- 引言自然语言处理（Natural Language Processing，简称NLP）是人工智能领域的一个重要研究方向。随着深度学习的发展，NLP算法取得了显著的进展。其中，Transformer模型成为了最为重要和流行的算法之一。本文将介绍Transformer模型在自然语言处理中的应用和原理。Transformer模型Transformer模型是由Vaswani等人于2017年提出的，其... 引言自然语言处理（Natural Language Processing，简称NLP）是人工智能领域的一个重要研究方向。随着深度学习的发展，NLP算法取得了显著的进展。其中，Transformer模型成为了最为重要和流行的算法之一。本文将介绍Transformer模型在自然语言处理中的应用和原理。Transformer模型Transformer模型是由Vaswani等人于2017年提出的，其...
- Word2Vec是由谷歌团队于2013年推出的一种自然语言处理算法。在此之前，自然语言处理中常用的方法是基于词袋模型（Bag-of-Words）和TF-IDF（Term Frequency-Inverse Document Frequency）等统计方法。这些方法主要关注词频和词在文本中的位置，而忽略了词之间的语义关系。Word2Vec的出现填补了这一空白，引入了词向量的概念，使得计算机能够... Word2Vec是由谷歌团队于2013年推出的一种自然语言处理算法。在此之前，自然语言处理中常用的方法是基于词袋模型（Bag-of-Words）和TF-IDF（Term Frequency-Inverse Document Frequency）等统计方法。这些方法主要关注词频和词在文本中的位置，而忽略了词之间的语义关系。Word2Vec的出现填补了这一空白，引入了词向量的概念，使得计算机能够...
- 线性判别分析（Linear Discriminant Analysis，LDA）是一种经典的降维算法，最早由英国统计学家雷诺德·费歇尔（Ronald A. Fisher）于1936年提出。 费歇尔在《The Use of Multiple Measurements in Taxonomic Problems》一文中首次介绍了LDA。他的研究目的是通过多个测量变量来对不同物种进行分类。LDA的... 线性判别分析（Linear Discriminant Analysis，LDA）是一种经典的降维算法，最早由英国统计学家雷诺德·费歇尔（Ronald A. Fisher）于1936年提出。 费歇尔在《The Use of Multiple Measurements in Taxonomic Problems》一文中首次介绍了LDA。他的研究目的是通过多个测量变量来对不同物种进行分类。LDA的...
- 主成分分析（Principal Component Analysis，简称PCA）是一种常用的降维算法，用于将高维数据降低到低维空间。它通过线性变换将原始数据映射到新的坐标系，使得新坐标系下的数据具有最大的方差。 PCA的目标是找到一组正交基，使得数据在这组基上的投影具有最大的方差。这组基就是数据的主成分。第一个主成分是数据中方差最大的方向，第二个主成分是与第一个主成分正交且方差次大的方向，... 主成分分析（Principal Component Analysis，简称PCA）是一种常用的降维算法，用于将高维数据降低到低维空间。它通过线性变换将原始数据映射到新的坐标系，使得新坐标系下的数据具有最大的方差。 PCA的目标是找到一组正交基，使得数据在这组基上的投影具有最大的方差。这组基就是数据的主成分。第一个主成分是数据中方差最大的方向，第二个主成分是与第一个主成分正交且方差次大的方向，...
- ResNet（Residual Network）是深度学习领域中一种非常重要的卷积神经网络结构，它在解决深层网络训练过程中的梯度消失问题上提供了有效的解决方案。本文将详细解读ResNet网络结构，并提供基于PyTorch的实现教程。 ResNet网络结构解读 Residual学习ResNet的核心思想是通过引入Skip Connection（跳跃连接）来解决深层网络训练过程中的梯度消失问题。... ResNet（Residual Network）是深度学习领域中一种非常重要的卷积神经网络结构，它在解决深层网络训练过程中的梯度消失问题上提供了有效的解决方案。本文将详细解读ResNet网络结构，并提供基于PyTorch的实现教程。 ResNet网络结构解读 Residual学习ResNet的核心思想是通过引入Skip Connection（跳跃连接）来解决深层网络训练过程中的梯度消失问题。...
- DBSCAN是一种基于密度的空间聚类算法，它可以在没有事先指定聚类个数的情况下，自动地发现具有相似密度的数据点，并将其分为不同的簇。DBSCAN算法的核心思想是基于数据点周围的密度来判断是否属于同一个簇，并通过连接密度可达的数据点来扩展簇的大小。 DBSCAN算法的主要步骤如下：参数设置：设定邻域半径ε和最小密度阈值MinPts。选择一个未被访问的数据点p，检查其邻域中的数据点数目。若p的邻... DBSCAN是一种基于密度的空间聚类算法，它可以在没有事先指定聚类个数的情况下，自动地发现具有相似密度的数据点，并将其分为不同的簇。DBSCAN算法的核心思想是基于数据点周围的密度来判断是否属于同一个簇，并通过连接密度可达的数据点来扩展簇的大小。 DBSCAN算法的主要步骤如下：参数设置：设定邻域半径ε和最小密度阈值MinPts。选择一个未被访问的数据点p，检查其邻域中的数据点数目。若p的邻...
