Datawhale AI夏令营 Day3

最新推荐文章于 2024-09-16 16:16:24 发布
最新推荐文章于 2024-09-16 16:16:24 发布
阅读量205 收藏
点赞数 5
文章标签： 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_63562565/article/details/140578992
版权

数据增强 aka 数据扩增 aka 数据增广

空间位置：平移、反转、翻转，旋转
色彩：灰度图、色彩抖动、亮度变换、饱和度变换、对比度变换
形状：仿射变换，缩放
上下文场景：遮挡、填充

风眠Rachel
关注
DataWhale AI夏令营 电力day3
royi_0825的博客
07-20 443
窗口统计可以构建不同的窗口大小，然后基于窗口范围进统计均值、最大值、最小值、中位数、方差的信息，可以反映最近阶段数据的变化情况。：可以帮助获取相邻阶段的增长差异，描述数据的涨减变化情况。在此基础上还可以构建相邻数据比值变化、二阶差分等；这里主要构建了历史平移特征、差分特征、和窗口统计特征；：通过历史平移获取上个阶段的信息；
Datawhale AI夏令营 Day2
m0_63562565的博客
07-17 196
即表示目标函数，目的地是最低点，需要解决的问题为中间如何走。在当前位置求偏导，即梯度，正常的梯度方向类似于上山的方向，是使值函数增大的，下山最快需使最小，从负梯度求最小值，即为梯度下降，梯度下降是求偏导的负值。每走一步，继续求解当前位置的偏导数，重复，当走到了最低点，能得到一个近似最优解。感受野：卷积神经网络每一层输出的特征图 (feature map) 上的像素点在原始图像上映射的区域大小。梯度下降法：求局部最小值，若为凸函数，所求为全局最小值。以下山路径为例，设路径为。
Datawhale AI 夏令营 Day1
m0_63562565的博客
07-14 166
跟着手册跑代码很顺利，之后去看了下手册里《Task1:了解Deepfake&初探baseline》，讲得很清楚，看一遍能读懂大部分代码，但为什么这样做，什么情况下应该这样做没有说明，无法独立复现。模型训练代码里有一行end=time.time(),代码里没有再次使用end，不清楚这样做的意义。
电力需求挑战赛进阶（Datawhale AI 夏令营）
不想宅的冷同学
07-15 433
在前面的任务中，我们介绍了赛题并通过基于经验模型的Baseline完成了预测任务。在本次任务中，我们将使用更为先进的机器学习模型LightGBM来解决问题，以期获得更好的预测效果。你将学会如何使用数据集绘制柱状图和折线图，如何在时间序列数据中构建历史平移特征和窗口统计特征，并使用LightGBM模型进行训练和预测。特征工程在机器学习竞赛中是一个至关重要的环节。通过观察数据并结合领域知识来改进或构建新的特征，可以显著提高模型性能。
【Datawhale AI 夏令营第三期学习笔记Taks1】 跑通baseline #Datawhale AI 夏令营
07-28
【Datawhale AI 夏令营第三期学习笔记Taks1】 跑通baseline #Datawhale AI 夏令营
Datawhale AI 夏令营机器学习 task1.pdf
07-20
### Datawhale AI 夏令营机器学习 Task1：时间序列预测详解 #### 一、时间序列数据的特点 时间序列数据在很多实际场景中都非常重要，例如天气预报、股票市场分析、销售预测等。理解时间序列数据的特点对于设计有效...
NLP学习（Datawhale AI夏令营） TASK01#Datawhale示例代码
07-15
NLP学习（Datawhale AI夏令营） TASK01#Datawhale示例代码
SRT3D: A Sparse Region-Based 3D Object Tracking Approach for the Real World
weixin_45834800的博客
09-13 1048
基于区域的方法在基于模型的单目3D跟踪无纹理物体的复杂场景中变得越来越流行。然而，尽管它们能够实现最先进的结果，大多数方法的计算开销很大，需要大量资源来实时运行。在下文中，我们基于之前的工作，开发了SRT3D，这是一种稀疏的基于区域的3D物体跟踪方法，旨在弥合效率上的差距。我们的方法在所谓的对应线（这些线模型化了物体轮廓位置的概率）上稀疏地考虑图像信息。由此，我们改进了当前的技术，并引入了考虑定义的全局和局部不确定性的平滑阶跃函数。对于所得到的概率公式，提供了详尽的分析。
【AI大模型】Kimi API大模型接口实现
qq_25888559的博客
09-15 850
Kimi智能助手在效率（免费榜）排名从2024年1月14日的第436名提升至3月19日的第11名。而尚未上线的GPT-4.5 Turbo上下文窗口指定为25.6万个token，能同时处理约20万个单词，Kimi升级后，长文本能力为其10倍。在2023年10月初次亮相时，该模型的处理能力还仅有约20万汉字。2024年3月18日，月之暗面宣布Kimi智能助手启动200万字无损上下文内测。
