人工智能
文章平均质量分 93
知来者逆
情不知所起,一往而深
展开
-
深度神经网络——什么是梯度提升?
在数据科学竞赛中,梯度提升模型(Gradient Boosting)是一种非常强大的工具,它能够将多个弱学习模型组合起来,形成一个强学习模型。这个过程是通过逐步添加弱学习者来实现的,每个新加入的弱学习者都专注于当前整体模型的弱点,从而逐步提高预测的准确性。原创 2024-06-01 11:18:19 · 910 阅读 · 0 评论 -
深度神经网络——什么是线性回归?
线性回归是一种用于预测或可视化的算法。在线性回归任务中,要检查两种变量:。自变量是独立的变量,不受其他变量的影响。随着自变量的调整,因变量的水平将会波动。因变量是正在研究的变量,也是回归模型求解/尝试预测的变量。在线性回归任务中,每个观察/实例都由因变量值和自变量值组成。这是对线性回归的快速解释,但让我们通过查看线性回归的示例并检查它使用的公式来确保我们更好地理解线性回归。原创 2024-05-31 21:22:26 · 674 阅读 · 0 评论 -
深度神经网络——贝叶斯与朴素贝叶斯定理
贝叶斯定理是概率论中一个非常重要的概念,它提供了一种在已知某些相关事件的概率时,计算另一个事件发生概率的方法。在你提供的内容中,贝叶斯定理被描述为一种“魔法”,因为它能够使计算机通过分析大量的数据来预测人们可能想要的结果,例如搜索引擎如何理解用户搜索“自动系鞋带的电影”时可能指的是《回到未来》。原创 2024-05-28 12:24:52 · 769 阅读 · 0 评论 -
人工智能——什么是摩尔定律以及它如何影响人工智能?
1965年,英特尔联合创始人戈登·摩尔做出了一个大胆的预测。他表示,芯片上的晶体管数量每两年就会增加一倍。这个简单的观察已经被坚持了 50 多年。随着芯片变得越来越小、功能越来越强大,它们推动了一系列令人惊叹的技术进步。从个人电脑和互联网到移动电话和人工智能(AI),摩尔定律对我们的世界产生了深远的影响。人工智能特别适合利用摩尔定律预测的计算能力的持续指数增长。这是因为人工智能需要大量数据和计算能力来训练其算法。随着芯片不断变得更小、功能更强大,人工智能将变得更加普遍和具有影响力。原创 2024-05-27 11:42:38 · 668 阅读 · 0 评论 -
深度神经网络——什么是决策树?
决策树 [经常有用](https://www.techwalla.com/articles/advantages-disadvantages-of-decision-trees) 当需要进行分类但计算时间是主要限制时。 决策树可以清楚地表明所选数据集中的哪些特征最具预测能力。 此外,与许多用于对数据进行分类的规则可能难以解释的机器学习算法不同,决策树可以呈现可解释的规则。 决策树还能够利用分类变量和连续变量,这意味着与只能处理这些变量类型之一的算法相比,需要更少的预处理。原创 2024-05-26 11:08:18 · 898 阅读 · 0 评论 -
深度神经网络——什么是 K 均值聚类?
在研究用于执行 K 均值聚类的确切算法之前,先来看看什么定义聚类:集群只是项目组,而集群只是将项目放入这些组中。从数据科学的意义上来说,聚类算法确保集群中的所有数据点尽可能彼此相似。确保不同集群中的所有数据点尽可能彼此不同。聚类算法根据某种相似性度量将项目分组在一起。这通常是通过查找数据集中不同可能组的“质心”来完成的,尽管不完全如此。有多种不同的聚类算法,但所有聚类算法的目标都是相同的,即确定数据集固有的组。原创 2024-05-25 11:03:21 · 608 阅读 · 0 评论 -
深度神经网络——什么是联合学习?
训练人工智能模型的传统方法涉及设置服务器,通常通过使用基于云的计算平台来对模型进行数据训练。然而,在过去几年中,出现了另一种模型创建形式,称为联合学习。联合学习将机器学习模型引入数据源,而不是将数据引入模型。联合学习将多个计算设备连接到一个去中心化系统中,允许收集数据的各个设备协助训练模型。在联合学习系统中,属于学习网络一部分的各种设备均在设备上拥有模型的副本。原创 2024-05-24 10:18:39 · 895 阅读 · 0 评论 -
深度神经网络——什么是自动编码器?
自动编码器是一种无监督机器学习算法,它通过反向传播进行训练,目标值被设置为与输入值相等。其核心目标是对输入数据进行压缩,转换成一个更小的表示形式,如果需要原始数据,可以从压缩后的数据中重建。原创 2024-05-23 12:03:00 · 971 阅读 · 0 评论 -
深度神经网络——什么是混淆矩阵?
混淆矩阵是一种在机器学习和数据科学中广泛使用的分析工具,用于评估分类模型的性能。它通过比较实际类别和模型预测的类别来提供模型性能的详细信息。:混淆矩阵是一个表格,通常有两行两列(对于二分类问题)或更多行和列(对于多分类问题)。每一行代表实际类别,每一列代表预测类别。:矩阵中的元素表示不同类别的样本数量。:与其他性能指标(如简单准确度)相比,混淆矩阵提供了更全面的模型性能视图。它可以帮助识别模型在特定类别上的表现,特别是当模型倾向于错误地识别某个类别时。:虽然混淆矩阵非常有用,但它也有局限性。原创 2024-05-22 10:18:32 · 1685 阅读 · 0 评论 -
深度神经网络——什么是生成式人工智能?
生成式人工智能最近引起了很大的关注。该术语用于指依赖无监督或半监督学习算法来创建新的数字图像、视频、音频和文本的任何类型的人工智能系统。麻省理工学院表示,生成式人工智能是过去十年人工智能领域最有前途的进展之一。通过生成式人工智能,计算机可以学习与输入相关的基本模式,从而使它们能够输出类似的内容。这些系统依赖于生成对抗网络(GAN)、变分自动编码器和变压器。围绕生成式人工智能的炒作正在稳步增长,Gartner 将其纳入““ 报告。据该公司称,它是市场上最具影响力和发展最快的技术之一。原创 2024-05-21 11:39:12 · 967 阅读 · 1 评论 -
深度神经网络——什么是迁移学习?
在练习机器学习时,训练模型可能需要很长时间。从头开始创建模型架构、训练模型,然后调整模型需要大量的时间和精力。训练机器学习模型的一种更有效的方法是使用已经定义的架构,可能具有已经计算出的权重。这是背后的主要思想,采用已使用的模型并将其重新用于新任务。在深入研究迁移学习的不同使用方式之前,让来了解为什么迁移学习如此强大且有用的技术。原创 2024-05-20 08:28:02 · 904 阅读 · 1 评论 -
深度神经网络——什么是边缘人工智能和边缘计算
为了真正理解边缘AI,我们首先需要理解边缘计算,而理解边缘计算的最佳方式是 边缘计算就是将它与云计算进行对比。云计算是通过互联网提供计算服务。相比之下,边缘计算系统不连接到云端,而是在本地设备上运行。这些本地设备可以是专用的边缘计算服务器、本地设备、 或物联网 (IoT)。使用边缘计算有很多优点。例如,基于互联网/云的计算受到延迟和带宽的限制,而边缘计算则不受这些参数的限制。现在我们了解了边缘计算可以看看Edge AI。边缘人工智能结合了人工智能和边缘计算。人工智能算法在支持边缘计算的设备上运行。原创 2024-05-19 23:01:24 · 1129 阅读 · 0 评论