HelloWorld 开发者社区
科技资讯
微软 MAI Code 2 系列进入 Copilot:按工程任务选择编程模型
OpenAI 发布 GPT-6.2 Astra 与 Sol:专业交付、编程效率与团队选型
Qwen4-Max 发布:百万 Token 上下文、多模态与长任务如何落地
Jync 2.2.1 发布:完善告警通知,修复 CDC 与 ETL 可靠性问题
phimint 0.10.0 发布:终端智能体加入交互输入处理
Cursor 更新安全事件调查:扩展分发、历史凭据与团队排查
SoduWork 开源,尝试用独立审查与插件治理组织智能体交付
百度世界提出智能组织思路,关注 AI 从个人工具进入业务闭环
openKylin 全球生态推广会举行,推进本地化与社区合作
光船 1.1.0 尝鲜版二更新,探索 AI 会话与代码生成结合
开源项目
全部项目推荐好文
深度学习的关键术语
_摘要_:本文着重介绍了深度学习的一些关键术语,其中包括生物神经元,多层感知器(MLP),前馈神经网络和递归神经网络。对于初学者来说,掌握它们可以防止在学习请教时的尴尬~深度学习已经成为编程界的一股潮流,因为其在许多领域取得了令人难以置信的成功,使其在研究和工业领域广受欢迎。那么到底什么是深度
Annoy搜索算法(Approximate Nearest Neighbors Oh Yeah)
!图片描述(/img/bV5HCC?w1024&h793)annoy算法的目标是建立一个数据结构能够在较短的时间内找到任何查询点的最近点,在精度允许的条件下通过牺牲准确率来换取比暴力搜索要快的多的搜索速度。!图片描述(/img/bV5HCD?w1024&h7
学习笔记CB009:人工神经网络模型、手写数字识别、多层卷积网络、词向量、word2vec
人工神经网络,借鉴生物神经网络工作原理数学模型。由n个输入特征得出与输入特征几乎相同的n个结果,训练隐藏层得到意想不到信息。信息检索领域,模型训练合理排序模型,输入特征,文档质量、文档点击历史、文档前链数目、文档锚文本信息,为找特征隐藏信息,隐藏层神经元数目设置少于输入特征数目,经大量样本训练能
学习笔记CB008:词义消歧、有监督、无监督、语义角色标注、信息检索、TF-IDF、隐含语义索引模型
词义消歧,句子、篇章语义理解基础,必须解决。语言都有大量多种含义词汇。词义消歧,可通过机器学习方法解决。词义消歧有监督机器学习分类算法,判断词义所属分类。词义消歧无监督机器学习聚类算法,把词义聚成多类,每一类一种含义。有监督词义消歧方法。基于互信息词义消歧方法,两种语言对照,基于大量中英文对照语
学习笔记CB007:分词、命名实体识别、词性标注、句法分析树
中文分词把文本切分成词语,还可以反过来,把该拼一起的词再拼到一起,找到命名实体。概率图模型条件随机场适用观测值条件下决定随机变量有有限个取值情况。给定观察序列X,某个特定标记序列Y概率,指数函数exp(∑λt∑μs)。符合最大熵原理。基于条件随机场命名实体识别方法属于有监督学习方法,利用已标
学习笔记CB005:关键词、语料提取
关键词提取。pynlpir库实现关键词提取。<pre<codecoding:utf8importsysimportimportlibimportlib.reload(sys)importpynlpirpynlpir.open()s&39;怎么才能把电脑
学习笔记CB004:提问、检索、回答、NLPIR
聊天机器人,提问、检索、回答。提问,查询关键词生成、答案类型确定、句法和语义分析。查询关键词生成,提问提取关键词,中心词关联扩展词。答案类型确定,确定提问类型。句法和语义分析,问题深层含义剖析。检索,搜索,根据查询关键词信息检索,返回句子或段落。答案抽取,分析和推理检索句子或段落,抽取提问一致实
学习笔记CB002:词干提取、词性标注、中文切词、文档分类
英文词干提取器,importnltk,porternltk.PorterStemmer(),porter.stem(&39;lying&39;)。词性标注器,pos_tag处理词序列,根据句子动态判断,importnltk,textnltk.word_tokenize(&
学习笔记CB001:NLTK库、语料库、词概率、双连词、词典
聊天机器人知识主要是自然语言处理。包括语言分析和理解、语言生成、机器学习、人机对话、信息检索、信息传输与信息存储、文本分类、自动文摘、数学方法、语言资源、系统评测。NLTK库安装,pipinstallnltk。执行python。下载书籍,importnltk,nltk.download(
如何优雅地使用TensorBoard
为什么需要TensorBoard当我们训练一个deeplearning模型时,怎么样判断当前是过拟合,还是欠拟合等状态呢?实践中,我们常常会将数据集分为三部分:train、validation、test。训练过程中,我们让模型尽力拟合train数据集,在validation数据集上测试
正在加载更多文章…
加载更多已加载文章中没有匹配内容,可继续加载更多。