- K均值聚类（K-Means Clustering）是一种迭代的、无监督学习的聚类算法。它将数据集中的n个数据对象划分为k个不相交的簇，使得簇内的数据对象之间的相似性尽可能高，而不同簇之间的相似性尽可能低。 K均值聚类的工作流程如下：随机选择k个初始中心点（centroid），每个中心点代表一个簇。对每个数据对象，计算其与各个中心点的距离，并将其划分到距离最近的簇中。对每个簇，计算其中所有数据... K均值聚类（K-Means Clustering）是一种迭代的、无监督学习的聚类算法。它将数据集中的n个数据对象划分为k个不相交的簇，使得簇内的数据对象之间的相似性尽可能高，而不同簇之间的相似性尽可能低。 K均值聚类的工作流程如下：随机选择k个初始中心点（centroid），每个中心点代表一个簇。对每个数据对象，计算其与各个中心点的距离，并将其划分到距离最近的簇中。对每个簇，计算其中所有数据...
- 生成对抗网络（Generative Adversarial Networks，简称GAN）是一种深度学习模型，由生成器（Generator）和判别器（Discriminator）两个子网络组成。GAN的目标是让生成器和判别器相互博弈，通过不断优化的过程来提高生成器生成真实样本的能力。 生成器的任务是根据随机输入生成具有逼真度的假样本，而判别器的任务是判断输入样本是真实样本还是生成器生成的假样... 生成对抗网络（Generative Adversarial Networks，简称GAN）是一种深度学习模型，由生成器（Generator）和判别器（Discriminator）两个子网络组成。GAN的目标是让生成器和判别器相互博弈，通过不断优化的过程来提高生成器生成真实样本的能力。 生成器的任务是根据随机输入生成具有逼真度的假样本，而判别器的任务是判断输入样本是真实样本还是生成器生成的假样...
- 迁移学习是一种机器学习方法，用于将一个已经在一个任务上训练过的模型应用到另一个相关任务上。而预训练模型（Pre-trained Models）是迁移学习中常用的一种方法。 预训练模型是指在大规模数据集上进行训练得到的模型。通常，在一个大规模数据集上进行训练需要消耗大量的计算资源和时间。而预训练模型的优势在于，它们已经通过在大规模数据集上的训练获得了丰富的特征表示能力。这些预训练模型可以理解... 迁移学习是一种机器学习方法，用于将一个已经在一个任务上训练过的模型应用到另一个相关任务上。而预训练模型（Pre-trained Models）是迁移学习中常用的一种方法。 预训练模型是指在大规模数据集上进行训练得到的模型。通常，在一个大规模数据集上进行训练需要消耗大量的计算资源和时间。而预训练模型的优势在于，它们已经通过在大规模数据集上的训练获得了丰富的特征表示能力。这些预训练模型可以理解...
- 半监督学习算法中的一种经典方法是协同训练（Co-training）。协同训练算法适用于数据集中有多个特征，并且每个样本都有一些特征缺失的情况。它的核心思想是利用不同特征的互补性，通过交叉训练来提高分类器的性能。 协同训练算法的基本步骤如下：初始化：从标记数据集中随机选择两个初始训练子集，每个子集包含一部分标记样本和一部分未标记样本。这两个子集分别称为视图1和视图2。训练模型：使用视图1的标记... 半监督学习算法中的一种经典方法是协同训练（Co-training）。协同训练算法适用于数据集中有多个特征，并且每个样本都有一些特征缺失的情况。它的核心思想是利用不同特征的互补性，通过交叉训练来提高分类器的性能。 协同训练算法的基本步骤如下：初始化：从标记数据集中随机选择两个初始训练子集，每个子集包含一部分标记样本和一部分未标记样本。这两个子集分别称为视图1和视图2。训练模型：使用视图1的标记...
- 深度强化学习（Deep Reinforcement Learning）是一种结合深度学习和强化学习的算法，用于解决具有高维状态空间和动作空间的复杂任务。它通过将神经网络作为值函数近似器来实现强化学习。 在传统的强化学习中，值函数可以是一个表格，每个状态和动作对应一个值。然而，对于具有大量状态和动作的问题，表格方法的存储和更新变得非常困难。深度强化学习通过使用神经网络来近似值函数，解决了这个问... 深度强化学习（Deep Reinforcement Learning）是一种结合深度学习和强化学习的算法，用于解决具有高维状态空间和动作空间的复杂任务。它通过将神经网络作为值函数近似器来实现强化学习。 在传统的强化学习中，值函数可以是一个表格，每个状态和动作对应一个值。然而，对于具有大量状态和动作的问题，表格方法的存储和更新变得非常困难。深度强化学习通过使用神经网络来近似值函数，解决了这个问...
