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
机器学习-集成学习LightGBM
前言LightGBM是微软开发的一个强大的开源梯度提升框架。它旨在高效和可扩展,能够处理大型数据集和高维特征。LightGBM结合使用基于梯度的单边采样(GOSS)和独占特征捆绑(EFB)来降低计算成本并提高模型的准确性。LightGBM支持各种目标函数,可用于回归和分类问题。
R语言特征选择方法——最佳子集回归、逐步回归|附代码数据
原文链接:http://tecdat.cn/?p5453(https://link.segmentfault.com/?encnNoDxVqcbXdSZbkK4WIKJg%3D%3D.yH95jtn%2BiBZ3fDX8wfwYmUXV7PhFc48y2Oqjb48%2Bi3U%3D)
297个机器学习彩图知识点(12)
导读<blockquote本系列将持续更新20个机器学习的知识点,欢迎关注。</blockquote1.随机梯度下降!(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/12b6ef5644c5
Python中的ARIMA模型、SARIMA模型和SARIMAX模型对时间序列预测|附代码数据
全文链接:http://tecdat.cn/?p12272(https://link.segmentfault.com/?enc2PHdbjW0sGkd8kUjxKojaw%3D%3D.rbWPbz4POaBcbM2c4pI5gNA9o5IIC2pwOA7PcSew6kA%3D)
PYTHON链家租房数据分析:岭回归、LASSO、随机森林、XGBOOST、KERAS神经网络|附代码数据
全文下载链接:http://tecdat.cn/?p29480(https://link.segmentfault.com/?encQtL68oez9e1l9SINj9lDeA%3D%3D.c15Rk9qiZEPtW%2BAIN5m1%2BMPsdQIeYe7kncUeS080WFk%
推荐场景太大太复杂搞不动?快来试试 PGLBox!
图神经网络(GraphNeuralNetwork,GNN)是近年来出现的一种利用深度学习直接对图结构数据进行学习的方法,通过在图中的节点和边上制定聚合的策略,GNN能够学习到图结构数据中节点以及边内在规律和更加深层次的语义特征。图神经网络不仅成为学术界研究热点,而且已经在工业界广泛应用落地。特别
6 大经典机器学习数据集,3w+ 用户票选得出,建议收藏
<blockquote内容一览:本期汇总了超神经下载排名众多的6个数据集,涵盖图像识别、机器翻译、遥感影像等领域。这些数据集质量高、数据量大,经历人气认证值得收藏码住。<br/关键词:数据集机器翻译机器视觉</blockquote数据集是机器学习模型训练的基础,优质的公开数
机器学习-集成学习XGBoost
前言XGBoost(eXtremeGradientBoosting)是一种流行的机器学习算法,用于解决各种预测问题,例如分类、回归和排名。在本文中,我们将介绍XGBoost的基本原理、常见的应用和一些实践经验.基本原理XGBoost是一种基于梯
【TVM 学习资料】使用 Auto-scheduling 优化算子
本篇文章译自英文文档OptimizingOperatorswithAutoscheduling(https://link.segmentfault.com/?encYw3rzGaUJrI4sa2vvC0GaA%3D%3D.9EUn72x5I7W60fcTO0Mzz%2BqjHio7i
使用PyTorch-LSTM进行单变量时间序列预测的示例教程
时间序列是指在一段时间内发生的任何可量化的度量或事件。尽管这听起来微不足道,但几乎任何东西都可以被认为是时间序列。一个月里你每小时的平均心率,一年里一只股票的日收盘价,一年里某个城市每周发生的交通事故数。在任何一段时间段内记录这些信息都被认为是一个时间序列。对于这些例子中的每一个,都有事件发生的频率
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。


