![](https://img-blog.csdnimg.cn/20201014180756724.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
人工智能
文章平均质量分 86
努力改掉拖延症的小白
一个从大厂跳进国企的程序员
展开
-
最新人机对话工具:GPT4介绍(ChatGPT升级版 支持图片且更智能)
今天偶然发现期待已久的GPT-4发布了,比上一版的ChatGPT(GPT-3.5)性能还好,最主要是支持图片输入,就增加了很多新的场景原创 2023-03-15 15:16:11 · 19201 阅读 · 1 评论 -
2023年最新人工智能入门指南(学习清单)
ChatGPT最近很火,为了帮助想入门人工智能的小伙伴们准备了一份超详细的学习清单原创 2023-03-01 20:51:36 · 7120 阅读 · 3 评论 -
彻底分清机器学习中的上采样、下采样、过采样、欠采样【总结】
今天看了篇中文的硕士论文,完全把下采样和欠采样搞混了,哎,有些论文确实存在概念不清的情况,这里笔者就详细区分一下各个名称的概念。文章目录1. 上采样&下采样2.过采样&欠采样3.信号领域1. 上采样&下采样对于CV领域来说,可以理解为放大图片和缩小图片,将原始图片放大就是上采样,将多个像素点合成一个从而缩小图片就是下采样,所以池化操作就可以理解为一种下采样。如果想进一步了解图像领域的上采样和下采样,可以参照:图像的上采样(upsampling)与下采样(subsampl.原创 2020-12-28 17:47:37 · 9810 阅读 · 0 评论 -
用三维图像带你深入了解机器学习的f1
对于机器学习的评价指标,你还记得多少?准确率,精确率,召回率?那你还记得f1吗?是不是有点陌生了?1、基础指标首先定义以下几个概念:TP(True Positive):预测答案正确FP(False Positive):错将其他类预测为本类FN(False Negative):本类标签预测为其他类标签TN(True Negative):其他类标签预测为本类标签准确率Accuracy定义:(TP+TN)/(TP+FN+FP+TN)即所有分类正确的样本占全部样本的比例精确率P.原创 2020-05-25 20:38:57 · 1282 阅读 · 1 评论 -
你还在用交叉验证吗? 大神都开始用对抗验证(Adversarial validation)了
你还在用交叉验证吗?之前我是这么想的,交叉验证可以保证训练集和测试集都是随机选举,但是是否考虑过这样划分的数据集有可能特征分布不均匀?这样怎么能训练出高效的模型呢?今天忽然发现了对抗验证,分享一下:文章目录1、传统方法1.1 直接划分1.2 LOOCV1.3 k折交叉验证2 对抗验证2.1 样本分布不均匀2.2 何时样本分布均匀?2.3 什么是对抗验证(Adversarial Validation)?2.4 步骤2.5 实战1、传统方法在机器学习里,通常来说我们不能将全部用于数据训练模型,否则我.原创 2020-05-19 23:08:10 · 3714 阅读 · 2 评论 -
机器学习评价指标中:误差、偏差、方差的区别
在我们看论文的时候,经常会对这几个变量分不清,下面,详细解释一下各自的定义及区别。文章目录1、概念定义2、图形定义3、数学定义4、过拟合、欠拟合和恰好5、结论1、概念定义偏差(bias):偏差衡量了模型的预测值与实际值之间的偏离关系。通常在深度学习中,我们每一次训练迭代出来的新模型,都会拿训练数据进行预测,偏差就反应在预测值与实际值匹配度上,比如通常在keras运行中看到的准确度为96%,...转载 2020-04-17 21:44:34 · 4450 阅读 · 0 评论 -
机器学习中最优化算法总结(理论+实践)
在使用tensorflow时,相信很多人把优化算法直接填上Adam,然后发现准确率不错,但是如果想真正研究机器学习,光会用是远远不够的,下面介绍目前机器学习中主流的优化算法:文章目录0、引言1、梯度下降1.1 传统梯度下降1.2 随机梯度下降(SGD)1.3 随机梯度下降变体1.3.1 Momentum(动量)1.3.2 Nesterov(牛顿动量)1.3.3 AdaGrad1.3.4 RM...原创 2020-04-12 15:35:22 · 3361 阅读 · 0 评论 -
基于时间序列的回归问题(5)—— 时间序列分解算法STL