- 🤵♂️ 个人主页: @AI_magician📡主页地址： 作者简介：CSDN内容合伙人，全栈领域优质创作者。👨💻景愿：旨在于能和更多的热爱计算机的伙伴一起成长！！🐱🏍🙋♂️声明：本人目前大学就读于大二，研究兴趣方向人工智能&硬件（虽然硬件还没开始玩，但一直很感兴趣！希望大佬带带）该文章收录专栏[✨— 《深入解析机器学习：从原理到应用的全面指南》 —✨]@toc分类评估... 🤵♂️ 个人主页: @AI_magician📡主页地址： 作者简介：CSDN内容合伙人，全栈领域优质创作者。👨💻景愿：旨在于能和更多的热爱计算机的伙伴一起成长！！🐱🏍🙋♂️声明：本人目前大学就读于大二，研究兴趣方向人工智能&硬件（虽然硬件还没开始玩，但一直很感兴趣！希望大佬带带）该文章收录专栏[✨— 《深入解析机器学习：从原理到应用的全面指南》 —✨]@toc分类评估...
- K近邻算法（K-Nearest Neighbors, KNN）是一种常用的监督学习算法，用于分类和回归问题。该算法基于一个简单的假设：相似的样本具有相似的标签。KNN算法通过计算样本之间的距离来确定最近的K个邻居，并根据这些邻居的标签进行预测。 KNN算法的工作流程如下：计算距离：对于一个给定的测试样本，计算它与训练集中所有样本之间的距离。常用的距离度量方法有欧氏距离、曼哈顿距离等。选择K个... K近邻算法（K-Nearest Neighbors, KNN）是一种常用的监督学习算法，用于分类和回归问题。该算法基于一个简单的假设：相似的样本具有相似的标签。KNN算法通过计算样本之间的距离来确定最近的K个邻居，并根据这些邻居的标签进行预测。 KNN算法的工作流程如下：计算距离：对于一个给定的测试样本，计算它与训练集中所有样本之间的距离。常用的距离度量方法有欧氏距离、曼哈顿距离等。选择K个...
- 监督学习算法中的逻辑回归是一种常用的分类算法。它是一种线性模型，用于预测二分类问题中的概率。逻辑回归的目标是根据输入特征来预测样本属于某个类别的概率。 逻辑回归的基本思想是通过线性函数和非线性的逻辑函数将输入特征映射到一个概率值。具体来说，逻辑回归通过将线性函数的输出通过sigmoid函数（也称为逻辑函数）进行转换，将线性函数的输出映射到0到1之间的概率值。 逻辑回归的数学表达式为： $$ ... 监督学习算法中的逻辑回归是一种常用的分类算法。它是一种线性模型，用于预测二分类问题中的概率。逻辑回归的目标是根据输入特征来预测样本属于某个类别的概率。 逻辑回归的基本思想是通过线性函数和非线性的逻辑函数将输入特征映射到一个概率值。具体来说，逻辑回归通过将线性函数的输出通过sigmoid函数（也称为逻辑函数）进行转换，将线性函数的输出映射到0到1之间的概率值。 逻辑回归的数学表达式为： $$ ...
- 🤵♂️ 个人主页: @AI_magician📡主页地址： 作者简介：CSDN内容合伙人，全栈领域优质创作者。👨💻景愿：旨在于能和更多的热爱计算机的伙伴一起成长！！🐱🏍🙋♂️声明：本人目前大学就读于大二，研究兴趣方向人工智能&硬件（虽然硬件还没开始玩，但一直很感兴趣！希望大佬带带）该文章收录专栏[✨— 《深入解析机器学习：从原理到应用的全面指南》 —✨] 数据标准化和归... 🤵♂️ 个人主页: @AI_magician📡主页地址： 作者简介：CSDN内容合伙人，全栈领域优质创作者。👨💻景愿：旨在于能和更多的热爱计算机的伙伴一起成长！！🐱🏍🙋♂️声明：本人目前大学就读于大二，研究兴趣方向人工智能&硬件（虽然硬件还没开始玩，但一直很感兴趣！希望大佬带带）该文章收录专栏[✨— 《深入解析机器学习：从原理到应用的全面指南》 —✨] 数据标准化和归...
上滑加载中
推荐直播
-
-
华为云软件开发生产线（CodeArts）4月新特性解读2025/05/30 周五 16:30-17:30
Enki 华为云高级产品经理
不知道产品的最新特性？没法和产品团队建立直接的沟通？本期直播产品经理将为您解读华为云软件开发生产线4月发布的新特性，并在直播过程中为您答疑解惑。
回顾中 -
基于昇腾的皮肤病理多模态大模型研发2025/06/05 周四 19:00-20:00
崔笑宇 华为开发者布道师-高校教师
本期直播聚焦昇腾AI平台在皮肤病理多模态大模型研发中的全流程技术突破，通过基于国产基座模型QwenV2.5进行微调，融入思维链数据优化推理能力，深度融合病理图像、临床文本及专家语音等多模态数据，构建覆盖“认知行为-逻辑推理-决策生成”全流程的皮肤病理大模型。
回顾中
热门标签