- 综合排序
- 最热优先
- 最新优先
- 来自专栏null的专栏
智能算法——PageRank
5、迭代计算求解PageRank值 通过迭代公式： ? 求解PageRank值，当 ? 和 ? 的误差在一定的范围内，即为最终的PageRank值。
1.2K50发布于 2018-03-19 - 来自专栏null的专栏
智能算法——PageRank
5、迭代计算求解PageRank值 通过迭代公式： ? 求解PageRank值，当 ? 和 ? 的误差在一定的范围内，即为最终的PageRank值。
3.2K40发布于 2019-02-13 人工智能算法概述
常见应用场景 图像分类（如手写数字识别） 文本分类（如垃圾邮件识别） 生物信息学中的分类问题 5.K均值聚类 用于将数据分成K 个不同的组（簇/类），目标是让同一组内的数据尽量相似，不同组间的数据尽量不同 多峰函数优化 神经网络训练：如权重与结构优化 工程优化：如参数设计、结构优化 路径规划：如机器人路径、无人机航迹 调度与组合优化：如任务分配、资源调度 24.蚁群优化 通过模拟蚂蚁群体信息素交流寻找最优路径的智能算法
67020编辑于 2026-01-05- 来自专栏bit哲学院
人工智能算法总结
Naive Bayes） 3.多项朴素贝叶斯（Multinomial Naive Bayes） 4.平均-依赖性评估（Averaged One-Dependence Estimators，AODE） 5. 5.二分类决策森林（Two-class Decision Forest）：适用于训练时间短、精准的场景。 5.“一对多”多分类（One-vs-all Multiclass）：取决于二分类器效果。 (3)回归算法（Regression） 回归问题通常被用来预测具体的数值而非分类。 5.贝叶斯线性回归（Bayesian Linear Regression）：适用于线性模型，训练数据量较少的场景。 (5) 异常检测算法（Anomaly Detection） 异常检测是指对数据中存在的不正常或非典型的分体进行检测和标志，有时也称为偏差检测。
2.8K33发布于 2021-01-31 - 来自专栏搜狗测试
智能算法评测系统实践
【任务分发系统】 一些小量级的评测人工部署就好，但智能算法效果的评估往往评测数据量级都很大，这时就需要一个强大的系统来提升效率和减少人力成本。 综上所述，一个优秀的任务分发系统应具有极强的稳定性和较好可恢复性，同时最好还能借助智能算法更高效地分配任务。 效率低的话，要么评测结果出的慢耽搁智能算法改进，要么就只能堆机器去提升整体效率，成本很高。 3 ● 评测结果的分析 ● 【概览】 评测系统设计是灵魂，任务执行是躯干，那评测结果就是做的事了，最终还需要有一套完善的机制让评测结果能够成功推进智能算法的改进。 一个优秀的评测系统，应该是从用户角度出发，结合产品特性全面把控各项指标，同时能够准确、稳定、高效完成各种评测任务，推进智能算法不断改善。 没有科学，爱是无力的；没有爱，科学是破坏性的。
1.1K20发布于 2019-09-26 - 来自专栏搜狗测试
智能算法评测系统实践（一）
随着人工智能的发展，我们现在各个产品线中都融入大量的智能算法，方便了用户的同时也给我们评价产品的具体效果带来了很大的困难。 这里就简单介绍一些我们在智能算法评测实践过程中的一些心得，主要会从评测系统的设计、评测的执行以及评测结果的分析三个方面展开，由于内容较多这篇文章我们重点阐述第一点。
1.9K20发布于 2019-08-19 - 来自专栏码出名企路
智能算法之禁忌法搜索
0.005); if get(stop,'value')==1 break; end %存储中间结果为图片 if (p==1||p==5|
69810编辑于 2022-06-16 - 来自专栏码出名企路
智能算法之遗传算法
5.
87320编辑于 2022-06-16 - 来自专栏计算机工具
人工智能算法-SVM, KNN
算法的描述： 1）计算测试数据与各个训练数据之间的距离； 2）按照距离的递增关系进行排序； 3）选取距离最小的K个点； 4）确定前K个点所在类别的出现频率； 5）返回前K个点中出现频率最高的类别作为测试数据的预测分类
56010编辑于 2024-12-14 - 来自专栏联远智维
边缘网关及智能算法
具体的框架如下图所示：图片 附1：边缘网关在实际中具有广泛的应用，主要的优势体现在：1、将嵌入式设备中涉及的复杂计算移植到边缘端，有效的解决了硬件消耗等问题；2、将区域内的信息进行收集、汇总、融合，后续通过智能算法提取出关键信息
1.3K91编辑于 2022-10-31 - 来自专栏联远智维
智能算法在假肢上的应用
基于假肢设计的相关经验（本科期间）以及对智能算法的了解，在假肢设计过程中引入智能算法，准确地进行下肢运动意图识别，使得残疾人穿戴动力假肢行走过程中，假肢在下肢腿蹬时刻自动为残疾人提供助力。 其中，智能算法识别可以采用LDA，详细资料参考https://blog.csdn.net/weixin_40604987/article/details/79615968，具有源代码。
70120编辑于 2022-01-20 - 来自专栏决策智能与机器学习
算法基础（7）| 主流智能算法概览
本文将其中智能算法有关精彩观点进行摘要。 主要产品： 1）文本分类和聚类 2）信息检索和过滤 3）信息抽取 4）问答系统 5）机器翻译 ? 5.报告目录 ?
