- 博客(1966)
- 资源 (7)
- 收藏
- 关注
原创 操作系统的历史,你知道多少?
对于初学计算机的学生,操作系统是一个抽象的概念,本篇全面系统地将操作系统的发展历史阐述出来,以便初学计算机的朋友能有一个快速、准确的理解。
2024-09-27 14:38:17 1235
原创 计算机的历史,你可知道?
对于计算机的历史,你知道多少?本篇文章针对人类几个世纪对计算机的追求和探索进行跟踪,真实反映对计算机这种发明的前仆后继的艰辛探索。期望读者对这一段历史能做出j全面真实的理解。
2024-09-27 13:27:03 1192
原创 ML 系列:机器学习和深度学习的深层次总结(08)—欠拟合、过拟合,正确拟合
在有监督学习过程中,对于指定数据集进行训练,训练结果存在欠拟合、过拟合的情况,这两个情况都对模型的泛化是不利的,本篇对监督学习的训练的泛化问题进行解释。
2024-09-23 20:31:41 1171
原创 ML 系列:机器学习和深度学习的深层次总结(07)数据预处理—解决缺失值、异常值和错误数据
在AI数据挖掘中,对原始数据的预处理是必须的技术手段,本篇将对数据预处理的一系列注意事项进行展示。
2024-09-22 09:42:05 1515
原创 ML 系列:机器学习和深度学习的深层次总结(06)— 提升数据质量
在AI数据挖掘中,对原始数据的预处理是必须的技术手段,本篇将对数据预处理的一系列注意事项进行展示。
2024-09-22 09:04:22 762
原创 ML 系列:机器学习和深度学习的深层次总结(05)非线性回归
非线性回归是指因变量和自变量之间存在非线性关系的模型。该模型比线性模型更准确、更灵活,可以获取两个或多个变量之间复杂关系的各种曲线。
2024-09-21 11:14:45 1370 1
原创 ML 系列:机器学习和深度学习的深层次总结(04)多元线性回归 (MLR)
线性回归从一维推广到多维,这与单变量线性回归有很多不同,情况更加复杂,而在梯度优化也需要改成向量梯度,同时,数据预处理也成了必要步骤。
2024-09-21 09:46:26 1291
原创 岭回归:带示例的分步介绍
岭回归是一种在独立变量高度相关的情况下估计多元回归模型系数的方法。[1]它已用于计量经济学、化学和工程学等许多领域。[2]也称为Tikhonov 正则化,以Andrey Tikhonov命名,是一种解决不适定问题的正则化方法。[a]它对于缓解线性回归中的多重共线性问题特别有用,这种问题通常发生在具有大量参数的模型中。[3]通常,该方法在参数估计问题中提供了更高的效率,以换取可容忍的偏差量
2024-09-15 19:26:41 1071
原创 空间不确定性的表示与估计
本文介绍了一种估算温度的通用方法之间的标称关系和预期误差(协方差)表示对象相对位置的坐标框。这些帧只能通过一个简单的例子间接地知道一系列空间关系,每个关系都有其相关的错误,由多种原因引起,包括定位错误,测量误差或零件尺寸公差。
2024-09-11 21:24:16 1610
原创 ML 系列:机器学习和深度学习的深层次总结(02)线性回归
欢迎学习机器学习系列。这门综合课程目前包括40个部分,指导您了解机器学习、统计和数据分析的基本概念和技术。以下是最基本机器学习模型,线性回归模型。
2024-09-10 10:52:48 1358
原创 ML 系列:机器学习和深度学习的深层次总结(01)
欢迎学习机器学习系列。这门综合课程目前包括40个部分,指导您了解机器学习、统计和数据分析的基本概念和技术。以下是到目前为止涵盖的关键主题的简要概述
2024-09-09 12:32:15 1572
原创 学习算法的类型
嘿,好奇的伙伴们!今天,让我们踏上一段激动人心的机器学习算法领域之旅。🚀 如果你和我一样,你可能会发现机器学习的世界非常迷人,有时甚至有点让人不知所措。但不要害怕,因为我在这里以有趣、友好且易于理解的方式指导您了解一些最常见的 ML 算法类型!
