- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI机器学习与深度学习算法
机器学习入门 5-10 线性回归的可解释性
当然梯度下降法不仅仅能够解决线性回归算法，更是在机器学习中求解最优模型一种通用化的方法，甚至在有些模型中我们只能使用梯度下降法来解最优的模型，这是因为对于更复杂的模型来说，我们无法获得这样一个简单的公式来计算这些模型相应的参数的 机器学习算法中很少有像线性回归算法这样通过数学公式推导出方程解的算法。 ?
1.4K00发布于 2019-11-13 - 来自专栏企鹅号快讯
Hinton：5-10年内深度学习取代放射科医生
商用的深度学习乳腺癌检测系统已经在开发中，Hinton说：“很显然，5年内深度学习就能超过放射科医生，或许会用10年，我在医院里说过，结果反响很糟糕。” Hinton对自动化医学未来的预测建立在一个简单的原则基础之上：“在有大量数据的地方，采取旧的分类问题，这将通过深度学习来解决。将有数以千计的深度学习应用。” 斯坦福大学还创建了胸部X射线的热图，颜色代表最可能代表肺炎的图像区域，研究人员认为CheXnet可以极大地帮助人类放射科医生的工具。 如果使用1.0分表示100％的准确性，那么标准指导得分0.728，机器学习模型的范围从0.745到0.764，最好的分数来自一种称为神经网络的机器学习模型。 换句话说，他们构建了功能连接图，显示了哪些区域和信号彼此关系最密切。
1.5K60发布于 2018-01-05 - 来自专栏CSDN技术头条
未来5-10年，NLP将走向成熟
图1 神经网络机器翻译 图1概括了神经网络机器翻译，简要的说，就是对源语言的句子进行编码，一般都是用长短时记忆（LSTM）进行编码。 图7 莱茵河介绍 我给大家举个例子，说明一下阅读理解。图7中，这一段话的大意是在介绍莱茵河，它流经哪些国家，最终在哪里注入大海。莱茵河畔最大的城市是德国科隆。 未来5-10年，NLP将走向成熟 最后，再介绍一下我对自然语言处理目前存在的问题以及未来的研究方向的一些考虑，供大家参考。 这些知识如何跟数据巧妙结合，从而加快学习的过程、提高学习的质量，这也是比较令人关注的。 通过迁移学习实现领域自适应。如果们想翻某一个专业领域，比如说计算机领域，可能现有的翻译工具翻得不好。 这就要通过一个所谓无监督的学习过程，或者半监督的学习过程增强整体的学习过程。这里也是目前研究上非常令人关注的。
1.3K71发布于 2018-02-12 - 来自专栏coding for love
5-10~11 webpack 性能优化（2）
然后我们修改一下 home.jsx 代码，增加一个三方库，lodash。我们装一下 lodash 然后引入：
1.5K10发布于 2020-05-26 - 来自专栏自然语言处理
图与图学习（下）
例如，在电子商务中，一个基于图（Graph）的学习系统能够利用用户和产品之间的交互来做出非常准确的推荐，但图的复杂性使得现有的深度学习算法在处理时面临着巨大的挑战。 需要注意的是，图神经网络的研究与图嵌入（对图嵌入不了解的读者可以参考这篇文章《图嵌入综述》）或网络嵌入密切相关，图嵌入或网络嵌入是数据挖掘和机器学习界日益关注的另一个课题。 图嵌入旨在通过保留图的网络拓扑结构和节点内容信息，将图中顶点表示为低维向量，以便使用简单的机器学习算法（例如，支持向量机分类）进行处理。 许多图嵌入算法通常是无监督的算法，它们可以大致可以划分为三个类别，即矩阵分解、随机游走和深度学习方法。 图卷积网络是许多复杂图神经网络模型的基础，包括基于自动编码器的模型、生成模型和时空网络等。下图直观地展示了图神经网络学习节点表示的步骤。 ?
