- 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 3-4 创建Numpy数组(和矩阵)
In [16]: np.random.randint(0, 10, 10) Out[16]: array([2, 5, 2, 4, 1, 2, 2, 8, 7, 7]) 有时为了保证机器学习实验的可重复 # 查看random模块的帮助文档 在 Jupyter Notebook 内部查看帮助文档 help(np.random.normal) References： Python3入门机器学习 经典算法与应用
86210编辑于 2022-05-25 - 来自专栏Hank’s Blog
3-4 列表的子集
#列表的子集 Subsetting List #[[]] / $ / [[]][] / [[]][[]] #嵌套列表 /不完全匹配(partial matching) > x <- list(id=1:4,height=170,gender="male") > x[1] #找第1列的元素 $`id` [1] 1 2 3 4 > x["id"] #两个函数作用相同 $`id` [1] 1 2 3 4 > x[[1]] [1] 1 2 3 4 > x[["id"]] [1] 1 2 3 4 > x
87810发布于 2020-09-16 - 来自专栏python3
3-4 文件读写例子
3-3 文件读写例子 u本节学习目标： n学习通过文件流FileStream打开文本文件、写入文本文件、设置文件属性、实施对文件的目录操作管理的基本方法 n学习文件对话框的基本操作方法 n学习通过文件流 FileStream获取用户选择文件夹及文件夹信息；获取用户选择文件信息； n学习通过文件流FileStream建立一个新的文本文件，重新写文本信息流，如何在C#中定义文件和文件夹 n学习文件流的资源释放意义以及释放资源的基本顺序 n学习如何针对文本文件进行复杂的编辑，综合查询，删除，插入等操作。 3-3-1 案例学习：文件流FileStream综合案例（一） 本次实验目标是通过一个窗体，如图3－7所示，在点击相应按钮控件时，可以完成对文件的读写操作、磁盘操作以及对目录的管理操作。
1.1K30发布于 2020-01-14 - 来自专栏python3
3-4 文件读写例子(2)
向项目中添加名为FileOption.cs的类文件，并准备填写关于文件操作的各种方法，如图3－8所示：
53930发布于 2020-01-14 - 来自专栏python3
3-4 文件读写例子(4)
/*******************************************************
50830发布于 2020-01-14 - 来自专栏python3
3-4 文件读写例子(3)
//==============================第二部分：类设计============================
50510发布于 2020-01-08 - 来自专栏数据科学与人工智能
【深度学习】深度学习
深度学习的起源 深度学习（Deep Learning）是机器学习中一个非常接近AI的领域，其动机在于建立、模拟人脑进行分析学习的神经网络。深度学习属于无监督学习。 深度学习的概念源于人工神经网络的研究。 深度学习可通过学习一种深层非线性网络结构，实现复杂函数逼近，表征输入数据分布式表示，并展现了强大的从少数样本集中学习数据集本质特征的能力。含多隐层的多层感知器就是一种深度学习结构。 深度学习正是希望通过模拟人脑多层次的分析方式来提高学习的准确性。 深度学习的动机 学习基于深度架构的学习算法的主要动机是： ①不充分的深度是有害的； 在许多情形中深度2就足够(比如logicalgates, formal[threshold] neurons
2.4K72发布于 2018-02-27 - 来自专栏python3
3-4 文件流类FileStream
3-2 文件流类FileStream u本节学习目标： nFileStream文件流类 nFileStream文件流类的创建 nFileMode和FileAccess，FileShare方法基本介绍及注意事项
95220发布于 2020-01-07 - 来自专栏人工智能与演化计算成长与进阶
11机器学习系统设计3-4查全率查准率F1分数
“参考资料 斯坦福大学 2014 机器学习教程中文笔记 by 黄海广 11.3 偏斜类的误差度量 Error Metrics for Skewed Classes 偏斜类 Skewed Classes 假设我们编写一个非学习而来的算法，在所有情况下都预测肿瘤是良性的，那么误差只有 0.5%。然而我们通过训练而得到的神经网络算法却有 1%的误差。 对于同一个机器学习系统不同的阈值往往对应 不同的查准率和查全率 ，那如何选择阈值才能平衡查准率和查全率，使其都有较好的结果呢？ ?