2024-09-08 11:29:06 944
原创 微积分直觉:隐含微分
取 S 的导数意味着考虑这两个变量的微小变化,一些微小的变化 dy 到 y,一些微小的变化 dx 到 x(不一定让你留在圆圈里,它可以在任何方向)。方程的左侧是时间 (y(t)² + x(t)²) 的函数,它恰好等于一个常数,这意味着该值不会随着时间的流逝而改变,但仍被写为依赖于时间的表达式。方程的左侧是时间 (y(t)² + x(t)²) 的函数,它恰好等于一个常数,这意味着该值不会随着时间的流逝而改变,但仍被写为依赖于时间的表达式。x(t)² 的导数是 x(t) 的 2 乘以 x 的导数(链式法则)。
2024-09-07 09:36:23 931
原创 Bagging: 数量,而不是质量。
机器学习中的集成方法是指组合多个模型以提高预测性能的技术。集成方法背后的基本思想是聚合多个基础模型(通常称为弱学习器)的预测,以生成通常比任何单个模型更准确、更稳健的最终预测。一般而言,我们通常遵循质量胜于数量的原则。然而,在这种情况下,事实证明相反的原理同样有效。
2024-09-06 11:20:47 1091
原创 什么是机器学习中的 Bagging?带有示例的指南
集成方法是机器学习中强大的技术,它可以结合多种模型来提高整体预测准确性和模型稳定性。Bootstrap Aggregating(俗称 Bagging)是一种流行且广泛实施的集成方法。在本教程中,我们将深入研究 bagging、其工作原理以及其优势所在。我们将它与另一种集成方法 (Boosting) 进行比较,并查看 Python 中的 bagging 示例。最后,您将对 bagging 有扎实的了解,包括最佳实践。
2024-09-05 09:24:24 1337
原创 缺失值插补解释:六种插补方法?
让我们谈谈每个数据科学家、分析师或好奇的数字计算者迟早必须处理的事情:缺失值。现在,我知道你在想什么 — “哦,太好了,又一个缺失值指南。但请听我说。我将向您展示如何使用不一种、两种而是六种不同的插补方法来解决这个问题,所有这些都在单个数据集上(还有有用的视觉效果!到最后,您将明白为什么领域知识物有所值(即使是我们的 AI 朋友也可能难以复制)
2024-09-04 08:06:13 1747
原创 机器学习如何用于音频分析?
近十年来,机器学习越来越受欢迎。事实上,它被用于医疗保健、农业和制造业等众多行业。随着技术和计算能力的进步,机器学习有很多潜在的应用正在被创造出来。由于数据以多种格式大量可用,因此现在是使用机器学习和数据科学从数据中提取各种见解并使用它们进行预测的合适时机。机器学习最有趣的应用之一是音频分析和分别了解不同音频格式的质量。因此,使用各种机器学习和深度学习算法可确保使用音频数据创建和理解预测。
2024-09-03 06:56:20 1328
原创 旅行商问题及其解决方法
旅行商问题 (TSP)是指一位上门推销员在给定的时间段内(通常是一个工作日)试图找到最短和/或最快的路线来服务他所访问的所有站点。虽然这曾经是销售人员的问题,但如今面临这个问题的工人要多得多。近年来,电子商务和网上购物的蓬勃发展使得直接送货上门的商品比以往任何时候都多。对于送货司机来说,这意味着每天要送货到 100 多个地点。
2024-09-02 08:09:28 1074
原创 如何在 Python 中将字符串转换为日期时间或时间对象
Pythondatetime和time模块都包含strptime()将字符串转换为对象的类方法。在本文中,您将使用strptime()将字符串转换为datetime对象struct_time()。
2024-09-01 07:53:39 295
原创 系统设计:一致性哈希的概念
我们生活在一个每天都会生成大量数据的世界里。在大公司中,几乎不可能将所有数据存储在单个服务器上。这就是为什么我们需要水平扩展,其中每个数据部分都存储在单独的服务器上。与垂直扩展相反,我们可以简单地将所有数据存储在一个地方,而使用水平扩展,以能够快速访问不同服务器上的数据的方式组织存储至关重要。通过了解简单系统实现的性能缺点,我们将设计一个弹性系统来缓解上述问题。
2024-08-31 03:02:54 2269
原创 强化学习,第 6 部分:n 步 Bootstrapping
为此,唯一需要做的更改是调整他们的更新公式,以使用不是来自下一个状态的信息,而是来自。,我们还强调了一步式 TD 算法相对于 MC 方法的优势,以及它们如何实现更快的收敛。代理的目标是找到到 X 的最短路径。将一步 TD 和蒙特卡洛方法推广到 n 步算法中,在强化学习中起着重要作用,因为 n 的最佳值通常位于这两个极端之间。在一步 TD 中,我们分析收到的奖励与状态值如何变化之间的差异,从当前状态切换到下一个状态 (强化学习的显着之处在于,可以使用相同的算法来使代理适应完全不同的、未知的和复杂的条件。
