人工智能
文章平均质量分 71
AI信仰者
擅长机器学习和深度学习
擅长Java、Python、Javascript等编程语言
在金融、交通、工业等方向有丰富的项目经验
展开
-
ChatGPT:使用人工智能聊天机器人的 30 种令人难以置信的方法
ChatGPT:使用人工智能聊天机器人的 30 种令人难以置信的方法OpenAI 的主 ChatGPT 网站截图。开放人工智能“我是 OpenAI 开发的语言模型。我接受过各种互联网文本的培训,包括网站、书籍等。这使我能够对各种问题和提示生成类似人类的文本响应,”ChatGPT解释。“我的训练数据涵盖了广泛的主题,所以我可以就许多主题进行交流,包括但不限于科学、历史、数学和时事。原创 2023-02-23 22:15:50 · 2328 阅读 · 1 评论 -
cnn-bigru-attention对电池寿命进行预测
本文主要讲解:cnn-bigru-attention对电池寿命进行预测建立cnn-bigru-attention模型读取数据,将数据截成时序块训练模型,调参,评估模型,保存模型电池寿命数据。原创 2023-02-19 11:53:52 · 1162 阅读 · 2 评论 -
贝叶斯优化LSTM超参数
本文主要讲解:使用贝叶斯优化LSTM超参数原创 2022-08-04 13:24:44 · 6567 阅读 · 11 评论 -
PSO优化GRU-LSTM超参数
本文主要讲解:使用PSO优化GRU-LSTM超参数,神经元个数、学习率、dropout和batch_size建立GRU-LSTM模型定义PSO的参数:最大迭代次数、最大惯性权重、最小惯性权重、粒子数量、所有粒子的位置和速度、个体经历的最佳位置和全局最佳位置、每个个体的历史最佳适应值定义超参数搜索范围计算初始全局最优、全局最优参数、画适应度的图使用PSO找到的最好的超参数来重新训练模型评估模型:MSE、RMSE、MAE、MAPE、SMAPE、R2...原创 2022-08-02 22:42:48 · 5879 阅读 · 11 评论 -
遗传算法GA-LSTM-优化神经网络神经元个数-dropout-batch_size
本文主要讲解使用遗传算法GA-LSTM-优化神经网络神经元个数-dropout-batch_size原创 2022-08-01 22:23:03 · 2427 阅读 · 2 评论 -
SE-ResNet34对结构性数据进行多分类
本文主要讲解SE-ResNet34对结构性数据进行多分类原创 2022-07-31 22:53:42 · 1431 阅读 · 0 评论 -
交叉熵损失和focal_loss对比-BP神经网络
本文主要讲解交叉熵损失(categorical_crossentropy)和focal_loss对比-BP神经网络原创 2022-07-30 19:27:32 · 910 阅读 · 0 评论 -
CatBoost自动调参—Optuna和Hyperopt耗时和效果对比
本文主要讲解:Optuna和Hyperopt性能对比(catboost示例)原创 2022-05-05 20:07:54 · 3040 阅读 · 0 评论 -
自然语言处理NLP面试题
● Word2Vec中skip-gram是什么,Negative Sampling怎么做参考回答:Word2Vec通过学习文本然后用词向量的方式表征词的语义信息,然后使得语义相似的单词在嵌入式空间中的距离很近。而在Word2Vec模型中有Skip-Gram和CBOW两种模式,Skip-Gram是给定输入单词来预测上下文,而CBOW与之相反,是给定上下文来预测输入单词。Negative Sampling是对于给定的词,并生成其负采样词集合的一种策略,已知有一个词,这个词可以看做一个正例,而它的上下文词集可原创 2022-05-05 19:05:19 · 489 阅读 · 0 评论 -
optuna自动调参框架对lgb的超参进行优化
1、摘要本文主要讲解:使用微软自动化机器学习框架Auto ML-NNI对lgb的超参进行优化原创 2022-05-05 19:03:17 · 2115 阅读 · 0 评论 -
CNN+LSTM多通道特征组合模型
本文主要讲解:CNN+LSTM多通道特征组合模型原创 2022-05-05 18:52:01 · 5207 阅读 · 0 评论 -
cnn+lstm+attention对时序数据进行预测
本文主要讲解:cnn+lstm+attention对时序数据进行预测原创 2022-05-05 18:44:24 · 23394 阅读 · 133 评论 -
SSA麻雀算法-LSTM-优化神经网络神经元个数-dropout-batch_size
1、摘要本文主要讲解:使用SSA麻雀算法-LSTM-优化神经网络神经元个数-dropout-batch_size主要思路:SSA Parameters :优化函数、粒子数量、搜索维度、迭代次数原创 2022-03-28 21:13:28 · 8466 阅读 · 28 评论 -
PSO粒子群优化-LSTM-优化神经网络神经元个数dropout和batch_size
