- Deep Learning是机器学习中一个非常接近AI的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，最近研究了机器学习中一些深度学习的相关知识，本文给出一些很有用的资料和心得。 Key Words：有监督学习与无监督学习，分类、回归，密度估计、聚类，深度学习，Sparse DBN， ... Deep Learning是机器学习中一个非常接近AI的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，最近研究了机器学习中一些深度学习的相关知识，本文给出一些很有用的资料和心得。 Key Words：有监督学习与无监督学习，分类、回归，密度估计、聚类，深度学习，Sparse DBN， ...
- 1 综述 (1) 什么是特征选择 特征选择 ( Feature Selection )也称特征子集选择( Feature Subset Selection , FSS ) ，或属性选择( Attribute Selection ) ，是指从全部特征中选取一个特征子集，使构造出来的模型更好... 1 综述 (1) 什么是特征选择 特征选择 ( Feature Selection )也称特征子集选择( Feature Subset Selection , FSS ) ，或属性选择( Attribute Selection ) ，是指从全部特征中选取一个特征子集，使构造出来的模型更好...
- MCMC(一)蒙特卡罗方法 MCMC(二)马尔科夫链 MCMC(三)MCMC采样和M-H采样 MCMC(四)Gibbs采样 在MCMC(二)马尔科夫链中我们讲到给定一个概率平稳分布ππ, 很难直接找到对应的马尔科夫链状态转移矩阵PP。而只要解决这个问题，我们就可以找到一种通用... MCMC(一)蒙特卡罗方法 MCMC(二)马尔科夫链 MCMC(三)MCMC采样和M-H采样 MCMC(四)Gibbs采样 在MCMC(二)马尔科夫链中我们讲到给定一个概率平稳分布ππ, 很难直接找到对应的马尔科夫链状态转移矩阵PP。而只要解决这个问题，我们就可以找到一种通用...
- Transfer Learning ■ http://www.cse.ust.hk/TL/，包括经典的论文以及附带有源码，... Transfer Learning ■ http://www.cse.ust.hk/TL/，包括经典的论文以及附带有源码，...
- 在强化学习（九）Deep Q-Learning进阶之Nature DQN中，我们讨论了Nature DQN的算法流程，它通过使用两个相同的神经网络，以解决数据样本和网络训练之前的相关性。但是还是有其他值得优化的点，文本就关注于Nature DQN的一个改进版本: Double DQN算法（以下简称DDQN）。 本章内容主... 在强化学习（九）Deep Q-Learning进阶之Nature DQN中，我们讨论了Nature DQN的算法流程，它通过使用两个相同的神经网络，以解决数据样本和网络训练之前的相关性。但是还是有其他值得优化的点，文本就关注于Nature DQN的一个改进版本: Double DQN算法（以下简称DDQN）。 本章内容主...
- 【引言】 今天突然发现MATLAB 2015a的版本自带了许多经典的机器学习方法，简单好用，所以在此撰写博客用以简要汇总（我主要参考了MATLAB自带的帮助文档）。 MATLAB每个机器学习方法都有很多种方式实现，并可进行高级配置（比如训练决策树时设置的各种参数） ，这里由于篇幅的限制，不再详细描述。我仅列出我认为的最简单的使用方... 【引言】 今天突然发现MATLAB 2015a的版本自带了许多经典的机器学习方法，简单好用，所以在此撰写博客用以简要汇总（我主要参考了MATLAB自带的帮助文档）。 MATLAB每个机器学习方法都有很多种方式实现，并可进行高级配置（比如训练决策树时设置的各种参数） ，这里由于篇幅的限制，不再详细描述。我仅列出我认为的最简单的使用方...
- LDA： LDA的全称是Linear Discriminant Analysis（线性判别分析），是一种supervised learning。有些资料上也称为是Fisher’s Linear Discriminant，因为它被Ronald Fisher发明自1936年，Discriminan... LDA： LDA的全称是Linear Discriminant Analysis（线性判别分析），是一种supervised learning。有些资料上也称为是Fisher’s Linear Discriminant，因为它被Ronald Fisher发明自1936年，Discriminan...
- 在前面讲到的DQN系列强化学习算法中，我们主要对价值函数进行了近似表示，基于价值来学习。这种Value Based强化学习方法在很多领域都得到比较好的应用，但是Value Based强化学习方法也有很多局限性，因此在另一些场景下我们需要其他的方法，比如本篇讨论的策略梯度(Policy Gradient)，它是Policy Based强... 在前面讲到的DQN系列强化学习算法中，我们主要对价值函数进行了近似表示，基于价值来学习。这种Value Based强化学习方法在很多领域都得到比较好的应用，但是Value Based强化学习方法也有很多局限性，因此在另一些场景下我们需要其他的方法，比如本篇讨论的策略梯度(Policy Gradient)，它是Policy Based强...
- 1. TP（True Postive）、TN（True Negative）、FP（False Negative）、 FN（False Negative） 举个医生看病的例子： 假设患病为阳性（Positive），健康为阴性（Negative） 当医生正确地将患病病人确诊为有病，那么就是TP；当医生正确地将康复病人确诊为没病，那么就是TN... 1. TP（True Postive）、TN（True Negative）、FP（False Negative）、 FN（False Negative） 举个医生看病的例子： 假设患病为阳性（Positive），健康为阴性（Negative） 当医生正确地将患病病人确诊为有病，那么就是TP；当医生正确地将康复病人确诊为没病，那么就是TN...
