- 综合排序
- 最热优先
- 最新优先
- 来自专栏BestSDK
机器学习精华，10问10答
更好的强化学习／深度学习和强化学习的整合；能够可靠地学习如何控制机器人的强化学习算法等。 更好的生成式模型；可以稳定地学习如何生成人类分不出真假的图像、语音、文字的算法。 学习如何学习的算法，以及普适深度学习算法（可以重新设计它们自己的架构，自行优化超参数的算法）。 在未来，哪个机器学习领域会取代深度学习？ Ian Goodfellow：“深度学习”是一个非常广泛的概念，我不确定它是否可以被取代。深度学习只是意味着用更多的处理步骤来学习，而不是仅仅只有一步。 在2006-2011，“深度学习”很流行，但是这里的“深度学习”多是把许多无监督学习算法叠起来，从而为监督学习定义复杂的特征。 GAN类问题 10. 机器学习领域的新人应该了解对抗性机器学习的哪些内容？ Alexey Kurakin：首先，你要对机器学习和深度学习有一定的了解，这样才能理解这个问题的背景。
1K60发布于 2018-03-01 - 来自专栏各类技术文章~
Redis学习（10）更正
Redis的操作命令 1 基础命令 获得符合规则的键名称 keys 表达式（?,* ,[],\?）。 其中，？：匹配任意一个字符；*：匹配0个或者多个任意字符；[]：匹配括号间的任一字符；\?：匹配字
20900发布于 2021-09-18 - 来自专栏NowlNowl_AI
机器学习第10天：集成学习
介绍 集成学习的思想是很直观的：多个人判断的结合往往比一个人的想法好 我们将在下面介绍几种常见的集成学习思想与方法 投票分类器 介绍 假如我们有一个分类任务，我们训练了多个模型：逻辑回归模型 model, accuracy_score(y_test, y_pred)) 运行结果 该示例代码可以看到各个模型在相同数据集上的性能测试，该示例的数据集较小，所以性能相差不大，当数据集增大时 ，集成学习的性能往往比单个模型更优 软投票与硬投票 当基本模型可以计算每个类的概率时，集成学习将概率进行平均计算得出结果，这种方法被称作软投票，当基本模型只能输出类别时，只能实行硬投票（以预测次数多的为最终结果） bagging与pasting =100, max_leaf_nodes=16, n_jobs=-1) model.fit(X_train, y_train) max_leaf_nodes限制了子分类器的最大叶子节点数量 结语 集成学习就是利用了一个很基本的思想
32810编辑于 2024-01-18 - 来自专栏机器学习算法与Python学习
10月机器学习开源项目Top10
作者 | Mybridge 译者 | 林春眄 整理 | Jane 出品 | AI科技大本营 过去一个月里，我们对近 250 个机器学习开源项目进行了排名，并挑选出热度前 10 的项目。 这份清单的平均 github star 数量高达 1345，涵盖了包括深度学习, Tensorflow, 图像分割, 漫画着色, 强化学习，Unity 等主题，希望你能从中找到一个你所感兴趣的项目深入探究 fastai 库是基于 fast.ai 团队进行的深度学习最佳实践研究，包括对视觉，文本，表格和协作（协同过滤）模型的支持，方便研究者直接使用。 它可直接从 Apache Parquet格式的数据集中进行单机或分布式训练，以及深度学习模型的评估。 utm_source=mybridge&utm_medium=blog&utm_campaign=read_more ▌Top 10：Tencent-ml-images Tencent-ml-images
51930发布于 2018-12-05 - 来自专栏AI科技大本营的专栏
10月机器学习开源项目Top10
作者 | Mybridge 译者 | 林春眄 整理 | Jane 出品 | AI科技大本营 【导读】过去一个月里，我们对近 250 个机器学习开源项目进行了排名，并挑选出热度前 10 的项目。 这份清单的平均 github star 数量高达 1345，涵盖了包括深度学习, Tensorflow, 图像分割, 漫画着色, 强化学习，Unity 等主题，希望你能从中找到一个你所感兴趣的项目深入探究 fastai 库是基于 fast.ai 团队进行的深度学习最佳实践研究，包括对视觉，文本，表格和协作（协同过滤）模型的支持，方便研究者直接使用。 它可直接从 Apache Parquet格式的数据集中进行单机或分布式训练，以及深度学习模型的评估。 utm_source=mybridge&utm_medium=blog&utm_campaign=read_more ▌Top 10：Tencent-ml-images Tencent-ml-images
59930发布于 2018-12-05 - 来自专栏小道
Flink学习笔记(10) - CEP
一个或多个由简单事件构成的事件流通过一定的规则匹配，然后输出用户想得到的数据 —— 满足规则的复杂事件
1.4K00编辑于 2022-09-01 - 来自专栏计算机工具
深度学习10：Attention 机制