81030发布于 2020-08-04 - 来自专栏CSDN小华
数学建模--智能算法之免疫算法
within a certain range self.antibodies = np.random.rand(num_antibodies, num_dimensions) * 10 - 5 # Example: range (-5, 5) # Evaluate the fitness of each antibody self.fitness
65110编辑于 2024-10-16 - 来自专栏做数据的二号姬
认真聊AI | 群智能算法
原创内容 No.711 认真聊AI | 群智能算法 人类最有意思的一点就在于总能从自然界找到各种各样的参考并应用。 我们把由简单个体组成的群落与环境以及个体之间的互动行为称作群智能，而这种受动物群体智能启发的算法则称为群智能算法。 在计算机领域，群智能算法包括粒子群优化算法，蚁群算法、人工免疫算法等。 遗传算法等进化算法本质上也是一种群智能算法，都是受自然现象的启发，基于抽取出的简单自然规则而发展出的计算模型。 也就是说，对于群智能算法，不一定能得到最优解，但是一定可以得到一个比较好的解。对于群智能算法而言，关键的地方在于如何保证算法的收敛效率和避免陷入局部最优，这大概就是算法工程师们常说的玄学调参吧。
77710编辑于 2025-01-13 - 来自专栏CSDN小华
数学建模--智能算法之鱼群算法
max_iter = 100 # Maximum number of iterations num_agents = 30 # Number of fish (agents) dim = 5
88410编辑于 2024-10-16 - 来自专栏CSDN小华
数学建模--智能算法之蚁群优化算法
蚁群优化算法（Ant Colony Optimization, ACO）是一种模拟蚂蚁觅食行为的群体智能优化算法，由Marco Dorigo于1992年在他的博士论文中首次提出。该算法灵感来源于蚂蚁在寻找食物过程中发现路径的行为，通过模拟这种行为来解决组合优化问题。
1.8K10编辑于 2024-10-16 - 来自专栏人工智能快报
Google正在研发新型人工智能算法
据英国《卫报》报道，美国Google公司的杰夫•辛顿教授宣称，谷歌正在开发一种新型人工智能算法，该算法具有逻辑、自然对话甚至调情的能力。 辛顿教授表示谷歌正在研究的这种新型人工智能算法可以将认知编码为一系列数字，他称之为“认知向量”。
1.1K80发布于 2018-03-07 - 来自专栏CSDN小华
数学建模--智能算法之粒子群优化算法
粒子群优化（Particle Swarm Optimization, PSO）算法是一种基于群体智能的优化方法，最早由Kennedy和Eberhart于1995年提出，灵感来源于对鸟群觅食行为的研究。该算法通过模拟鸟群觅食过程中的迁徙和群集行为，利用群体中个体之间的协作和信息共享来寻找最优解。
1.3K10编辑于 2024-10-16 - 来自专栏BM CTF
人工智能算法：推动未来的技术引擎
本文将带你深入了解人工智能算法的魅力、种类以及未来趋势，探讨它们如何推动我们进入一个全新的时代。 一、人工智能算法的魅力 人工智能算法的魅力在于它们能够模拟人类的思维过程，实现自主学习、推理和决策。 二、人工智能算法的种类 人工智能算法种类繁多，每种算法都有其独特的优势和适用场景。以下是几种常见的人工智能算法： 监督学习算法：通过已有的带标签数据进行训练，使模型能够预测新数据的标签。 三、人工智能算法的未来趋势 随着技术的不断进步，人工智能算法的发展也呈现出以下趋势： 算法性能持续提升：随着计算能力的提升和数据资源的日益丰富，人工智能算法的性能将不断提高，为实现更复杂的任务提供可能。 算法应用领域不断拓展：人工智能算法将在更多领域得到应用，如自动驾驶、智能家居、医疗诊断等，为人类生活带来更多便利和惊喜。 四、总结 人工智能算法作为推动未来发展的重要技术引擎，正以其独特的魅力改变着我们的生活。
78610编辑于 2024-02-20 - 来自专栏人工智能快报
人工智能算法被用于分析LHC数据
如果粒子物理学家与人工智能研究人员各自独立开展工作，那么下一代粒子对撞机实验将需要采用一些世界上最先进的思维机器。这些机器应能基于少量的信息发现更多信息。在瑞士日内瓦附近地区开展大型强子对撞机（LHC）实验的物理学家们出于知识探索和对近十年搜集的大数据的管理需求，开始向人工智能专家寻求帮助。 2015年11月9-13日，欧洲核子研究中心举办的一个研讨会聚集了物理学家与人工智能专家，讨论了先进的人工智能技术对LHC研究的促进作用，粒子物理学家们已经意识到他们无法独自完成LHC的研究。 计算机科学家们纷纷响应。
1.3K130发布于 2018-03-07
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