文章目录1、引言2、各分量详解3、分解步骤1、引言seasonal-trend decomposition procedures based on loess (STL)就是时序分解中一种常见的算法,基于LOESS将某时刻的数据Yv分解为趋势分量(trend component)、季节周期分量(seasonal component)和剩余分量(remainder component),如下式所...原创 2020-03-18 00:50:19 · 4762 阅读 · 1 评论 -
基于时间序列的回归问题(4)——时间序列预测的基本思路
前言:大家好,这个系列之前以及写了几篇博客,都是对于时间序列回归预测的一些前期准备知识,相信很多人(包括笔者在内)第一次接触这种项目,可能大体的思路方案都不是很清楚,那么,这么博客将为大家梳理一下做基于时间序列数据回归预测问题的大体思路。1、数据预处理对于大多数基于数据挖掘的预测项目来说,得到的数据一般情况都会有噪声的,这时,就需要对数据进行预处理。数据预处理包括对数据的清洗、数据规约等...原创 2020-02-29 15:20:11 · 4363 阅读 · 0 评论 -
基于时间序列的回归问题(3)——序列去噪之经验模态分解(EMD)
文章目录1、简单介绍2、基本条件3、方法步骤3.1求平均包络线3.2 通过IMF判断求最终4、去噪应用1、简单介绍经验模态分解( empirical mode decomposition,EMD)是由美国国家宇航局的华裔科学家Norden e. Huang博士于1998年提出的一种新的处理非平稳信号的方法——希尔伯特——黄变化的重要组成部分。基于EMD的时频分析方法既适合于非线性、非平稳信号的...原创 2020-02-23 01:04:02 · 11972 阅读 · 1 评论 -
基于时间序列的回归问题(2)——序列去噪之奇异谱分析(SSA)
文章目录1、基本介绍2、基本步骤2.1 嵌入2.2 分解2.3 分组重构1、基本介绍奇异谱分析(SSA)是一种用来分析和预测非线性时间序列的有效方法,它适用于分析具有潜在结构的时间序列。对于笔者正在做的基于时间序列的回归项目,对于原始数据,需要对数据进行分析去噪,从而得到较为有规律的数据为下一步的回归做好准备。SSA正是通过对所要研究的时间序列的轨迹矩阵进行分解、重构等操作,提取出时间序列中的...原创 2020-02-21 01:22:30 · 10819 阅读 · 7 评论 -
基于时间序列的回归问题(1)——粒子群优化原理
1、粒子群优化算法由来在自然界中,鸟群或鱼群的行为常常引起动物学家的关注,动物学家对鸟群的飞翔和群舞行为很感兴趣动物学家对鸟群能一致地朝一个方向飞行、又突然同时转向、分散、又聚集很感兴趣。是什么能使鸟群在飞行中保持着优美的队形和惊人的同步性,鸟群变化多端的行为是因为每个鸟为了避免碰撞别的鸟而努力在飞行中和其它鸟保持合适的最优距离吗?为了探求这些问题,很多学者对鸟群的行为建立了数学模型,并在计算机...原创 2020-02-15 18:07:58 · 800 阅读 · 0 评论 -
Spyter快捷键
Spyter快捷键常用快捷键快捷键中文名称Ctrl+R替换文本Ctrl+1单行注释,单次注释,双次取消注释Ctrl+4块注释,单次注释,双次取消注释F5运行程序F9运行当前行Ctrl+Enter运行选中代码Ctrl+P文件切换Ctrl+L清除shellCtrl+I查看某个函数的帮助文档Ctrl+Shif...原创 2020-01-07 11:48:08 · 468 阅读 · 0 评论 -
人工智能是炼金术?
机器学习是炼金术吗?最近看了个文章,其实已经是两年前的争论了,详细见网址:http://blog.sciencenet.cn/home.php?mod=space&uid=3373516&do=blog&id=1089115这里介绍了两年前关于人工智能是否是炼金术的争论,如今时隔两年,现在看来,人工智能在部分领域的落地,已经证明其在各个领域的作用人工智能有多远?要想...原创 2019-11-16 11:38:54 · 759 阅读 · 0 评论 -
人工智能顶会介绍
人工智能和机器学习技术的快速发展,使得AI 主题会议也层出不穷,下面带大家一起了解一下人工智能领域的顶会都有哪些,笔者的一个建议,初学者可以先看看基础书,如机器学习西瓜书这些,先对基本算法有一个了解,之后可以稍微看看中文的高水平硕士博士论文,他们论文里对基础概念讲的还是比较好的,方便了解,要是想开始发论文,你懂的,别犹豫看英文的吧,下面介绍人工智能方面顶会目录1. CVPR2.ECCV3.ICC...原创 2019-10-30 21:13:17 · 3397 阅读 · 0 评论