82510发布于 2020-08-14 - 来自专栏智能大数据分析
【深度学习基础】深度学习导论
本专栏将开启机器学习之旅，并特别关注深度学习（deep learning，DL）的基础知识。深度学习是一套强大的技术，它可以推动计算机视觉、自然语言处理、医疗保健和基因组学等不同领域的创新。 数据集的由小变大为现代深度学习的成功奠定基础。在没有大数据集的情况下，许多令人兴奋的深度学习模型黯然失色。就算一些深度学习模型在小数据集上能够工作，但其效能并不比传统方法高。 深度强化学习（deep reinforcement learning）将深度学习应用于强化学习的问题，是非常热门的研究领域。 四、起源 为了解决各种各样的机器学习问题，深度学习提供了强大的工具。虽然许多深度学习方法都是最近才有重大突破，但使用数据和神经网络编程的核心思想已经研究了几个世纪。 虽然深度学习是机器学习的一个子集，但令人眼花缭乱的算法和应用程序集让人很难评估深度学习的具体成分是什么。这就像试图确定披萨所需的配料一样困难，因为几乎每种成分都是可以替代的。
64610编辑于 2025-01-22 - 来自专栏阿泽的学习笔记
深度学习的深度学习路程
MyEncyclopedia 公众号主浙大本硕毕业后在BAT做资深工程开发，精通Java，算法和大数据开发，本可以靠着工程能力成为P9，但出于对AI的强烈兴趣，在业余时间，自学多年，从理论到实践，并最终转行到知名公司任资深机器学习岗 MyEncyclopedia 公众号提炼自己在AI多个领域的学习心得体会：深度学习，强化学习，统计机器学习，算法与工程实现。同时，用上述多个视角来全面看待问题，坚持从第一性原理出发理解推导。 目前，MyEncyclopedia 系列文章包括 深度学习论文解析 深度强化学习实践和理论 基础统计和统计机器学习 多维度思考算法题 动手学 Sutton 强化学习教程 将来，会逐渐完善已有系列并涉及 GNN，NLP，CV，KG，RL 方向的前沿论文和动手实践，并致力于寻求联系 深入数学理论，进一步用动画来可视化，建立直觉的联系 创意编程，用深度学习，强化学习实践cool idea 如果你也想更广更深的学习深度学习和算法的话
1.4K10发布于 2021-07-06 - 来自专栏用户画像
4.4 文件系统疑难点 3-4
为了创建一个文件，应用程序调用逻辑文件系统。逻辑文件系统知道目录结构形式。它将分配一个新的FCB给文件，把相应目录读入内存，用新的文件名更新该目录和FCB，并将结果写回到磁盘。
69410发布于 2018-08-24 - 来自专栏ShowMeAI研究中心
深度学习教程 | 深度学习概论
有很多人想要学习深度学习的这些工具，并应用它们来完成一些智能化应用，吴恩达老师的《深度学习专业课程》是一个非常好的资源和学习起点。 [AI是新的生产力] AI是新的生产力。 显然，AI的各个分支中，发展的最为迅速的就是深度学习。因此现在，深度学习是在科技世界中广受欢迎的一种技术。 推荐文章 深度学习教程 | 深度学习概论 深度学习教程 | 神经网络基础 深度学习教程 | 浅层神经网络 深度学习教程 | 深层神经网络 深度学习教程 | 深度学习的实用层面 深度学习教程 | 神经网络优化算法 深度学习教程 | 网络优化：超参数调优、正则化、批归一化和程序框架 深度学习教程 | AI应用实践策略（上） 深度学习教程 | AI应用实践策略（下） 深度学习教程 | 卷积神经网络解读 深度学习教程 | 经典CNN网络实例详解 深度学习教程 | CNN应用：目标检测 深度学习教程 | CNN应用：人脸识别和神经风格转换 深度学习教程 | 序列模型与RNN网络 深度学习教程 | 自然语言处理与词嵌入
3.3K51编辑于 2022-04-15 - 来自专栏Brian
深度学习笔记-深度学习实战
深度学习实战 前面总结了吴恩达的深度学习课程笔记，博主把后续的深度学习课程笔记总结记录到个人博客里面，以供学习和交流使用。今天总结的是深度学习的超参数调试、正则化和梯度检验。 改善神经网络 依次通过数据集、偏差方差、正则化、梯度爆炸和消失来掌握深度学习的基础理论。 高偏差(训练数据集)->选择一个新的网络模型(含有更多的深度学习层数和隐藏节点数的模型)->重复迭代训练直到偏差降下来为止即模型拟合数据(偏差降到可接受的范围)->检查方差是不是过高(验证数据集)->如果方差过高 ，深度学习网络是如何来实现L2正则化的呢？ 深度学习算法采用BP进行逐步迭代求解参数w和b，那么我们加入正则化后如何进行处理呢？
1.7K60发布于 2018-06-13 - 来自专栏算法微时光
深度学习之初识深度学习
