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
【总结】反欺诈(Fraud Detection)中所用到的机器学习模型
反欺诈(FraudDetection)是指识别和预防欺诈行为的过程,通常是通过监视和分析数据来识别异常行为和模式。机器学习在反欺诈中发挥了重要作用,可以使用各种机器学习算法来建立预测模型。下面列举了一些常用的机器学习模型:一、逻辑回归(LogisticRegression):
从稀疏表征出发、召回方向的前沿探索
作者|lhy12138<blockquote<p导读</p<p目前百度大搜主要有基于稀疏表征的倒排检索和稠密表征的语义检索双路召回。随着深度学习技术的发展,语义检索的召回效果得到了显著提高;与此同时,因为稀疏表征有着精确匹配、索引效率和可解释的优势,最近学术界重新将目光放回稀疏表
集成时间序列模型提高预测精度
使用Catboost从RNN、ARIMA和Prophet模型中提取信号进行预测集成各种弱学习器可以提高预测精度,但是如果我们的模型已经很强大了,集成学习往往也能够起到锦上添花的作用。流行的机器学习库scikitlearn提供了一个StackingRegressor,可以用于时间序列任务。但是S
Chai 3D之灯光与阴影
推荐:将 NSDT场景编辑器(https://link.segmentfault.com/?encNeR1w54XvFEFudRJV32lKw%3D%3D.KLTow%2FDZ0ZXtj3xv1musHpyB0CEDDsQnMzMFbjjUGzk%3D) 加入你的3D开发工具链介绍
数据分享|PYTHON用决策树分类预测糖尿病和可视化实例|附代码数据
全文下载链接:http://tecdat.cn/?p23848(https://link.segmentfault.com/?encLs7hAQFo73pRc%2FmP6Odgxg%3D%3D.2Y%2BJ7Ccf%2BX98RfguB2Q1%2FruVUvz4xLptp8LhQ3N1
机器学习项目实战(工业蒸汽之数据探索)
注:某些图片截取了一部分,不完整。_核心要领_:通过各种对数据进行可视化,分析数据特征,进行增删改(包括缺失值处理,删除影响模型泛化的数据,进行数据变换从而更好地满足模型的假设条件,数据归一化等)。除了数据本身的进行可视化描述,还可以将数据集和训练集进行比较。导入数据的工
飞浆(paddle)实现机器学习
一:飞浆(paddle)介绍飞桨是国内唯一功能完备的端到端开源深度学习平台,集深度学习训练和预测框架、模型库、工具组件和服务平台为一体,拥有兼顾灵活性和高性能的开发机制、工业级应用效果的模型、超大规模并行深度学习能力、推理引擎一体化设计以及系统化服务支持的五大优势,致力于让深度学习技术
随着以 ChatGPT 为代表的人工智能与产业结合,AI 服务会是未来新型消费的增长点吗?
随着人工智能技术的快速发展,AI服务已经开始成为各个行业的新兴业务。尤其是在消费领域,AI服务已经逐渐走进了人们的日常生活,比如智能家居、智能客服、智能购物助手等。因此,可以说AI服务已经成为未来新型消费的重要增长点之一。AI服务能够提高消费者的购物体验。通过智能推荐、智能客服等AI
ChatGPT的智能性体现在哪里?就当前的发展路径而言,ChatGPT 还有更好的路可以走吗?
最近ChatGPT真的是太火爆了,连我儿子的小学老师都和我在微信上关于这个话题聊了很久。ChatGPT的智能性主要体现在它能够处理各种自然语言的问题,并且具备一定的理解、推理和生成能力。在语言理解方面,ChatGPT可以理解语言的含义和语法结构,能够对自然语言文本进行分词、词性标注、句法
图神经网络的数学原理总结
图深度学习(GraphDeepLearning)多年来一直在加速发展。许多现实生活问题使GDL成为万能工具:在社交媒体、药物发现、芯片植入、预测、生物信息学等方面都显示出了很大的前景。本文将流行的图神经网络及其数学细微差别的进行详细的梳理和解释,图深度学习背后的思想是学习具有节点和边的图的
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。