2024-08-30 08:16:19 1368
原创 强化学习,第 5 部分:时间差异学习
R强化学习是机器学习中的一个领域,它引入了智能体在复杂环境中学习最佳策略的概念。代理从其操作中学习,从而根据环境的状态获得奖励。强化学习是一个具有挑战性的话题,与机器学习的其他领域有很大不同。
2024-08-29 10:13:25 1502
原创 强化学习,第 4 部分:蒙特卡洛控制
R强化学习是机器学习中的一个领域,它引入了代理的概念,代理必须在复杂环境中学习最佳策略。代理从其操作中学习,这些操作会在给定环境状态的情况下产生奖励。强化学习是一个困难的话题,与机器学习的其他领域有很大不同。这就是为什么它应该只在给定的问题无法通过其他方式解决时使用。
2024-08-28 09:12:48 1117
原创 应用程序编程接口 (API) — 简单解释
API是应用程序在以编程方式与其他应用程序交互时需要遵循的一组规则。API 代表应用程序编程接口。在 API 上下文中,“应用程序”一词指的是具有独特功能的任何软件。接口可以被认为是两个应用程序之间的服务契约。该合约定义了两者如何使用请求和响应相互通信。
2024-08-27 11:16:14 722
原创 具有强制函数的物理信息神经网络
在物理学、数学、经济学、工程学和许多其他领域,微分方程根据变量的导数来描述函数。简而言之,当涉及一个变量相对于其他变量的变化率时,你可能会找到一个微分方程。许多示例描述了这些关系。微分方程的解通常是通过解析或数值方法得出的。
2024-08-26 15:12:51 968
原创 【图像增强】使用 Albumentations Python 库(02)
在本博客的第 1 部分中,我介绍了使用 Albumentations Python 库进行图像增广的基础知识。本部分介绍高级详细信息。
2024-08-25 14:31:51 1383
原创 【图像增强】使用 Albumentations Python 库(01)
图像增广是通过对可用图像进行微小更改来创建新训练图像的过程。这包括更改图像的亮度或对比度、裁剪图像的一部分、翻转或旋转原始图像等更改。使用对原始标记图像的这些转换,可以增加图像数量。Albumentations 有效地实现了丰富的 Image Transform 操作,并执行 同时提供简洁而强大的图像增广界面 不同的计算机视觉任务,包括对象分类、分割、 和检测。
2024-08-24 18:19:42 1230
原创 【OpenCV】SIFT(尺度不变特征变换)算法?
与人类不同,机器很难识别图像中具有不同比例或视角的物体。SIFT 弥补了这一差距。通过从图像中提取独特的特征,SIFT 允许机器将这些特征与同一物体的新图像进行匹配。这为图像识别、物体检测等领域的激动人心的应用铺平了道路。在本文中,我们将深入研究 SIFT 算法,并探索它如何赋予机器类似人类的图像识别能力。
2024-08-23 10:45:21 2047
原创 【OpenCV】 中使用 Lucas-Kanade 光流进行对象跟踪和路径映射
本文针对基于光流法的目标追踪进行叙述,首先介绍Lucas-Kanade 方法的引进,以及基本推导,然后演示如何实现光流法的运动跟踪。并以OpenCV实现一个基本项目。
2024-08-22 19:05:31 1459
原创 时间序列分析中的特征提取
在多变量时间序列分析期间,数据包含随时间推移测量的多个数据。为了管理模型性能,建议进行特征提取,以使模型的数据点更加紧凑。
2024-08-21 09:42:43 1260
原创 递归神经网络 (RNN) 简介
机器学习领域的议程是多方面的,旨在提高计算机从数据中学习并在没有明确编程的情况下做出预测或决策的能力。这包括一系列广泛的任务,包括:模式识别、预测分析、自然语言处理 (NLP)、深度学习等。循环神经网络 (RNN) 的改进极大地影响了 NLP、时间序列分析和顺序数据处理中应用的发展。
2024-08-20 07:44:12 1783
原创 贝叶斯推理:分步指南
让我们深入了解贝叶斯推理的迷人世界。我将通过易于遵循的示例向您介绍其实际应用。 贝叶斯推理为统计分析提供了一个强大而灵活的框架,特别是在存在不确定性和先验知识的情况下。通过结合先前的分布并使用贝叶斯定理根据新证据更新这些信念,贝叶斯方法使我们能够对未知参数做出更明智和细致的推断。
2024-08-19 07:58:55 1704
原创 机器学习/人工智能中的学习证明
在进行任何数学发展之前,我们必须首先了解学习的基础以及它如何与错误的概念密切相关。关于代价函数,它的工作原理是梯度下降原理。本文将回顾梯度下降原理。
2024-08-18 06:50:00 1791 2
原创 了解 K-Means 聚类的工作原理(详细指南)
K-means 的目标是将一组观测值划分为 k 个聚类,每个观测值分配给均值(聚类中心或质心)最接近的聚类,从而充当该聚类的代表。
