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
R语言分位数自回归QAR分析痛苦指数:失业率与通货膨胀率时间序列
原文链接:http://tecdat.cn/?p25536(https://link.segmentfault.com/?encU%2F7g%2B5uOjNVWQ0iSD3JiCQ%3D%3D.eIqxc06qfsKGKwkLon3IG0nOGtm%2Bi%2BApKs%2Bqngpu
深入浅出特征工程 – 基于 OpenMLDB 的实践指南(上)
1.什么是机器学习的特征工程一个真实场景的机器学习应用一般会包含两个主体流程,即特征工程和机器学习模型(以下简称模型)。大家对模型一定很了解,平时也是接触的最多的,比如从经典的逻辑回归、决策树模型,到近几年大火的深度学习模型,都是聚焦于如何开发高质量的模型。对于
Alluxio+WeRide|加速L4级自动驾驶技术开发进程
!image.png(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/ff9857355d5418bf68761a1dede17988.png)开源云数据编排软件开发商Alluxio近日宣布,全球领先的L4级自动驾驶技术智能出行公
新生代工程师手把手教你玩转Alluxio+ML(下篇)
!image.png(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/e72a4fec5c9811726103b32e64bbb9d2.png)!image.png(https://imghelloworld.osscn
使用折外预测(oof)评估模型的泛化性能和构建集成模型
机器学习算法通常使用例如kFold等的交叉验证技术来提高模型的准确度。在交叉验证过程中,预测是通过拆分出来的不用于模型训练的测试集进行的。这些预测被称为折外预测(outoffoldpredictions)。折外预测在机器学习中发挥着重要作用,可以提高模型的泛化性能。在本文中,将介绍机器学
保障北京冬奥会,数睿数据献出一份无代码的力量!
2022北京冬奥会自开幕以来,热点不断,前有冰墩墩,后有猎豹。全民沉浸式追冬奥会的同时,也因新赛事、新运动、新科技开拓了眼界,各方面都体现出这届冬奥会空前的号召力。数睿数据作为企业级无代码软件平台的开创者和领导者,也在北京冬奥会贡献了无代码力量!1月下旬,数睿数据收到了合作伙伴华设新通的紧急需求
新生代工程师手把手教你玩转Alluxio+ML(上篇)
!image.png(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/e0fbae611cc4c30d2897acb0f05e2590.png)!image.png(https://imghelloworld.osscn
2.7版本发布丨Alluxio数据编排平台进一步深化对人工智能和机器学习工作负载在混合云和多云上的支持
!image.png(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/a2dc1907156656a9a55d3d8be6f1fc73.png)“Alluxio2.7版本进一步巩固了Alluxio在云上人工智能(AI)、机器学习
R语言用有限混合模型(FMM,finite mixture model)创建衰退指标对股市SPY、ETF收益聚类
原文链接:http://tecdat.cn/?p25476(https://link.segmentfault.com/?encKY%2B%2BmxjYHtSUeas9%2FC0CsQ%3D%3D.wc1%2BfOCmBYj0rb4xOSechGzaFaLXigYgDr3QVQe%2B
集成学习中的软投票和硬投票机制详解和代码实现
快速回顾集成方法中的软投票和硬投票集成方法是将两个或多个单独的机器学习算法的结果结合在一起,并试图产生比任何单个算法都准确的结果。在软投票中,每个类别的概率被平均以产生结果。例如,如果算法1以40%的概率预测对象是一块岩石,而算法2以80%的概率预测它是一个岩石,那么
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。