做个不太恰当的类比，人类学习一门新语言基本经历四个阶段：死记硬背（通过阅读背诵学习语法练习语感）->提纲挈领（简单对话靠听懂句子中的关键词汇准确理解核心意思）->融会贯通（复杂对话懂得上下文指代、语言背后的联系 ，具备了举一反三的学习能力）->登峰造极（沉浸地大量练习）。 这也如同attention的发展脉络，RNN 时代是死记硬背的时期，attention 的模型学会了提纲挈领，进化到 transformer，融汇贯通，具备优秀的表达学习能力，再到 GPT、BERT，通过多任务大规模学习积累实战经验 想要了解更多技术细节，可以看看下面的文章或者视频： 「文章」深度学习中的注意力机制 「文章」遍地开花的 Attention，你真的懂吗？ 另一方面，因为不可导，一般需要用强化学习的方法进行训练。
1K10编辑于 2024-12-14 - 来自专栏米扑专栏
Clojure 学习入门（10）—— httpkit
text/html"} :body "hello ithomer.net"}) (run-server app {:ip "172.27.22.21" :port 8888 :thread 10
1.1K60发布于 2019-02-18 - 来自专栏机器学习原理
机器学习（10）——线性SVM
在不考虑集成学习算法,不考虑特定的数据集的时候,在分类算法中SVM可以说是特别优秀的。
924102发布于 2018-04-27 - 来自专栏mukekeheart的iOS之旅
OC学习10——内存管理
因此，内存管理是学习面向对象语言中非常重要也是非常头疼的一个问题。 而对于我们学习的OC语言，内存管理已经从最开始需要我们进行手动管理发展倒现在可以自动管理了，尽管现在已经不需要我们过多地关心内存管理问题，但是还是有必要了解一些基本概念和思想，这也是本篇文章的出发点。 4 //引用计数加1，为2 5 [person retain]; 6 //引用计数减1，为1 7 [person release]; 8 9 //打印结果是1 10 10、在正常情况下，如果某个函数很长，且在该函数运行过程过程中出现很多中间变量，占据了大量的内存，或者程序在执行过程中创建了大量的临时对象（比喻在循环中创建对象），程序可能需要多次释放这些临时对象，这次程序可以考虑将
79850发布于 2018-02-27 - 来自专栏MasiMaro 的技术博文
Java 学习笔记(10)——容器
之前学习了java中从语法到常用类的部分。在编程中有这样一类需求，就是要保存批量的相同数据类型。针对这种需求一般都是使用容器来存储。之前说过Java中的数组，但是数组不能改变长度。
90950发布于 2019-06-24 - 来自专栏米扑专栏
Python 学习入门（10）—— 时间
:15:49 2013 # hour t = datetime.datetime.now().strftime('%H %l') print(t) # 10 10 # A.M :26:40 if __name__ == "__main__": format_time() 运行结果： 2013-11-20 10:29:26.456640 2013-11-20 10: 29:26 Nov-20-13 10:29:26 Nov-20-2013 10:29:26 Wed Wednesday 46 46 3 Nov November 20 324 Wed Nov 20 10 :29:26 2013 10 10 AM 11/20/13 10:29:26 11/20/13 10:29:26 2013-11-20 09:42:00 2013-11-20 09:42:00 Nov 分钟前' # ctime = '2小时14分钟前' # ctime = '1天24分钟前' # ctime = '1天10小时24分钟前' # ctime = '1天10
60730发布于 2019-02-19 - 来自专栏机器学习算法工程师
《机器学习》笔记-降维与度量学习（10）
对于自己，经历了一段时间的系统学习（参考《机器学习/深度学习入门资料汇总》(https://zhuanlan.zhihu.com/p/30980999)），现在计划重新阅读《机器学习》[周志华]和《深度学习 这两本是机器学习和深度学习的入门经典。 记录笔记，一方面，是对自己先前学习过程的总结和补充。 另一方面，相信这个系列学习过程的记录，也能为像我一样入门机器学习和深度学习同学作为学习参考。 章节目录 k近邻学习 低纬嵌入 主成分分析 核化线性降维 流形学习 度量学习 1 k近邻学习 k近邻（k-Nearest，简称kNN）学习是一种常用的监督学习方法，其工作机制非常简单：给定测试样本，基于某种距离度量找出训练集中与其最靠近的 6 度量学习 在机器学习中，对高维数据进行降维的主要目的是希望找到一个合适的低维空间，在此空间中进行学习能比原始空间性能更好。
79740发布于 2018-07-27 - 来自专栏数据科学与人工智能
【机器学习】10 种机器学习算法的要点
这篇指南的目的，是为那些有追求的数据科学家和机器学习狂热者们，简化学习旅途。这篇指南会让你动手解决机器学习的问题，并从实践中获得真知。 但如果你想要在开始一个机器学习项目之前做些准备，你会喜欢这篇文章的。 广义来说，有三种机器学习算法 1、 监督式学习 工作机制：这个算法由一个目标变量或结果变量（或因变量）组成。 机器从过去的经验中进行学习，并且尝试利用了解最透彻的知识作出精确的商业判断。 强化学习的例子有马尔可夫决策过程。 常见机器学习算法名单 这里是一个常用的机器学习算法名单。 - princomp(train, cor = TRUE) train_reduced <- predict(pca,train) test_reduced <- predict(pca,test) 10 现在我能确定，你对常用的机器学习算法应该有了大致的了解。写这篇文章并提供 Python 和 R 语言代码的唯一目的，就是让你立马开始学习。 如果你想要掌握机器学习，那就立刻开始吧。
