人工智能
文章平均质量分 84
人工智能入门学习
敲代码的小小酥
上天,请赐予我平静,去接受我无法改变的;给予我勇气,去改变我能改变的;赐我智慧,分辨两者的区别
展开
-
Dify源码本地部署启动
agent智能体框架Dify的源码部署以及源码下载原创 2024-06-15 23:02:23 · 1971 阅读 · 6 评论 -
产品经理应该懂的人工智能知识
接下来,是时候看看训练后的模型质量了。模型的效果通常用“拟合程度”来形容,例如某个图片识别的任务中模型训练后的误差率与人类的平均误差率只相差1%,然而测试集误差比训练集误差高了10%,这就意味着模型在全新的(没见过)的数据上表现很不好,因此我们可以判断这个模型过拟合(Overfitting)了。调参的过程,是一种基于数据集、模型和训练过程细节的实证过程,图5-15描述了一个典型的深度学习调参流程,通过调试不同超参数(在这个例子中调试的是学习速率)的值来测试模型效果,直到找到能够实现最低代价函数J的超参数。原创 2023-12-16 21:24:47 · 292 阅读 · 0 评论 -
人工智能概论
在传统的机器学习中,数据处理需要耗费大量的时间、人力以及物力,因为机器学习的特征标注往往需要专家先进行确定,然后再通过人工编码,标记为一种数据类型,这些类型可能是纹理、方向、位置等,但是,这个过程很容易由于失误而使得任务的准确性降低。在深度学习的计算中,含有非常多的卷积、池化等操作,这些操作带来的是大量的矩阵运算,因此,深度学习对于良好硬件的依赖性非常高,强大的图形处理器(Graphic Processing Unit,GPU)可以高效地帮助深度学习处理矩阵运算,甚至可以说是使用深度学习工具的必备条件。原创 2023-11-30 19:53:57 · 677 阅读 · 0 评论 -
KNN算法回归问题介绍和实现
上篇博客中,介绍了使用KNN算法实现分类问题,本篇文章介绍使用KNN算法实现回归问题。介绍思路是先使用sklearn包提供的方法实现一个KNN算法的回归问题。再自定义实现一个KNN算法的回归问题工具类。一、sklearn包使用KNN算法1. 准备数据使用sklearn包提供的make_regression模块制作回归类型数据。from sklearn.datasets import make_regression除了make_regession外,sklearn包还提供了制作分类问题的数据等方法原创 2023-09-11 22:52:28 · 1055 阅读 · 0 评论 -
KNN算法分类问题实现介绍和使用
"""自定义个一个KNN分类器""""""初始化函数""""""训练函数- 惰性计算"""# 转类型# 基本校验if X.ndim!= 1:raise ValueError("输入的参数维度有错误!!!!")# 把训练集挂到模型上面self.X = Xself.y = y"""预测函数- 第一步:先从训练集中,找出跟待预测的样本很类似的 n 个样本(欧式距离)- 第二步:这 n 样本中,哪个类别出现的最多,这个样本就属于哪个类别"""# 类型转换。原创 2023-09-05 12:38:32 · 421 阅读 · 0 评论 -
Numpy包常用科学计算方法总结
对于不同维度的两个向量,能否直接运算,需要看低维度的向量能否通过广播机制转成高维度的向量。所谓的广播机制就是通过复制行和列,使两个向量对齐,然后进行加减乘除计算。公式:(a:[x1,x2,......xn] b:[y1,y2......yn]) (疑问: 多维数组的a和b如何表示呢?由上面公式可知,余弦相似度取值范围是[-1,1],是内积公式的变形。公式: d = sqrt((x1 - x2) ** 2 + (y1 - y2) ** 2 +....)1. 向量的大小(向量的模)2.求两个向量的内积。原创 2023-09-05 11:15:56 · 486 阅读 · 0 评论