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
【MindSpore:跟着小Mi一起机器学习】单变量线性回归(一)
几天不见,动力不减!话说回来,我们要正式开始挑起大梁干大事了,前面一段时间,小Mi已经带大家初步了解了机器学习,复习了机器学习中需要用到的线性代数知识点,这次我们就要开始正式学习监督学习下的单变量线性回归(那么后面是不是还有多变量线性回归?Bingo!答对了!)啦。那就废话不多说,抓紧时间跟小Mi一
【MindSpore:跟着小Mi一起机器学习】单变量线性回归(二)
小Mi学习,向上积极!在上一篇机器学习中,小Mi已经带大家认识了单变量线性回归的数学模型,以及对应代价函数的图形解释,小Mi也提及过,我们真正需要的是一种有效的算法,能够自动地找出这些使代价函数J取最小值的参数,来,因此它来了它来了!今天小Mi在此基础上,继续带大家一起学习梯度下降算法。3梯度下
【MindSpore:跟着小Mi一起机器学习吧!】多变量线性回归(一)
小Mi学习,向上积极!前两节小Mi带大家学习了单变量线性回归,还具体分析了自动求解最小代价函数参数的梯度下降法。这不有了单变量,是不是肯定有多变量?!今天小Mi跟大家一起讨论的就是一种更为有效,适合实际情况的形式多变量线性回归~~1多维特征既然是多变量线性回归,那么肯定是存在多个变量或者多个
【MindSpore:跟着小Mi一起机器学习吧!】多变量线性回归(二)
几天不见,甚是想念!小Mi系列的活动正在如火如荼地进行中,小Mi看到大伙儿的热情,动力更加十足,这不又迫不及待地更新来了!在上期的多变量线性回归介绍中,我们学习了多维特征、多变量的梯度下降法以及在实现梯度下降过程中的特征缩放和如何选择学习率这两个技巧,今天小Mi在其基础上,继续带领大家学习多项式
【MindSpore:跟着小Mi一起机器学习吧!】逻辑回归(一)
小Mi学习,向上积极!在前面几周的学习中,小Mi终于带着大家完完整整学完了线性回归,同时小Mi也收到了大家的很多反馈,在后续的学习中,小Mi会一一改进的!今天我们就开启新的章节学习—logistic回归(LogisticRegression)算法吧(冲鸭)!1分类问题在logistic回归
【MindSpore:跟着小Mi一起机器学习吧!】逻辑回归(二)
小Mi学习,向上积极!逻辑回归的函数表示还有判决边界还记得不,是不是觉得上一节还不得劲儿?!这不,小Mi又来更新啦~代价函数现在我们就要开始讨论如何拟合logistic回归模型的参数,具体来说,我们要定义用来拟合参数的优化目标或者代价函数,以下便是监督学习问题中的logistic回归模型的拟
【MindSpore:跟着小Mi一起机器学习】神经网络表述(一)
好久不见,甚是想念!今天小Mi继续带大家学习我们的机器学习系列。相信神经网络这个名词大家都不会陌生,神经网络实际上是一个相对比较古老的算法,沉寂了很长一段时间,不过现在随着硬件计算能力的提升,它又成为许多机器学习问题解决的首要方法。好了,到这相信大家不由地会问了,既然已经有线性回归、逻辑回归算法
小Mi的MindSpore安装经验之环境依赖常见问题及解决办法
再长的路,一步步也能走完;再短的路,不迈出第一步也无法到达,想要体验MindSpore,一定是从安装开始。今天小Mi为大家整理安装过程中常出现的环境配置和依赖相关问题。无论是什么方式和平台安装MindSpore,请务必确认所有规定的依赖及版本。Ubuntu18.0404自带环境与
【MindSpore:跟着小Mi一起机器学习】神经网络表述(二)
小Mi学习,向上积极!上周小Mi简单给大家介绍了神经网络的模型表示,今天小Mi将进一步带领大家对神经网络进行进一步的深入理解,话不多说,一起学起来吧~5特征和直观理解a从本质上讲,神经网络能够通过学习得出其自身的一系列特征。在普通的逻辑回归中,我们被限制为使用数据中的原始特征,我们虽然可以使
【MindSpore:跟着小Mi一起机器学习】神经网络的学习(上)
危险,危险,危险——好久不见,等你在这里见面~在经过前两期关于神经网络的简单介绍后,今天小Mi将进一步介绍神经网络的代价函数、前向传播和反向传播,废话不多说,我们开干吧~1代价函数首先引入一些便于稍后讨论的新标记方法:假设神经网络的训练样本有m个,每个包含一组输入x和一组输出信号y,L表示
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。


