- 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 5-7 多元线性回归和正规方程
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍多元线性回归以及其正规方程。 01 多元线性回归 前面介绍的都是简单线性回归的问题，样本有一个特征值。 在机器学习中，有时候并不区分，都使用X来表示，但是在线性回归中其实样本矩阵X是多了一列的，这个课程为了保持严谨将加入第0个特征的样本矩阵表示成Xb。 当然，这么方便的可以得到数学解的机器学习模型是非常少的。
1.4K10发布于 2019-11-13 - 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 - 来自专栏各类技术文章~
Vue-基础入门(上)--Part.2(5-7)
这个div上的class属性是动态绑定到color，当我们在控制台把color改为 blue，内容颜色也会变成blue
32420发布于 2021-11-05 - 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 - 来自专栏机器学习与统计学
机器学习、深度学习思维导图
tips：文末附高清大图下载链接 机器学习篇 1. 流程 数据科学不是一蹴而就之事，而是一个需要设计，实施和维护的过程，下图包含对所涉及内容的快速概述。 ? 2. 数据处理 首先，我们需要一些数据。 数学 机器学习是一个建立在数学基础之上。 ? 4. 概念 部分类型，类别，方法，库和方法列表。 ? 5. 模型 目前最流行的机器学习模型。 ? ? 深度学习篇 1.概念 深度学习体系结构的构成，以及每个组件背后的数学注释。 ? 2.架构 根据需要解决的问题，已开发不同的深度学习架构，这是部分内容和调整说明。 ? 3. Tensorflow TensorFlow是一个使用数据流图进行数值计算的开源软件库。思维导图列出了它的一些组件，包和整体架构。 ?
68320发布于 2019-12-05 - 来自专栏Tensorbytes
机器学习思维导图
翻译至dformoso
72910发布于 2019-10-23 - 来自专栏机器人网
【深度】一图看完深度学习架构谱系图
金成勳在 GitHub 上梳理出的谱系图如下，小编在此基础上对各个分支网络做了介绍、补充，希望对读者了解网络体系间的关联有所帮助。如有缺陷，欢迎大家留言补充。 Github 项目地址：https://github.com//hunkim/deep_architecture_genealogy 完整图 ? ? Capsule Net Capsule 是由深度学习先驱 Geoffrey Hinton 等人提出的新一代神经网络形式，旨在修正反向传播机制。 生成模型 人工智能研究的最大难题之一是无监督学习（unsupervised learning），而面向无监督学习的深度学习方法以学习表征（learning representation）问题为核心，不同的算法都会定义一个目标函数 ，该目标函数可以让该学习器获取到其数据表征的关键方面以及一个可以表征数据的新空间。
1.4K50发布于 2018-04-18 - 来自专栏杨焱的专栏
RxJava学习的脑图
image.png
62920编辑于 2021-12-07 - 来自专栏圆圆的算法笔记
图学习？Transformer：我也行！
然而，Transformer在图表示学习领域的发展速度明显不如NLP和CV领域。在图表示学习中，基于图卷积（GCN）的方法仍然是主力模型。 为什么Transformer难以应用到图学习场景中呢？ 然而在图中，不存在空间上的顺序，如何才能设计出图中合理的position encoding，是Transformer在图学习领域应用的一个难点。 这篇文章给大家介绍一下Transformer模型在图学习领域的应用，梳理Transformer在图学习上的发展历程，看看Transformer是如何逐渐杀入图学习领域的。 这篇文章的基础结构为，首先利用图神经网生成每个节点的初始表示，这一步骤借助了GNN的图节点表示学习能力提取每个节点的初步图信息。 4 总结 本文给大家介绍了Transformer在图学习中典型的4篇工作，从GAN，到Graph Transformer，再到去年NIPS上的Graphformer。
83530编辑于 2022-09-22 - 来自专栏叶子的开发者社区
深度学习中的计算图和图优化
深度学习中的计算图是一种用于描述和组织神经网络模型运算的图结构。计算图由节点（nodes）和边（edges）组成，节点表示操作（例如加法、乘法、激活函数等），边表示数据流向（即输入和输出）。 深度学习中的图优化是指对计算图进行优化，以提高模型的计算效率和性能。通过对计算图进行各种优化技术的应用，可以减少冗余计算、提高并行性、减少内存占用等，从而加速训练和推理过程。 下面将详细介绍一些常见的深度学习图优化技术。 ①图剪枝（Graph Pruning）：图剪枝技术主要用于移除计算图中不必要的计算节点和边，以减少计算量。 ③自动微分（Automatic Differentiation）：自动微分是深度学习中反向传播算法的基础，用于计算损失函数对模型参数的梯度。 ④内存优化：深度学习模型通常需要大量的内存用于存储中间结果和参数。
2K40编辑于 2023-07-30
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