- 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 5-6 最好的衡量线性回归算法的指标R squared
本小节主要介绍衡量线性回归算法最好的指标R squared。 引入R squared 前一小节提出了MSE、RMSE以及MAE三种衡量线性回归算法的指标，但是这些指标其实还有一些问题。 ? 在分类问题中，使用分类准确度作为分类算法的衡量标准，分类准确度取值是在[0, 1]之间的： 如果是1代表分类准确度是最好的，是100%； 如果是0代表分类准确度是最差的，是0%。 由于分类准确度的范围就是在 [0, 1]之间，因此对于不同的分类算法来说，使用分类准确度可以很容易的比较算法的优劣。 由于此时讲的是简单线性回归因此一直没有引入LinearRegression这个类，之前介绍kNN算法的时候，有score这个函数，这个函数直接度量kNN算法的准确度，线性回归算法中也有一个相应的score 函数，对于线性回归算法，score函数将直接返回的是R平方这个标准，从这一点也可以看出R方这个标准是重要的，也是使用最为广泛的标准。
2.4K40发布于 2019-11-13 - 来自专栏CV学习史
Thinking in Java学习杂记(5-6章)
Java中可以通过访问控制符来控制访问权限。其中包含的类别有：public, “友好的”(无关键字), protected 以及 private。在C++中，访问指示符控制着它后面所有定义，直到又一个访问指示符加入为止，而在Java中，每个访问指示符都只控制着对那个特定定义的访问。
55530发布于 2020-04-02 - 来自专栏人工智能与演化计算成长与进阶
16推荐系统5-6协同过滤算法低秩矩阵分解均值归一化
一位用户最近看上一件产品，有没有其它相关的产品，你可以推荐给他 协同过滤算法 我将要做的是：实现一种选择的方法，写出 协同过滤算法 的预测情况 我们有关于五部电影的数据集，我将要做的是，将这些用户的电影评分 使用 协同过滤算法 对参数进行学习，并使用公式 对推荐的结果进行预测，得到一个预测值的矩阵，这个矩阵的预测结果和用户评分数据矩阵 Y 中数据一一对应： ? (即向量为 n 维，没有截距项 ) ,想通过 协同过滤算法 预测 Eve 用户的偏好特征 ,如下图所示： ? 用平均值代替新用户的值 如上分析所示，如果新用户在没有对任何电影进行评分的状况下使用协同过滤算法进行预测，最终 得不到任何有意义的结果 ，此时我们想到，对于新用户，我们可以使用每部电影的评分平均值来代替 然后我们利用这个新的 Y 矩阵来训练算法，如果我们要用新训练出的算法来预测评分，则需要将平均值 重新加回去，即计算 为最终评分.对于 Eve，虽然 仍等于 0，但是加上平均值后，我们的新模型会认为她给每部电影的评分都是
1.2K10发布于 2020-08-14 - 来自专栏腾讯云大数据
大数据产品双月刊 | 5-6月
本期热点产品 弹性 MapReduce 本期腾讯云EMR于作业诊断能力重磅增强，通过控制台提供用户泛hadoop组件中应用层原生明细信息、作业及Hive查询的日志现场，简化了用户应用层异常排查的操作过程。同时推出配置对比、扩容指定配置组、标签分账、磁盘检查更新等功能，优化了集群运维管理体验，并显著提升资源管理的便捷性。 Elasticsearch Service 本期腾讯云ES重磅推出了自治索引，通过实时跟踪业务压力变化，能够动态、稳定的调整分片数与滚动周期，实现一站式索引全托管！同时，也推出了索引管理可视
81220编辑于 2022-07-12 - 来自专栏机器视觉工坊
AI算法分类
AI算法分类如下： 一、机器学习算法 监督学习 1、回归算法：线性回归和逻辑回归。 线性回归：进行直线或曲线拟合，一般使用“最小二乘法”来求解。 kNN算法是一种判别模型，即支持分类问题，也支持回归问题，是一种非线性模型。它天然的支持多分类问题。kNN算法没有训练过程，是一种基于实例的算法。 无监督学习 7、K均值算法核心：把样本分配到离它最近的类中心所属的类，类中心由属于这个类的所有样本确定。k均值算法是一种无监督的聚类算法。 和其他类型的神经网络一样，循环神经网络是一个判别模型，既支持分类问题，也支持回归问题，并且支持多分类问题 三、大数据算法 数据挖掘&数据分析 推荐算法 四、一些算法本身并不算是一个机器学习算法 ，而是为了解决某个子问题而诞生的机器学习算法的子算法，如深度学习的神经网络的训练一般采用反向传播算法，梯度下降法。