92130发布于 2021-03-23 - 来自专栏自然语言处理
图与图学习（中）
在上篇中，我们简单学习了图论的基本概念，图的表示和存储方式，同构图和异构图的分类，以及几个基础的图论算法。 在接下来的前置教程下篇中，我们将会学习图机器学习。 本案例将包含以下内容： 一. 图机器学习 图学习的主要任务 图学习中包含三种主要的任务： 链接预测（Link prediction） 节点标记预测（Node labeling） 图嵌入（Graph Embedding） ---- 链接预测 这相当于监督学习中的train/test的划分。 然后，我们评估密集图的正确预测的比例，或者使用稀疏图的标准曲线下的面积(AUC)。 到目前为止，我们所看到的图的一个局限性是没有向量特征。但是，我们可以学习图的嵌入！ ，链接预测和图嵌入的图学习技术。
1.5K10发布于 2021-03-17 - 来自专栏新智元
【AI全球大战医生】Hinton：5-10年内深度学习取代放射科医生
商用的深度学习乳腺癌检测系统已经在开发中，Hinton说：“很显然，5年内深度学习就能超过放射科医生，或许会用10年，我在医院里说过，结果反响很糟糕。” Hinton对自动化医学未来的预测建立在一个简单的原则基础之上：“在有大量数据的地方，采取旧的分类问题，这将通过深度学习来解决。将有数以千计的深度学习应用。” 斯坦福大学还创建了胸部X射线的热图，颜色代表最可能代表肺炎的图像区域，研究人员认为CheXnet可以极大地帮助人类放射科医生的工具。 如果使用1.0分表示100％的准确性，那么标准指导得分0.728，机器学习模型的范围从0.745到0.764，最好的分数来自一种称为神经网络的机器学习模型。 换句话说，他们构建了功能连接图，显示了哪些区域和信号彼此关系最密切。
1.1K60发布于 2018-03-20 - 来自专栏机器之心
图论与图学习（二）：图算法
本文是其中第二篇，介绍了图算法。 前一篇文章介绍了图的主要种类以及描述一个图的基本特性。现在我们更加详细地介绍图分析/算法以及分析图的不同方式。 我们将在第三篇文章中介绍图中的机器学习和图学习。 四 总结 现在我们已经介绍了图的基础知识、图的主要类型、不同的图算法和它们使用 networkx 的 Python 实现。 下一篇文章我们将介绍图学习，这能提供预测图中节点和边的方法，从而处理缺失值或预测新的关系。 扩展阅读： Neo4j 的图算法全面指南，Mark Needham & Amy E.
4.4K22发布于 2019-08-06 - 来自专栏机器之心
实时文生图速度提升5-10倍，清华LCMLCM-LoRA爆火，浏览超百万、下载超20万
文生图、图生图已经不是什么新鲜事。但在使用这些工具的过程中，我们发现它们通常运行缓慢，导致我们要等一段时间才能拿到生成结果。 据统计，LCM 能将主流文生图模型的效率提高 5-10 倍，所以能呈现出实时的效果。 在 X 平台上，不少研究者也晒出了他们利用该模型实现的生成效果，包括图生图、视频生成、图像编辑、实时视频渲染等各类应用。 然而，由于一致性模型局限于无条件图片生成，导致包括文生图、图生图等在内的许多实际应用还难以享受这一模型的潜在优势。 研究方向包括深度强化学习、扩散模型。此前以一作身份在ICLR等会议上发表spotlight论文和口头报告。
1.7K50编辑于 2023-11-16 - 来自专栏人工智能头条
未来5-10年，自然语言处理将走向成熟
图1 神经网络机器翻译 图1概括了神经网络机器翻译，简要的说，就是对源语言的句子进行编码，一般都是用长短时记忆（LSTM）进行编码。 图7 莱茵河介绍 我给大家举个例子，说明一下阅读理解。图7中，这一段话的大意是在介绍莱茵河，它流经哪些国家，最终在哪里注入大海。莱茵河畔最大的城市是德国科隆。 未来5-10年，NLP将走向成熟 最后，再介绍一下我对自然语言处理目前存在的问题以及未来的研究方向的一些考虑，供大家参考。 这些知识如何跟数据巧妙结合，从而加快学习的过程、提高学习的质量，这也是比较令人关注的。 4.通过迁移学习实现领域自适应。如果们想翻某一个专业领域，比如说计算机领域，可能现有的翻译工具翻得不好。 这就要通过一个所谓无监督的学习过程，或者半监督的学习过程增强整体的学习过程。这里也是目前研究上非常令人关注的。
