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
EfficientFormer:高效低延迟的Vision Transformers
我们都知道Transformers相对于CNN的架构效率并不高,这导致在一些边缘设备进行推理时延迟会很高,所以这次介绍的论文EfficientFormer号称在准确率不降低的同时可以达到MobileNet的推理速度。!(https://imghelloworld.osscnbeiji
【专题】数字化转型洞察与实践报告PDF合集分享(附原数据表)
原文链接:https://tecdat.cn/?p33774(https://link.segmentfault.com/?encu9qUSYUqYdxzq96pZG7g5Q%3D%3D.ch8QMiVN83QwhFPBXyRqp6GuIbxVrM4d18JtfCxczTg%3D)
R语言多元(多变量)GARCH :GO-GARCH、BEKK、DCC-GARCH和CCC-GARCH模型和可视化|附代码数据
全文链接:http://tecdat.cn/?p30647(https://link.segmentfault.com/?encT3iwmAdmVp9bJ4qWtwC2Lw%3D%3D.ff%2FX7%2BxW8%2FPYkFOS5D%2F91ozSkcCo%2FrlDKQ4kamSi
R语言用普通最小二乘OLS,广义相加模型GAM ,样条函数进行逻辑回归LOGISTIC分类|附代码数据
原文链接:http://tecdat.cn/?p21379(https://link.segmentfault.com/?encHEKJnEn%2F7odAc%2FiqVuKvdw%3D%3D.yAde6jLcjtAcivL3xmAVAxriIOqTR5bV0iiKY6tkVpY%3
R语言文本挖掘:kmeans聚类分析上海玛雅水公园景区五一假期评论词云可视化|附代码数据
全文链接:http://tecdat.cn/?p32307(https://link.segmentfault.com/?encrX3NPLAGyRMHrT6PlZhXiA%3D%3D.RcedMTDgYwLlPBnAnAAgjQdwwQYly%2ByTBZ5129W3NyA%3D)
R语言用线性模型进行臭氧预测: 加权泊松回归,普通最小二乘,加权负二项式模型,多重插补缺失值|附代码数据
原文链接:http://tecdat.cn/?p11386(https://link.segmentfault.com/?encSFZjrULo8riYbS%2BA8BMN4Q%3D%3D.%2Fxq9TEtsS%2BeTjxlScd8dYJWaypMifnGKtJBqBt859fA%
AI中的传统学习已面临淘汰!揭秘最新增量学习中的优势与挑战
增量学习代表了学术界的一种动态方法,促进逐步和一致的知识同化。与向学习者提供海量信息的传统方法不同,增量学习将复杂的主题分解为可管理的片段。在机器学习中,增量方法训练人工智能模型逐步吸收新知识。这使模型能够保留并增强现有的理解,形成持续进步的基石。什么是增量学习?增量学习是
异常检测:探索数据深层次背后的奥秘《下篇》
异常检测:探索数据深层次背后的奥秘《下篇》异常检测——高维数据异常检测:孤立森林在实际场景中,很多数据集都是多维度的。随着维度的增加,数据空间的大小(体积)会以指数级别增长,使数据变得稀疏,这便是维度诅咒的难题。维度诅咒不止给异常检测带来了挑战,对距离的计算,聚类都带来了难
Embeddig技术与应用 (1) :Embedding技术发展概述及Word2Vec
<blockquote<p编者按:嵌入(Embedding)是机器学习中一种将高维稀疏向量转换为低维稠密向量的技术。其通常用于处理自然语言、图像等高维离散数据。</p<p嵌入能够有效地解决维度灾难问题,减少存储和计算成本,同时提高模型的表达能力。我们还可以通过得到的嵌入向量进行语义相似度计算
基于对数谱图的深度学习心音分类
这是一篇很有意思的论文,他基于心音信号的对数谱图,提出了两种心率音分类模型,我们都知道:频谱图在语音识别上是广泛应用的,这篇论文将心音信号作为语音信号处理,并且得到了很好的效果。对心音信号进行一致长度的分帧,提取其对数谱图特征,论文提出了长短期记忆(LSTM)和卷积神经网络(CNN)两种深度学习
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。