2.6K20发布于 2020-07-28 - 来自专栏算法修养
pta 习题集5-6 堆栈操作合法性
假设以S和X分别表示入栈和出栈操作。如果根据一个仅由S和X构成的序列，对一个空堆栈进行操作，相应操作均可行（如没有出现删除时栈空）且最后状态也是栈空，则称该序列是合法的堆栈操作序列。请编写程序，输入S和X序列，判断该序列是否合法。 输入格式: 输入第一行给出两个正整数N和M，其中N是待测序列的个数，M（≤50≤50）是堆栈的最大容量。随后N行，每行中给出一个仅由S和X构成的序列。序列保证不为空，且长度不超过100。 输出格式: 对每个序列，在一行中输出YES如果该序列是合法的堆栈操作序列，或NO如
2K120发布于 2018-04-27 - 来自专栏积累沉淀
必须掌握的八种排序（5-6）--冒泡排序，快速排序
（3）代码实现 /** * 冒泡排序是一种简单的排序算法。它重复地走访过要排序的数列，一次比较两个元素， * 如果他们的顺序错误就把他们交换过来。 * 这个算法的名字由来是因为越小的元素会经由交换慢慢“浮”到数列的顶端。 * 步驟： * 1、比较相邻的元素。如果第一个比第二个大，就交换他们两个。 （3）代码实现 public static void quickSort(int [] a,int left,int right){ //快速排序算法 //找一个基准元素
1K100发布于 2018-01-11 - 来自专栏AI 算法笔记
Python-100例(5-6) 排序&斐波那契数列
这次是分享 Python-100 例的第五和第六题，分别是排序和斐波那契数列问题，这两道题目其实都是非常常见的问题，特别是后者，一般会在数据结构的教程中，讲述到递归这个知识点的时候作为例题进行介绍的。
81920发布于 2019-08-16 - 来自专栏xiaosen
AI - 聚类算法
感谢大家的观看 聚类算法概念 聚类算法是一种无监督学习方法，用于将数据集中的对象划分为若干个簇，使得同一个簇内的对象之间具有较高的相似性，而不同簇的对象之间具有较大的差异性。 聚类算法的应用场景： 商业选址：通过分析用户的地理位置信息，聚类算法可以帮助企业确定新店铺的最佳位置，以最大化覆盖潜在客户。 资源优化：在物流和供应链管理中，聚类算法可以帮助优化资源的分配，例如确定最佳的仓库位置或货物配送路线。 聚类算法因其能够在无监督的环境中发现数据的内在结构和模式，而在各个领域都有广泛的应用。 选择合适的聚类算法和参数对于解决特定问题至关重要。这类方法通常需要预先指定簇的数量，并通过迭代优化来找到最佳的数据划分。典型的划分方法包括K-means算法、K-medoids算法等。 代表性的算法有AGNES（自底向上的聚合算法）和DIANA（自顶向下的分裂算法）。
1.5K10编辑于 2024-03-22 - 来自专栏AI系统
【AI系统】QNNPack 算法
本文将会深入介绍 QNNPACK 算法的实现过程。 前置知识回顾 在介绍 QNNPACK 算法前，先回顾一下传统的矩阵卷积运算方法。 加速库中针对矩阵卷积运算的核心算法，即如文章标题所示的 The Indirect Convolution Algorithm（间接卷积算法）。 对计算进行划分 虽然 QNNPACK 利用了像其他 BLAS 库一样的 PDOT 微内核，但其对具有 8 位元素的量化张量和移动 AI 使用案例的关注带来了非常不同的性能优化视角。 与 Im2Col 算法对比 与基于 Im2Col 的卷积算法相比，间接卷积的性能受到四个因素的影响： 消除非单位卷积的 Im2Col 转换。 可以看到间接卷积算法性能会明显优于其他算法的性能。
94110编辑于 2024-12-13 - 来自专栏sofu456
斗地主ai算法
牌的识别 识别和过滤，即要知道牌是什么牌，还要过滤出那几张牌是需要的牌 sequence = ['3', '4', '5', '6', '7', '8', '9', '10', 'j', 'q', 'k', '1', '2', 'xw', 'dw'] card = ['单牌', '对牌', '三张', '三带一', '单顺', '双顺', '三顺', '飞机','炸弹','四带二'] def to_card(data): return list(map(lambda x:
1.4K10编辑于 2021-12-06 - 来自专栏AI系统
【AI系统】Winograd 算法
在本文将重点介绍 Winograd 优化算法，它是矩阵乘优化方法中 Coppersmith–Winograd 算法的一种应用，按照 Winograd 算法的原理将卷积的运算进行转换，从而减少卷积运算中乘法的计算总量 算法约束与缺点 从上述方法的介绍中可以得知，Winograd 算法通过减少乘法操作的次数，有效降低了计算资源的消耗，从而提高了计算速度。 首先，当应用 Winograd 算法处理单个小局部的二维卷积时，该算法不能直接应用于这样的计算当中，因为产生的辅助矩阵规模过大，可能会对实际效果产生负面影响。 因此，Winograd 算法仅适用于较小的卷积核和分块尺寸。 另一个想法是将 Winograd 算法与空间组织算法结合起来，充分利用局部性和算法分析的优化，将卷积计算通过空间组合优化算法中的拆分方法，将输入拆分成若干个小规模卷积。
83511编辑于 2024-12-17 - 来自专栏决策智能与机器学习
AI算法对抗攻击和防御技术综述「AI核心算法」
关注：决策智能与机器学习，深耕AI脱水干货 ? Athalye等提出了EoT算法来解决第一个问题。 启发式防御算法由研究者通过实验获得，它们在实践中可以做到对一些特定的对抗攻击算 法具有良好的防御性能，但没有对防御性能给出理论性保障；可证明式防御通过理论证明，可以计算出在特定对抗攻击算法攻击下模型的最低准确度 Goodfellow等首先提出对抗训练，他们使用良性样本和通过FGSM算法生成的对抗样本一起训练神经网络，用于增强神经网络的鲁棒性；接着，提出了使用由PGD算法生成的对抗样本进行对抗训练的方法。 这主要是因为，攻击算法只要针对某一类防御生效即可， 然而一个有效的防御算法则需要去防御所有可能的攻击手段。 结束语 近两年来，针对深度学习算法的对抗攻击和防御技术迅速发展。
3.8K10发布于 2020-09-14 - 来自专栏强化学习专栏
黑白棋 AI 算法
文章分类在Pytorch： Pytorch（4）---《黑白棋 AI 算法》 黑白棋 AI 算法 1. 1.2 实验要求 使用 『蒙特卡洛树搜索算法』 实现 miniAlphaGo for Reversi。 使用 Python 语言。 现在 AI 玩家需要大家来完善！ 该部分主要是需要大家使用 『蒙特卡洛树搜索算法』 来实现 miniAlphaGo for Reversi。 完善算法时请注意落子时间：落子需要在 60s 之内！ 落子 3 次不在合法范围内即判断该方失败, 故落子前请检查棋子的合法性。 2.5.1 测试 AI 玩家 如果您已经实现 AIPlayer，你可以选人类玩家、随机玩家与 AIPlayer 算法对战，甚至 AIPlayer 与 AIPlayer 自己对战！
2.4K00编辑于 2024-12-03 - 来自专栏xiaosen
AI - 支持向量机算法
概念 支持向量机（Support Vector Machine, SVM）是一种强大的机器学习算法，主要用于解决二分类问题。 惩罚参数 C SVM中的惩罚参数C是一个非常重要的超参数，它决定了算法对错误分类的容忍度。 在SVM中，C参数用于控制间隔大小与分类误差之间的权衡。 较大的C值意味着算法更加重视分类误差，即算法会尽量减小训练集上的分类错误。相反，较小的C值意味着算法更加重视最大化间隔，即使这可能导致在训练集上有更多的分类错误。
61310编辑于 2024-03-24 - 来自专栏燧机科技-视频AI智能分析
AI人员打架识别算法
AI打架识别算法基于Detection网络模型算法框架，AI打架识别算法识别校园打架斗殴行为，发现立即打架斗殴行为算法会立即抓拍告警推送打架事件信息。 ，而AI人员打架识别算法直接从图片生成位置和类别。 研究现状 目前AI人员打架识别算法，主要有3种主流的方法，分别是：（1）基于Detection的打架检测。其主要思想是: 将打架作为一种类别，通过分类的方式，将打架行为检测出来。 2.选取的方案 我这里选择方案1，AI人员打架识别算法基于目标检测做打架识别。前文也提到了，目前数据集十分匮乏。笔者也是反复查找，终于拿到了国外的一份很好的数据集。 基本流程是：Labelme标注 -> 标注数据整理与格式转换 -> AI人员打架识别算法模型训练 -> 部署2.2 AI人员打架识别算法标注数据整理与格式转换 Labelme标注的数据，无法直接用在训练中