- 从今天开始整理强化学习领域的知识，主要参考的资料是Sutton的强化学习书和UCL强化学习的课程。这个系列大概准备写10到20篇，希望写完后自己的强化学习碎片化知识可以得到融会贯通，也希望可以帮到更多的人，毕竟目前系统的讲解强化学习的中文资料不太多。 第一篇会从强化学习的基本概念讲起，对应Sutton书的第一章和UCL课程的... 从今天开始整理强化学习领域的知识，主要参考的资料是Sutton的强化学习书和UCL强化学习的课程。这个系列大概准备写10到20篇，希望写完后自己的强化学习碎片化知识可以得到融会贯通，也希望可以帮到更多的人，毕竟目前系统的讲解强化学习的中文资料不太多。 第一篇会从强化学习的基本概念讲起，对应Sutton书的第一章和UCL课程的...
- 在机器学习中的矩阵向量求导(一) 求导定义与求导布局中，我们讨论了向量矩阵求导的9种定义与求导布局的概念。今天我们就讨论下其中的标量对向量求导，标量对矩阵求导, 以及向量对向量求导这三种场景的基本求解思路。 对于本文中的标量对向量或矩阵求导这两种情况，如前文所说，以分母布局为默认布局。向量对向量求导，以分子布局为默认布局。如... 在机器学习中的矩阵向量求导(一) 求导定义与求导布局中，我们讨论了向量矩阵求导的9种定义与求导布局的概念。今天我们就讨论下其中的标量对向量求导，标量对矩阵求导, 以及向量对向量求导这三种场景的基本求解思路。 对于本文中的标量对向量或矩阵求导这两种情况，如前文所说，以分母布局为默认布局。向量对向量求导，以分子布局为默认布局。如...
- 共同点： SIFT/SURF为了实现不同图像中相同场景的匹配，主要包括三个步骤： 1、尺度空间的建立； 2、特征点的提取； 3、利用特征点周围邻域的信息生成特征描述子 4、特征点匹配。 从博客上看到一片文章，... 共同点： SIFT/SURF为了实现不同图像中相同场景的匹配，主要包括三个步骤： 1、尺度空间的建立； 2、特征点的提取； 3、利用特征点周围邻域的信息生成特征描述子 4、特征点匹配。 从博客上看到一片文章，...
- 过去二十年，由于互联网的发展，零售由线下往线上迁移。近些年，伴随着智能手机的普及，越来越多的线上零售在移动终端上完成。 随着这些移动设备计算力和存储力的日益强大，智能手机也正在成为强大的计算平台，为复杂的端上情景计算提供了可能。 情景计算是利用大数据和机器学习算法在移动设备上主动感知用户状态及用户所处的环境，预测用户意图，对新零... 过去二十年，由于互联网的发展，零售由线下往线上迁移。近些年，伴随着智能手机的普及，越来越多的线上零售在移动终端上完成。 随着这些移动设备计算力和存储力的日益强大，智能手机也正在成为强大的计算平台，为复杂的端上情景计算提供了可能。 情景计算是利用大数据和机器学习算法在移动设备上主动感知用户状态及用户所处的环境，预测用户意图，对新零...
- 标准差（Standard Deviation） ，中文环境中又常称均方差，是离均差平方的算术平均数的平方根，用σ表示。标准差是方差的算术平方根。标准差能反映一个数据集的离散程度。平均数相同的两组数据，标准差未必相同。 标准差（ Standard Deviation），在 标准差（Standard Deviation） ，中文环境中又常称均方差，是离均差平方的算术平均数的平方根，用σ表示。标准差是方差的算术平方根。标准差能反映一个数据集的离散程度。平均数相同的两组数据，标准差未必相同。 标准差（ Standard Deviation），在
- 特征工程-使用随机森林进行缺失值填补 一、前言 特征工程在传统的机器学习中是非常重要的一个步骤，我们对机器学习算法的优化通常是有限的。如果在完成任务时发现不管怎么优化算法得到的结果都不满意，这个时候就... 特征工程-使用随机森林进行缺失值填补 一、前言 特征工程在传统的机器学习中是非常重要的一个步骤，我们对机器学习算法的优化通常是有限的。如果在完成任务时发现不管怎么优化算法得到的结果都不满意，这个时候就...
上滑加载中
推荐直播
-
码道新技能，AI 新生产力——从自动视频生成到开源项目解析2026/04/08 周三 19:00-21:00
童得力-华为云开发者生态运营总监/何文强-无人机企业AI提效负责人
本次华为云码道 Skill 实战活动，聚焦两大 AI 开发场景：通过实战教学，带你打造 AI 编程自动生成视频 Skill，并实现对 GitHub 热门开源项目的智能知识抽取，手把手掌握 Skill 开发全流程，用 AI 提升研发效率与内容生产力。
回顾中 -
华为云码道：零代码股票智能决策平台全功能实战2026/04/18 周六 10:00-12:00
秦拳德-中软国际教育卓越研究院研究员、华为云金牌讲师、云原生技术专家
利用Tushare接口获取实时行情数据，采用Transformer算法进行时序预测与涨跌分析，并集成DeepSeek API提供智能解读。同时，项目深度结合华为云CodeArts（码道）的代码智能体能力，实现代码一键推送至云端代码仓库，建立起高效、可协作的团队开发新范式。开发者可快速上手，从零打造功能完整的个股筛选、智能分析与风险管控产品。
回顾中 -
华为云码道全新升级，多会话并行与多智能体协作2026/05/08 周五 19:00-21:00
王一男-华为云码道产品专家；张嘉冉-华为云码道工程师；胡琦-华为云HCDE；程诗杰-华为云HCDG
华为云码道4月份版本全新升级，此次直播深度解读4月份产品特性，通过“特性解读+实操演示+实战案例+设计创新”的组合，全方位展现码道在多会话并行与多智能体协作方面的能力，赋能开发者提升效率
正在直播
热门标签