74830发布于 2018-07-20 - 来自专栏CKL的思考空间
学习累积流图
01 累积流图是如何生成的？团队需要根据自己的研发过程流程节点，记录某天每个节点上的数量，然后以日期为横坐标，卡片数量为纵坐标，生成如下图所示的图形，就是累积流图了。 在迭代中，SM经常还会关注一个图：燃尽图。它是以图表展示随着时间的减少工作量的剩余情况。工作量一般以竖轴展示，时间一般以横轴展示。 燃尽图对于预测何时完成工作很有用，但是它只有结果，没有过程，不利于问题分析。 02 那么，对于累积流图，我们需要关注一些什么呢？以上图为例，我们需要关注以下几点。 在现实的团队中，不太可能出现完美的累积流图，那么，我们可以通过累积流图发现哪些问题呢？ 如上图，在迭代的后期，卡片状态都没有变化了，那么就需要关注下团队在干什么，放假了？ 用累积流图观察一个团队的工作进展时，数值本身不能说明问题，但数值的变化趋势会给我们一些预警，告诉我们哪个环节可能碰到了问题或成为瓶颈。
1.1K10编辑于 2023-08-28 - 来自专栏DrugOne
图对比学习 | 结合图的结构信息和节点特征的图对比学习
最近，对比学习（CL）已成为一种无监督的图表示学习的非常热门的方法。大多数图CL方法首先在输入图上进行随机扩充，得到两个视图，并使两个视图的表示一致性最大化。 尽管图CL方法得到了长足的发展，但图增广方案（CL中的关键组成部分）的设计仍然很少被探索。 本文认为，数据扩充方案应保留图的内在固有结构和属性信息，这使得模型对不重要的节点和边的扰动不敏感。 在本文中，作者提出了一种新的具有自适应增强的图对比表示学习方法，该方法结合了图的拓扑和语义方面的各种先验。 具体来说，在拓扑级别，本文基于节点中心性度量设计增强以突出重要的连接结构。 实验表明，提出的方法始终优于现有的最新方法，甚至超过了一些监督学习的对应方法，这证明了采用自适应增强的对比框架的有效性。 ?
2.8K70发布于 2021-02-02 - 来自专栏自然语言处理
图神经网络（01）-图与图学习(上)
来源：百度Aistudio 图神经网络7日打卡营 图（graph）近来正逐渐变成机器学习的一大核心领域，在开始PGL框架学习之前，我们先简单学习一下图论的基本概念，图论的经典算法，以及近些年来图学习的发展 图是什么？ 二. 如何存储图？ 三. 图的类型和性质 四. 主要的图算法 五. 图机器学习的发展 一. 图是什么？ 参考资料，以及更多图论经典算法 图论与图学习（一）：图的基本概念 图论与图学习（二）：图算法 github.com/maelfabien/Graph_Analysis.ipynb aistudio版本Graph_Analysis 更多学习教程 github.com/maelfabien/Machine_Learning_Tutorials 五. 图机器学习的发展 将在PGL系列前置教程：图与图学习（下）展示。
3.5K32发布于 2021-01-27 - 来自专栏全栈程序员必看
活动图学习笔记
1 活动图基本概念 事件流除了用文本形式来表示外，还经常用活动图来表示。为什么有了文本形式以后还要开发这种框图形式呢？ 活动图显示与文本事件流相同的信息。我们在业务模型中用活动框图描述业务过程的工作流。 2 活动图的组成要素 活动图的组成要素主要有：起始点和终止点、活动、迁移、决策框、分支和汇聚。 起始点：指明活动开始位置；一个活动图只能有一个起始点。 终止点：指明活动的结束位置；一个活动图可以有多个结束点，不同的结束点表达系统执行后可以达到不同的结果状态。 2.2 活动 活动是活动图的基本组成部分，一个活动图至少应该包括一个活动。活动用以下符号表示。 另外，可以在活动中增加更多详细的步骤，并且我们通常在这些操作前面加上一些标记字样。 3 带泳道的活动图 4 活动图建模原则 “活动图” 比较直观易懂；与传统的流程图十分的相近，只要能够读懂活动图，就不难画出活动图。
2.4K10编辑于 2022-08-18 - 来自专栏python3
python 学习导图
?