1、摘要本文主要讲解:PSO粒子群优化-LSTM-优化神经网络神经元个数dropout和batch_size,目标为对沪深300价格进行预测主要思路:PSO Parameters :粒子数量、搜索维度、所有粒子的位置和速度、个体经历的最佳位置和全局最佳位置、每个个体的历史最佳适应值LSTM Parameters 神经网络第一层神经元个数、神经网络第二层神经元个数、dropout比率、batch_size开始搜索:初始粒子适应度计算、计算初始全局最优、计算适应值、初始全局最优参数、适应度函数、更新原创 2022-01-12 20:59:02 · 15904 阅读 · 18 评论 -
GAN变种ACGAN利用手写数字识别mnist生成手写数字
1、摘要本文主要讲解:GAN的变种ACGAN实现手写数字识别并生成手写图片主要思路:Initialize generator and discriminatorInitialize weightsConfigure data loaderOptimizers AdamTrain GeneratorTrain DiscriminatorSaves a grid of generated digits ranging from 0 to 92、数据介绍minst手写数字识别数据集M原创 2021-06-24 22:56:02 · 2136 阅读 · 5 评论 -
微软AutoML平台NNI,ENAS基于参数共享的高效神经网络结构搜索
1、摘要ENAS——基于参数共享的高效神经网络结构搜索。ENAS使用子模型之间的参数共享来加速NAS进程。 在 ENAS 中,Contoller 学习在大的计算图中搜索最有子图的方式来发现神经网络。 Controller 通过梯度策略训练,从而选择出能在验证集上有最大期望奖励的子图。 同时对与所选子图对应的模型进行训练,以最小化规范交叉熵损失。2、相关技术介绍本文使用Pytorch实现ENAS,包括通用的强化学习的 Controller(用RL变换图的控制器),以及能交替训练目标网络和 Control原创 2021-05-22 15:55:41 · 823 阅读 · 1 评论 -
如何在BigQuant跑出夏普5.67的策略-附赠其他策略
BigQuant简介BigQuant AI 量化平台引领投资未来以AI赋能投资,为投资者提供企业级AI平台、量化投资大数据、AI投研工具、Quant成长体系和社区AI量化策略什么是量化投资?什么是人工智能?机器学习被评为人工智能中最能体现人类智慧的技术,开发AI量化策略我们可以理解为将机器学习应用在量化投资领域。我们通过下面一张图来直观理解一下什么是机器学习:人类对新问题做出有效决策依靠的是过去积累的许多经验,并对经验进行利用,而对机器来说,“经验”以“数据”方式存在,机器从过去众多“数据”原创 2021-05-07 23:04:13 · 2653 阅读 · 3 评论 -
python_pygame_alpha-beta剪枝算法_玩中国象棋
本文主要内容:python Pygame alpha-beta剪枝算法 玩中国象棋 相当于入门水平,我还是能下赢它完整简洁并有详细注释的代码:python Pygame alpha-beta剪枝算法 玩中国象棋 相当于入门水平运行入口为:chinachess.py算法和代码解释请查看参考文献里的文章1、界面演示2、关键代码可视化中国象棋运行入口import timeimport pygameimport ChinaChess.constantsfrom ChinaChess原创 2021-03-14 14:56:24 · 2054 阅读 · 6 评论 -
python_强化学习算法DQN_玩五子棋游戏
本文公开一个基于强化学习算法DQN的五子棋游戏自动下棋算法源码,并对思路进行讲解。源码地址:python_强化学习算法DQN_玩五子棋游戏一个基于CNN构成的DQN算法的8*8的五子棋游戏1、Q-Learning介绍Q-Learning的思想并不是很复杂,很多文章都有详细的介绍,这里只是简单举个例子,不做详细讲解。如何用简单例子讲解 Q - learning 的具体过程?2、DQN介绍DQN也叫deepQ-Learning,在Q-Learning前面加一个Deep。Q-Learning有一原创 2021-03-14 14:38:27 · 8469 阅读 · 13 评论 -
Python_强化学习_Q-Learning算法_二维迷宫游戏
在该项目中,你将使用强化学习算法(本文使用的Q-Learning),实现一个自动走迷宫的机器人。机器人初始位置在地图左上角。在我们的迷宫中,有墙壁(黑色方块)、元宝(黄色圆块)及终点(绿色方块)。机器人要尽可能避开陷阱,并且拿到元宝后,以最少的步子到达终点。机器人可执行的动作包括:向左走 L 、向右走 R 、向上走 U 、向下走原创 2021-03-14 13:10:22 · 6147 阅读 · 6 评论 -
AI人年度必看的222页报告!九大要点解读,中国AI论文引用首超美国
原文链接智东西(公众号:zhidxcom)编译 | 智东西编辑部编辑 | 漠影智东西3月4日消息,斯坦福大学刚刚发布一份222页的《2021年度AI指数报告》,从跨越十年的时间维度,对人工智能技术和产业的发展进行了分析解读。这是人工智能学术人和产业人每年必看的一份报告。自2017年以来,斯坦福大学连续4年推出AI指数报告,每一份都以包罗万象、数据详实而广受好评。《2021年度AI指数报告》涉及人工智能的学术研究、技术趋势、落地领域、国家政策、区域差异、求学就业、伦理等众多方面,麦肯锡、谷歌、Open转载 2021-03-05 14:03:02 · 1538 阅读 · 0 评论