注：本文内容摘自书籍<<Python深度学习 >> 深度学习的优势 深度学习从数据中进行学习时有两个基本特征: 第一,通过渐进的、逐层的方式形成越来越复杂的表示; 第二,对中间这些渐进的表示共同进行学习 总之,这两个特征使得深度学习比先前的机器学习方法更加成功。 梯度提升机,用于浅层学习问题;深度学习,用于感知问题。 为什么是深度学习,为什么是现在 深度学习用于计算机视觉的两个关键思想,即卷积神经网络和反向传播,在 1989 年就已经为人们所知。 此外,深度学习行业已经开始超越 GPU,开始投资于日益专业化的高效芯片来进行深度学习。 参考 书籍<<Python深度学习 >>
1.2K20发布于 2020-04-23 - 来自专栏算法微时光
深度学习之初识深度学习
什么是深度学习（Deep Learning） 人工智能、机器学习与深度学习 人工智能诞生于 20 世纪 50 年代,当时计算机科学这一新兴领域的少数先驱开始提出疑问:计算机是否能够“思考” 我们今天仍在探索这一问题的答案 因此,人工智能是一个综合性的领域,不仅包括机器学习与深度学习,还包括更多不涉及学习的方法。 深度学习是机器学习的一个分支领域:它是从数据中学习表示的一种新方法,强调从连续的层(layer)中进行学习,这些层对应于越来越有意义的表示。 “深度学习”中的“深度”指的并不是利用这种方法所获取的更深层次的理解,而是指一系列连续的表示层。 数据模型中包含多少层,这被称为模型的深度(depth)。 参考 <<Python深度学习 >> 神经网络 深度学习入门：一句话告诉你什么是神经网络（CNN,RNN,DNN）
1.2K10发布于 2020-04-23 - 来自专栏数据科学与人工智能
【深度学习】深度学习趋势与框架
2015 年结束了，是时候看看 2016 年的技术趋势，尤其是关于深度学习方面。新智元在 2015 年底发过一篇文章《深度学习会让机器学习工程师失业吗？》，引起很大的反响。 深度学习，或者更宽泛地说——使用联结主义架构的机器学习算法，可能会让机器学习算法变成过去时，因为深度学习算法还远远不是饱和状态。 新智元整理了业内人士关于 2016 年的深度学习技术展望，以及 2015 年深度学习最流行的 10 大框架。 我们会看到深度学习在非监督学习和增强学习方面的突出表现。 Eli David：Deep Instinct CTO 在过去两年，我们看到了深度学习在各个领域获得很大突破。 MXNetJS 允许你在各种计算图像中，运行最新水平的深度学习预测，并给客户端带来深度学习的乐趣。
1.5K50发布于 2018-02-27 - 来自专栏叽叽西
lagou 爪哇 3-4 spring cloud 问答笔记
熔断即断路保护。微服务架构中，如果下游服务因访问压⼒过⼤⽽响应变慢或失 败，上游服务为了保护系统整体可⽤性，可以暂时切断对下游服务的调⽤。这种牺 牲局部，保全整体的措施就叫做熔断。
58920编辑于 2022-05-17 - 来自专栏数据科学与人工智能
【深度学习】深度学习入门资源索引
深度学习（Deep Learning）属于非常前沿的学科，没有现成的的综合型教材，主要是通过阅读大量论文和代码练习来学习。 代码方面推荐使用python为基础的theano框架，因为它比较偏底层，可以从细节掌握如何构建一个深度学习模块，而且方便结合python在数据领域的其它积累，例如numpy。 5、自然语言处理中的深度学习： http://cs224d.stanford.edu/ 本教程则偏重于深度学习在自然语言处理领域的运用，词向量等方面知识由此深入。 9、机器学习教程 https://www.cs.ox.ac.uk/people/nando.defreitas/machinelearning/ 牛津大学的机器学习课程，讲到了大量深度学习和强化学习的内容 11、去kaggle实战玩玩吧 http://www.kaggle.com/ 来源：深度学习实验室
1.3K80发布于 2018-02-27 - 来自专栏JNing的专栏
深度学习: 深度学习框架 横向对比
Tensorflow 由 Python API 编写，通过 C/C++引擎 加速； 使用 数据流图 生成 深度学习 中 最常见的 基本单元 。 指定的默认graph 中进行操作) Session (会去遍历那些具有依赖关系的op) Operation (节点) ---- [1] TensorFlow和Caffe、MXNet、Keras等其他深度学习框架的对比
1.2K20发布于 2018-09-28
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