59020发布于 2020-01-14 - 来自专栏快乐八哥
Photoshop切图学习
前端开发中，之前都是Designer给我们切好图，给出readline，所以我们前端工程师基本不自己动手切图，现在换了新的公司，需要我们自己手动切一些图。 2.如何快速从一个大图中切出需要的那个小图(Sign in按钮) 通过上述方法，我们制作了一个简单的放大版的登录按钮，现在要裁剪下来，给前端开发使用。 所以要了解如何从一张很大的图（就是说有很多图层构成的图）切出那个小图（当前就是制作好的登录按钮） 步骤： a.新建一个photoshop文件 然后直接将选中的登录按钮拖放到新的文件上。
1.4K30编辑于 2022-05-11 - 来自专栏水击三千
UML学习-时序图
时序图（Sequence Diagram）是显示对象之间交互的图，这些对象是按时间顺序排列的。顺序图中显示的是参与交互的对象及其对象之间消息交互的顺序。 Parallel fragment (denoted “par”) 表示同时发生 Ø Loop fragment(denoted “loop”) 与 for 或者 Foreach对应 2.时序图实例
2.1K90发布于 2018-02-27 - 来自专栏CreateAMind
模仿学习 比较图
ONE-SHOT HIGH-FIDELITY IMITATION: TRAINING LARGE-SCALE DEEP NETS WITH RL
69520发布于 2018-12-28 - 来自专栏腾讯技术工程官方号的专栏
娓娓道来图模型、图查询、图计算和图学习知识
同时也参与过知识图谱、图计算系统以及图表示学习算法等的研发。 图学习主要是指图表示学习，将图中的顶点映射到低维向量空间，要求向量间的相对距离能够尽可能地反映原顶点在图结构关联强度上的相对大小，实现非欧图数据向欧式向量空间的转变（图数据无法满足欧式空间约束）。 而点向量则是可以作为特征无缝地支持下游深度学习任务，因此图学习也是在工业界落地最多，使用最普遍的图技术。 图表示学习的核心本质在于表示学习，图只是作为数据源，因此图表示学习的技术部分主要在于表示学习，除了数据外，并没有图的语义，也没有图的算法，理解这点对如何使用、何时使用图表示学习至关重要。 这里向大家分享下思考的心得：构图关联对问题的指向性决定了表示学习的是否有效果。还是回到刚才的问题，即图表示学习有用时，是表示学习起了作用还是图起了作用。
4.2K33发布于 2021-01-26 - 来自专栏算法修养
pta习题集 5-10 切分表达式——写个tokenizer吧
[先说点出题背景] 这个题是为低年级同学、学C语言的同学准备的，因为，对这部分同学，这个题目编写起来略有一点复杂。如果是高年级、学过了正则表达式（Regular Expression）的同学或者学过了Java等OO语言的同学做这个题，应当发现这题比较简单吧。哦，对了，什么是tokenizer？请自行查询解决。反正在此处不应翻译成“令牌解析器”。 [正题] 四则运算表达式由运算数（必定包含数字，可能包含正或负符号、小数点）、运算符（包括+、-、*、/）以及小括号（(和)）组成，每个运算数、运算符和括号
1.1K60发布于 2018-04-27
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号