1.6K20编辑于 2023-09-22 人工智能（AI）算法
人工智能（AI）领域包含众多算法，每种算法都有其特点、适用场景和优缺点。从主流人工智能算法类别出发，分类整理各自算法优缺点、适用场景及解决的问题，算法的用途。 一、监督学习（Supervised Learning） 常见算法： 线性回归（Linear Regression） 逻辑回归（Logistic Regression） 决策树（Decision Tree ） 随机森林（Random Forest） 支持向量机（SVM） K近邻算法（KNN） 神经网络（ANN） 典型用途： 分类与回归问题，如：邮件分类、房价预测、图像识别等 算法 优点 缺点 适用场景 解决的问题 VAE 理论扎实、训练稳定 生成质量不如GAN 图像生成、异常检测 生成建模 六、进化算法 & 模拟算法 常见算法： 遗传算法（Genetic Algorithm） 模拟退火（Simulated Annealing） 粒子群优化（PSO） 典型用途： 优化问题求解，如路径规划、超参数调优 算法 优点 缺点 适用场景 解决的问题 遗传算法 全局搜索能力强 收敛慢、不稳定 调参、路径优化 全局优化
1.6K10编辑于 2025-08-29- 来自专栏运维开发王义杰
AI: 机器学习算法总结
引言 机器学习（Machine Learning）是人工智能（Artificial Intelligence, AI）的一个重要分支，通过从数据中自动学习和改进，来实现复杂任务的自动化。 机器学习的算法主要分为两大类：传统算法和神经网络。本文将对这两类算法进行详细介绍，分析其原理、特点以及应用场景。 传统算法 传统的机器学习算法主要包括以下几类： 1. 常见的强化学习算法包括： Q学习（Q-Learning）：基于价值迭代的离散策略学习算法，适用于有限状态和动作空间。 结论 机器学习的传统算法和神经网络各有优势，传统算法结构简单，易于理解和实现，适用于小规模数据和结构化数据；神经网络通过多层结构和非线性激活函数，适用于大规模数据和复杂模式识别任务。 在实际应用中，往往需要根据具体问题选择合适的算法，并结合数据特点进行优化和改进。
1.2K10编辑于 2024-06-25 - 来自专栏xiaosen
AI - 机器学习GBDT算法
梯度提升树 梯度提升树不再使用拟合残差，而是利用最速下降的近似方法，利用损失函数的负梯度作为提升树 算法中的残差近似值。 在GBDT中，无论是分类还是回归问题，都使用CART算法中的回归树来拟合负梯度。这是因为负梯度是连续值，需要用回归树来进行拟合。 GBDT算法的停止条件通常是达到预设的最大迭代次数或者模型性能达到一定的阈值。当模型性能不再显著提升时，可以提前停止迭代，以避免过拟合和过度训练的问题。 XGBoost XGBoost，全称为eXtreme Gradient Boosting，是一种基于提升算法（Boosting）的机器学习算法，旨在通过组合多个弱分类器来生成一个强大的分类器。 在每一步迭代中，算法选择分裂特征和切分点以最大程度地降低目标函数的值。这种优化过程涉及到遍历所有可能的特征和切分点，以找到最佳的分裂方案。
1K10编辑于 2024-03-24 - 来自专栏python
详解AI作画算法原理
本文将深入浅出地探讨AI作画的核心算法原理，分析常见问题与易错点，并通过一个简单的代码示例，带领大家一窥AI艺术创作的奥秘。一、核心概念与原理1. 生成对抗网络（GANs）GANs是AI作画中最著名的算法之一，由Ian Goodfellow等人于2014年提出。它包含两部分：生成器（Generator）和判别器（Discriminator）。 优化算法与训练策略梯度下降法：风格迁移的优化通常采用梯度下降法，通过反向传播计算损失函数关于生成图像像素的梯度，然后更新生成图像以最小化损失。 这要求算法能够理解并融合不同模态间的复杂关系，从而拓宽艺术创作的边界。六、案例分析：知名AI艺术项目1. 随着算法的不断进步，AI创作的图像越来越接近甚至超越人类艺术家的作品。然而，掌握其背后的原理与技巧，避免常见陷阱，才能真正释放AI在艺术领域的无限潜能。
1.9K10编辑于 2024-04-29
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