93070发布于 2018-02-27 - 来自专栏云计算linux
机器学习必学10大算法
本文介绍了 10 大常用机器学习算法，包括线性回归、Logistic 回归、线性判别分析、朴素贝叶斯、KNN、随机森林等。 1. 线性回归 在统计学和机器学习领域，线性回归可能是最广为人知也最易理解的算法之一。 预测建模主要关注的是在牺牲可解释性的情况下，尽可能最小化模型误差或做出最准确的预测。 线性回归 例如：y = B0 + B1 * x 我们将在给定输入值 x 的条件下预测 y，线性回归学习算法的目的是找到系数 B0 和 B1 的值。 我们可以使用不同的技术来从数据中学习线性回归模型，例如普通最小二乘法的线性代数解和梯度下降优化。 线性回归大约有 200 多年的历史，并已被广泛地研究。 Logistic 回归 Logistic 回归是机器学习从统计学领域借鉴过来的另一种技术。它是二分类问题的首选方法。 像线性回归一样，Logistic 回归的目的
42310编辑于 2024-12-18 - 来自专栏信数据得永生
深度学习快速参考：6~10
输入 CIFAR-10 数据集由属于 10 类的 60,000 张32 x 32彩色图像组成，每类 6,000 张图像。 根据经验，您至少需要几千张某类的图像，而通常最好使用 10 至 2 万张图像。 常见问题域 如果您的目标域至少与源域有些相似，那么迁移学习会很有效。 例如，假设您正在将图像分类为包含猫或狗。 如果要将其重构为无状态 LSTM，则在网络完成学习之前可能需要 100 个周期，而此处我们仅使用 10 个周期。 我们还将比较学习嵌入层与从其他人的权重开始采用迁移学习方法之间的表现。 这两个示例的代码都可以在本书的 Git 存储库中的Chapter10文件夹中找到。 甚至只有 10 个 LSTM 单元也能很好地学习训练数据。 解决此问题的方法可能是添加数据，但实际上不能添加数据，因此保持网络结构简单是一个好主意。 这导致我们使用丢弃法。
73620编辑于 2023-04-23 - 来自专栏达达前端
PHP全栈学习笔记10
PHP全栈学习笔记10 php常量，常量是不能被改变的，由英文字母，下划线，和数字组成，但是数字不能作为首字母出现。 感谢你学习今天的内容，如果你觉得这篇文章对你有帮助的话，也欢迎把它分享给更多的朋友，感谢。 感谢！承蒙关照！您真诚的赞赏是我前进的最大动力！
1.4K30发布于 2019-07-03 - 来自专栏往期博文
MySQL学习10：视图&事务&索引
视图可以看作是一个虚拟的表，可将一些表的关系结合起来进行查看，并实时更新（表的数据变化，视图也会随之变化，因此视图并非表的备份）。 视图用来方便查看，因此只具备查看的功能。不能对视图数据进行修改，视图不是真实的表。
76810编辑于 2022-06-14 - 来自专栏菩提树下的杨过
babylon.js 学习笔记(10)
今天来学习下车床(lathe)建型及粒子系统，babylon.js有一个很强大的函数CreateLathe，可以将一段路径经过旋转后，形成1个shape，这么说有点抽象，比如下面这张图： 其中的关键点坐标为 ： const fountainProfile = [ new BABYLON.Vector3(0, 0, 0), new BABYLON.Vector3(10, 0, 0), new BABYLON.Vector3(10, 4, 0), new BABYLON.Vector3(8, 4, 0), new BABYLON.Vector3(8, 1, 0), , 0, 0), new BABYLON.Vector3(10, 4, 0), new BABYLON.Vector3(8, 4, 0), new BABYLON.Vector3 /babylon_js_study/day10/06.html 在线地址：https://yjmyzz.github.io/babylon_js_study/day10/05.html
62320编辑于 2023-07-10 - 来自专栏小詹同学
机器学习必学10大算法
本文介绍了 10 大常用机器学习算法，包括线性回归、Logistic 回归、线性判别分析、朴素贝叶斯、KNN、随机森林等。 1. 学习向量量化 KNN 算法的一个缺点是，你需要处理整个训练数据集。而学习向量量化算法（LVQ）允许选择所需训练实例数量，并确切地学习这些实例。 ? 学习向量量化 LVQ 的表示是一组码本向量。 它们在开始时是随机选择的，经过多轮学习算法的迭代后，最终对训练数据集进行最好的总结。通过学习，码本向量可被用来像 K 最近邻那样执行预测。 10. Boosting 和 AdaBoost Boosting 是一种试图利用大量弱分类器创建一个强分类器的集成技术。 redirectUrl=https%3A%2F%2Fblog.goodaudience.com%2Ftop-10-machine-learning-algorithms-2a9a3e1bdaff
53600发布于 2019-11-12
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