生成式人工智能在新加坡的发展现状和地位
wukangjupingbb的博客
09-11 1141
依据国际隐私专业人员协会(IAPP)的相关报告，2020年，上述两机构更新了该模型框架，发布了第二版，并推出了《组织实施和自我评估指南》，帮助组织评估其人工智能治理实践与型框架的匹配程度，还发布了《案例汇编》，展示了组织如何实施负责任的人工智能治理实践。2019年，金融管理局宣布与金融行业合作创建Veritas框架，为金融机构提供可验证的方法，将FEAT原则纳入其人工智能和数据分析驱动的解决方案中。新加坡在人工智能治理方面采取了部门性的方法，即通过各个行业的监管机构来管理人工智能的使用。
车辆检测与分类系统源码分享
xuehaikj的博客
09-13 1433
数据集信息展示在本研究中，我们采用了名为“comexit”的数据集，以支持对YOLOv8模型在车辆检测与分类任务中的改进。该数据集专注于交通工具的识别，特别是公共交通和货运车辆，具有明确的应用背景和实用价值。数据集的类别数量为三，具体包括“bus”（公交车）、“car”（小汽车）和“truck”（卡车）。这三类车辆在城市交通和物流系统中扮演着重要角色，因此，准确的检测与分类对于交通管理、智能交通系统以及自动驾驶技术的发展具有重要意义。
opencv学习：calcHist 函数绘制图像直方图及代码实现
mohanyelong的博客
09-13 1483
opencv学习：calcHist 函数绘制图像直方图及代码实现
Djourney新手入门基础，AI摄影+AI设计+AI绘画-AIGC作图
DAMOXINGHAITAI的博客
09-14 988
（全套教程文末领取哈）从大模型系统设计入手，讲解大模型的主要方法；在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；以SD多模态大模型为主，搭建了文生图小程序案例；以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
从AI到大数据，数字技术服务平台全栈赋能企业升级
smjt2024的博客
09-11 668
海量的数据中蕴含着丰富的信息和价值，数字技术服务平台能够收集、整理和分析这些数据，为企业提供精准的市场洞察和决策支持。企业可以通过参加树莓集团举办的培训课程和研讨会，了解最新的数字技术趋势和应用案例，提升自身的数字技术水平。从技术咨询、解决方案设计到系统实施和运维，数字技术服务平台为企业提供一站式的服务，让企业无需担心技术难题，专注于自身的核心业务。树莓集团的数字技术服务平台，以其先进的技术、专业的服务和丰富的经验，为企业提供了全栈赋能。在数字时代，让我们共同利用数字技术服务平台，开启企业升级的新篇章。
常见本地大模型个人知识库工具部署、微调及对比选型
09-14 859
由于作者的眼界、精力和能力也有限，并且确实也不是专业的AI研究员，仅仅是一位兴趣使然的爱好者，这里列出的几款也单纯只是作者平常关注到的，所以可能也不全，请各位见谅！文章从起笔写到这里已经过了三天了，这三天也基本把上文提到的大模型侧工具全部体验了一遍，下面说一下主要结论吧。从功能丰富度和性能优化的角度综合评估，LM Studio明显更胜一筹。从工具本身使用及模型部署效率来看，Ollama的上手速度会更快，使用会更便捷，效率也会更高。从企业级稳定性和高可用。
2024.9.16 day 1 pytorch安装及环境配置
m0_58285219的博客
09-16 400
pytorch安装及环境配置
高效率的开发工具
鱼遇海
09-12 908
智能代码编辑:语法高亮: 支持多种编程语言的语法高亮。代码补全: 提供智能代码补全和提示，减少打字量。代码片段: 支持代码片段和模板，帮助快速编写常用代码。调试功能:集成调试器: 支持多种语言的调试，提供断点、变量监视、调用堆栈等功能。调试配置: 允许用户自定义调试配置，以适应不同的开发需求。版本控制:Git 集成: 内置 Git 支持，可以直接从编辑器进行版本控制操作，如提交、推送、拉取等。版本差异查看: 提供图形化界面查看文件差异和版本历史。
深度学习实战电路板缺陷检测【数据集+YOLOv5模型+源码+PyQt5界面】
最新发布
weixin_40280870的博客
09-16 1468
深度学习电路板缺陷检测，模型采用YOLOV5作为框架，界面采用PyQt5构建，图像源支持图像、视频、摄像头以及RTSP等主流格式，电路板缺陷数据集一共690张图象左右，包含六种缺陷，missing_hole【缺失孔】, mouse_bite【鼠咬】, open_circuit【开路】, short【短路】, spur【杂散】, spurious_copper【杂铜】
Datawhale AI 夏令营
07-12
这个暑期项目旨在激发参与者对人工智能、大数据和机器学习的兴趣，通过一系列课程、实践项目和比赛，帮助他们提升相关的技能知识。活动中，学员可以学习到从基础知识到实战应用的内容，比如Python编程、数据处理、...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值