人工智能
文章平均质量分 79
lucky-zhao
这个作者很懒,什么都没留下…
展开
-
基于小程序开发的宝可梦图鉴小程序源码课程设计毕业设计
在开发过程中,要注意数据的准确性和完整性,界面的设计和交互,以及小程序的性能和体验等方面的问题,确保小程序的质量和用户体验。此外,这个小程序还提供了丰富的宝可梦资料,包括宝可梦的种类、属性、招式、进化等方面,让用户可以更好地了解宝可梦的特点和属性。最后,作为本人的课程设计和毕业设计,这个小程序源码的开发过程让我深刻体会到了开发的艰辛和乐趣,也更加深入地了解了小程序的开发流程和技巧。3.数据全面:小程序提供了丰富的宝可梦资料,包括宝可梦的种类、属性、招式、进化等方面,让用户可以更好地了解宝可梦的特点和属性。原创 2023-03-07 21:44:32 · 977 阅读 · 0 评论 -
ChatGPT:开启AI新纪元-人工智能AI
ChatGPT系统是由OpenAI公司研发的,它采用了最先进的神经网络模型,可以生成高质量、高度可读性的文本。在问答方面,ChatGPT可以回答各种问题,从简单的数学问题到复杂的哲学问题,从而为人们提供便捷的信息服务。ChatGPT的训练数据来自于互联网上的海量文本,包括新闻、百科、小说、论文等。此外,由于ChatGPT系统具有高度的灵活性,它可以根据用户的需求生成不同风格、不同深度的报告。ChatGPT的核心技术是语言模型,即学习语言的规则和模式,使得机器能够理解人类的语言,并进行自然的交流。原创 2023-03-06 08:42:54 · 4174 阅读 · 0 评论 -
AIGC-AI内容生成深度产业报告
AIGC是指通过人工智能技术生成的各种文本、图像、音频、视频等各种形式的内容,被广泛应用于新闻、广告、电商、游戏、文学、艺术等领域。由于AIGC-AI内容生成技术是基于大数据和机器学习算法,它可以快速分析和归纳大量的数据信息,生成更加准确的报告。此外,由于AIGC-AI内容生成技术具有高度的灵活性,它可以根据用户的需求生成不同风格、不同深度的报告。自动化生产:AIGC可以自动化生成大量的内容,可以在极短的时间内生成大量的文本、图像、音频、视频等形式的内容,为传统的手工创作方式节省了大量的时间和成本。原创 2023-03-06 08:33:20 · 4353 阅读 · 0 评论 -
AIGC-AI内容生成深度产业报告
通过综合分析多种数据模态,基于模态的技术可以提供更加全面和准确的信息支持,帮助企业做出更加精准和可靠的决策,提高企业的竞争力和创新能力。通过综合分析不同模态数据的特征和规律,基于模态的技术可以提供更加全面和准确的信息支持,帮助企业做出更加精准和可靠的决策。零售行业:基于模态的技术可以综合分析多种数据模态,如销售数据、用户评论、社交媒体数据等,提供更加全面和准确的用户行为分析和市场趋势预测,为企业提供更好的销售策略和产品定位。这项技术可以大大提高报告的生成效率和质量,减少人工干预的需求。原创 2023-03-05 23:08:26 · 582 阅读 · 0 评论 -
互联网行业海外ChatGPT专题:ChatGPT风口已至,商业化落地加速
尽管基于LLM的对话模型已经在许多领域得到了广泛的应用,如客服、智能助理和聊天机器人等,但是它仍然面临一些挑战,如模型理解能力的限制和缺乏对话上下文的长期记忆。然而,随着人工智能技术的不断发展,基于LLM的对话模型将在未来继续得到改进和应用,成为人机交互领域的重要技术。与传统的人工智能技术相比,AIGC的优势在于其具有更高的透明度和可解释性,能够更好地控制和管理人工智能系统的行为。总之,AIGC是一个具有广泛应用前景的创新技术解决方案,可以帮助企业加速人工智能技术的商业化落地,并提高企业的效率和创新能力。原创 2023-03-05 23:00:29 · 3191 阅读 · 0 评论 -
ha1.2
