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
【Meetup 预告】RocketMQ OpenMLDB Connector,实时数据到特征工程的高速传输
!(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/7ad76ece372372d3dece1f41ef9dd5e0.png)2022年6月25日(周六)上午10:0012:00,开源机器学习数据库OpenMLDB第四期
Matlab用深度学习循环神经网络RNN长短期记忆LSTM进行波形时间序列数据预测
原文链接:http://tecdat.cn/?p27279(https://link.segmentfault.com/?encCnwytBexLEqjaS8he5otxw%3D%3D.K8COcMRtVtz%2FRcjbnHsHf1d3lsdJ4synRYOwmKr7Hkw%3D)
疫情之下的离岸外包与数据标注
从2020年疫情爆发以来,人类的工作方式发送了巨大的改变,现在的人们更加倾向于远程办公,这样做不仅能够节省通勤时间,而且随着各种各样的协同办公软件的推出,人们仍然可以保持原有的工作效率。很久以来在一些缺乏劳动力的国家,企业主们通常更愿意将业务外包到劳动力更多的国家,甚至可以付出更小的成本,何乐而不为
主动学习(Active Learning) 概述、策略和不确定性度量
主动学习是指对需要标记的数据进行优先排序的过程,这样可以确定哪些数据对训练监督模型产生最大的影响。主动学习是一种学习算法可以交互式查询用户(teacher或oracle),用真实标签标注新数据点的策略。主动学习的过程也被称为优化实验设计。主动学习的动机在于认识到并非所有标有标签的
从华为WeAutomate数字机器人论坛,看政企领域的“政务新智理”
!从华为WeAutomate数字机器人论坛,看政企领域的“政务新智理”(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/f67f0ff0f8d81a486545aad5989f214d.png)从华为WeAutomate数字机
Python用MCMC马尔科夫链蒙特卡洛、拒绝抽样和Metropolis-Hastings采样算法
原文链接:http://tecdat.cn/?p27267(https://link.segmentfault.com/?encfz8%2BhyPPYmEjdDCPs0SUig%3D%3D.zy6WYVyHtdgR8ZJaBkGFDYKju74MAUueuLHTqMKVX7A%3D)
Involution:空间不共享?可完全替代卷积的高性能算子 | CVPR 2021
<blockquote其实这篇文章很早就写好了,但作者其它论文涉及到洗稿问题,所以先放着了。目前看这篇文章没被举报有洗稿的嫌疑,所以就发出来了<br/.<br/来源:晓飞的算法工程笔记公众号</blockquote论文:Involution:Invertingt
模型的度量指标和损失函数有什么区别?为什么在项目中两者都很重要?
你是否一直在使用你的损失函数来评估你的机器学习系统的性能?我相信有很多人也是这样做的,这是一个普遍存在的误解,因为人工智能中的程序默认设置、课程中介绍都是这样说的。在本文中,我将解释为什么需要两个独立的模型评分函数来进行评估和优化……甚至还可能需要第三个模型评分函数来进行统计测试。在整个数据
Curriculum Labeling:重新审视半监督学习的伪标签
CurriculumLabeling(CL),在每个自训练周期之前重新启动模型参数,优于伪标签(PL)PseudoLabeling(PL)通过将伪标签应用于未标记集中的样本以在自训练周期中进行模型训练。CurriculumLabeling(CL)中,应用类似课程学习的原则,通过在
如何正确拆分数据集?常见的三种方法总结
将数据集分解为训练集,可以帮助我们了解模型,这对于模型如何推广到新的看不见数据非常重要。如果模型过度拟合可能无法很好地概括新的看不见的数据。因此也无法做出良好的预测。拥有适当的验证策略是成功创建良好预测,使用AI模型的业务价值的第一步,本文中就整理出一些常见的数据拆分策略。简单的训练
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。


