MADRL】多智能体近似策略优化（MAPPO）算法 7.【MADRL】反事实多智能体 1.【MADRL】多智能体深度强化学习《纲要》 2.【MADRL】独立Q学习（IQL）算法 3.【MADRL】基于MADRL的单调价值函数分解（QMIX）算法 4.【MADRL】多智能体深度确定性策略梯度（MADDPG）算法 5.【MADRL】多智能体双延迟深度确定性策略梯度（MATD3）算法 6.【MADRL】多智能体近似策略优化（MAPPO）算法 7.【MADRL】反事实多智能体
- AMD ROCm平台是一个开放的、基于GPU的高性能计算平台，为人工智能计算提供卓越加速能力。结合C++这一高效编程语言，ROCm平台在深度学习、计算机视觉和自然语言处理等领域展现出巨大潜力。C++对底层硬件的精细控制与庞大的生态系统，使其在ROCm平台上实现更低延迟和更高吞吐量，适用于实时性要求高的任务。尽管面临编程复杂性和兼容性挑战，通过持续优化和技术支持，ROCm与C++的组合将在更多领域推 AMD ROCm平台是一个开放的、基于GPU的高性能计算平台，为人工智能计算提供卓越加速能力。结合C++这一高效编程语言，ROCm平台在深度学习、计算机视觉和自然语言处理等领域展现出巨大潜力。C++对底层硬件的精细控制与庞大的生态系统，使其在ROCm平台上实现更低延迟和更高吞吐量，适用于实时性要求高的任务。尽管面临编程复杂性和兼容性挑战，通过持续优化和技术支持，ROCm与C++的组合将在更多领域推
- 本文探讨了如何用C++实现强化学习中的Q-learning算法。强化学习通过智能体与环境的交互来学习最优策略，Q-learning则通过更新Q函数估计动作回报。C++凭借高效的内存管理和快速执行，在处理大规模数据和复杂计算时表现出色。文章详细介绍了环境建模、Q表初始化、训练循环及策略提取等关键步骤，并分析了其在游戏开发、机器人控制等领域的应用前景，同时指出了可能面临的挑战及应对策略。 本文探讨了如何用C++实现强化学习中的Q-learning算法。强化学习通过智能体与环境的交互来学习最优策略，Q-learning则通过更新Q函数估计动作回报。C++凭借高效的内存管理和快速执行，在处理大规模数据和复杂计算时表现出色。文章详细介绍了环境建模、Q表初始化、训练循环及策略提取等关键步骤，并分析了其在游戏开发、机器人控制等领域的应用前景，同时指出了可能面临的挑战及应对策略。
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