知道Hadoop的概念及发展历史说出hadoop的核心组件知道hadoop的优势Hadoop名字的由来Hadoop项目作者的孩子给一个棕黄色的大象样子的填充玩具的命名Apache™ Hadoop® 是一个开源的,可靠的可扩展的(scalable)分布式计算框架允许使用简单的编程模型跨计算机集群分布式处理大型数据集可扩展: 从单个服务器扩展到数千台计算机,每台计算机都提供本地计算和存储可靠的。原创 2023-01-08 19:14:18 · 63 阅读 · 0 评论 -
频繁项集挖掘(二)FP-Growth算法
FP-Growth(Frequent Patterns)相比于Apriori是一种更加有效的频繁项集挖掘算法,FP-Growth算法只需要对数据库进行两次扫描,而Apriori算法对于每次产生的候选项集都会扫描一次数据集来判断是否频繁,因此当数据量特别巨大,且扫描数据库的成本比较高时,FP-Growth的速度要比Apriori快。FP-Growth算法将数据存储在一种被称为FP树的紧凑数据结构中。但是FP-Growth只能用于发现频繁项集,不能用于发现关联规则。# 扫描FP树,找出所有符合条件的频繁项集。原创 2023-01-08 17:47:15 · 394 阅读 · 0 评论 -
电影推荐(ContentBased)_物品冷启动处理
word2vec是google在2013年开源的一个NLP(Natural Language Processing自然语言处理) 工具,它的特点是将所有的词向量化,这样词与词之间就可以定量的去度量他们之间的关系,挖掘词之间的联系。用向量来表示词并不是word2vec的首创最早的词向量是很冗长的,它使用是词向量维度大小为整个词汇表的大小,对于每个具体的词汇表中的词,将对应的位置置为1。原创 2023-01-07 15:23:12 · 88 阅读 · 0 评论 -
基于内容的电影推荐:物品画像
通常数据存储数据,都是以物品的ID作为索引,去提取物品的其他信息数据而倒排索引就是用物品的其他数据作为索引,去提取它们对应的物品的ID列表。原创 2023-01-07 15:18:44 · 94 阅读 · 0 评论 -
05_LFM算法实现
因此最终,我们的目标也就是要求出P矩阵和Q矩阵及其当中的每一个值,然后再对用户-物品的评分进行预测。利用矩阵分解技术,将原始User-Item的评分矩阵(稠密/稀疏)分解为P和Q矩阵,然后利用。由于P矩阵和Q矩阵是两个不同的矩阵,通常分别采取不同的正则参数,如。LFM也就是前面提到的Funk SVD矩阵分解。就表示预测的用户1对物品1的评分,且。还原出User-Item评分矩阵。表示隐含特征1在物品1上的权重值。利用LFM预测用户对物品的评分,表示用户1对隐含特征1的权重值。原创 2023-01-06 12:41:08 · 166 阅读 · 0 评论 -
基于矩阵分解的CF算法
刚才提到的Traditional SVD首先需要填充矩阵,然后再进行分解降维,同时存在计算复杂度高的问题,因为要分解成3个矩阵,所以后来提出了Funk SVD的方法,它不在将矩阵分解为3个矩阵,而是分解为2个用户-隐含特征,项目-隐含特征的矩阵,Funk SVD也被称为最原始的LFM模型。如果想运用SVD分解的话,有一个前提是要求矩阵是稠密的,即矩阵里的元素要非空,否则就不能运用SVD分解。因此最终,我们的目标也就是要求出P矩阵和Q矩阵及其当中的每一个值,然后再对用户-物品的评分进行预测。原创 2023-01-06 12:30:52 · 149 阅读 · 0 评论 -
个性推荐实战案例--基于协同过滤的电影推荐(附数据集)
以上实现,仅用于实验阶段,因为工业上、或生产环境中,数据量是远超过我们本例中使用的数据量的,而pandas是无法支撑起大批量数据的运算的,因此工业上通常会使用spark、mapReduce等分布式计算框架来实现,我们后面的课程中也是建立在此基础上进行实践的。所以在本节,大家要深刻去学习的是推荐算法的业务流程,以及在具体的业务场景中,如本例的电影推荐,如何实现出推荐算法,并产生推荐结果。但是正如前面所说,推荐算法的思想和理念都是统一的,不论使用什么平台工具、有多大的数据体量,其背后的实现原理都是不变的。原创 2023-01-04 11:11:38 · 421 阅读 · 1 评论