2024-08-17 09:20:14 2102 1
原创 论文演示:Vision Transformer (ViT)
Vision Transformer(或通常缩写为ViT)可以被视为计算机视觉领域的突破。当涉及到与视觉相关的任务时,它通常使用基于CNN的模型来解决,到目前为止,这些模型的性能总是比任何其他类型的神经网络都好。
2024-08-16 11:17:41 495
原创 注意力机制 — 它是什么以及它是如何工作的
注意力机制是深度学习领域的一个突破。它们帮助模型专注于数据的重要部分,并提高语言处理和计算机视觉等任务的理解和性能。这篇文章将深入探讨深度学习中注意力的基础知识,并展示其背后的主要思想。
2024-08-15 14:26:51 1512
原创 PyTorch — 初学者教程
在本文中,我将编译 PyTorch 的初学者教程。本教程大量使用了官方 PyTorch 教程中的材料。PyTorch 是Torch库的 Python 接口。
2024-08-14 19:05:17 240 1
原创 提升您的数据技能:利用Python 类
本文将探讨类和对象的基本概念,以及 Python 中的继承概念。我将讨论继承如何允许类从其他类继承属性和行为。此外,我们将提供示例来说明这些概念的实际应用,帮助您了解如何在 Python 代码中有效地使用它们。
2024-08-10 22:51:38 1655
原创 信息论在机器学习中的实际应用
如作为一名数据科学家,你可能经常听到“信息论”这个词在机器学习的背景下出现。但究竟什么是信息论,为什么它对机器学习如此重要?在本文中,我们将探讨信息论的基础知识、其关键概念,以及它如何以简单而翔实的方式应用于机器学习。
2024-08-09 08:02:18 1519
【双曲几何-0加莱模型】庞加来上半平面模型的Python实现
2024-05-07
OpenGL4.6的GLSL语言规格手册
2024-04-19
【OpenGL高级】刚体绕任意轴旋转
2024-04-19
【OpenGL实践08】现代渲染管线在GLUT和Pygame和Qt.QOpenGLWidget上各自的实现代码
2024-04-19
QOpenGLWidget的三维渲染
2024-04-17
【OpenGL实验】在python、Qt5、pyOpenGL程序的若干要点
2024-04-15
强化学习的Q(λ)学习原理资料
2024-03-27
强化学习的Q-Learn算法ppt资源
2024-03-27
使用 python + Qt + OpenGL 的第一步
2024-03-27
使用Python动画粒子的薛定谔波函数(ψ)(完整代码)
2024-03-20
glViewport - 人为干预视口改变和场景
2024-03-10
【OpenGL实现 03】纹理贴图原理和实现
2024-03-08
12pyopenGL静态圆锥方体球体前后遮挡
2024-02-23
11PyopenGL如何将图片贴到表面class03
2024-02-23
大脚怪野外募集报告数据分析
2024-02-22
1975年卡顿伍德湖研究区湿地P1数字正射校正航空
2024-02-22
坦桑尼亚的多多马太阳能测量数据
2024-02-22
2022年全球气候热点数据集
2024-02-22
林业类数目种类分布的数据集
2024-02-22
实木板表面纹理识别数据集
2024-02-21
Capstone-食物数据集
2024-02-21
关于数据集:食物的热量
2024-02-21
坦克打飞船的完整代码(可执行)
2024-02-16
坦克打飞碟的游戏基础界面实现
2024-02-16
8pygame键盘动画实现
2024-02-15
双曲几何的库geometry-tools库(在python用)
2024-02-10
C++ 中的模型预测控制(012)
2024-02-09
4用C++和matplotlib实现贝塞尔曲线的库
2024-02-09
python多进程博客案例
2024-01-27
2用python实现仿射变换的案例
2024-01-27
基于python的线性方程数字解法
2024-01-27
pygame泡泡碰撞游戏
2023-11-04
python基于pygame库开发的滑雪游戏
2023-11-04
Ceras下cifar10的图像识别深度网络
2023-10-26
小工具:移除目录内部所有空目录
2023-10-23
小工具:将目录中文件按照扩展名整齐归档
2023-10-23
pytorch下多层感知机的实现
2023-10-23
二项分布的字符串自动生成和统计验证
2023-10-22
AdaBoost 从弱分类器到强分类器的工作原理
2023-10-22
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人