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机器学习】神经网络的学习(下)
在上周小Mi给大家的介绍中,我们谈到了怎样使用反向传播算法计算代价函数的导数。今天,小Mi将继续带大家了解神经网络的实现过程,废话不多说,赶快跟小Mi一起学起来吧~4实现注意:展开参数首先,有一个细节的实现过程值得关注一下,就是如何把参数从矩阵展开成向量,以便我们在高级最优化步骤中使用。具
【MindSpore:跟着小Mi一起机器学习】关于应用机器学习时的一些建议
到目前为止,小Mi已经给大家介绍了许多不同的学习算法,感觉大伙已经不知不觉地成为一个了解许多先进机器学习技术的专家啦。当然,在了解的同时如何高效有力地运用这些学习算法呢?怎样选择一条最合适、最正确的道路,而不是把时间浪费在毫无意义的尝试上呢?如果你想知道的话,那么跟着小Mi继续机器学习吧~1机
【MindSpore:跟着小Mi机器学习】机器学习系统的设计
今天小Mi带大家学习如何设计一个机器学习系统,也会带大家了解设计复杂的机器学习系统时可能会遇到的一些问题。当然啦,除此之外,小Mi还会提供一些关于巧妙构建复杂机器学习系统的小tips。哦,对了,偷偷告诉你们,可能会帮助大家在构建大型的机器学习系统时,节省大量的时间哦~1初始步骤废话不多说,上例
【MindSpore:跟着小Mi一起机器学习】支持向量机(上)
今天我们学习支持向量机!小Mi在办公室的时候经常会听到同事提及什么支持向量机啊,凸优化啊这样的名词,那么支持向量机到底是什么呢?今天让我们过来一探究竟!~~1优化目标与逻辑回归和神经网络相比,支持向量机,简称SVM,在学习复杂的非线性方程时提供了一种更为清晰,更加强大的方式,该算法的强大和受欢
【MindSpore:跟着小Mi机器学习】支持向量机(中)
上周小Mi带大家学习了支持向量机的优化问题以及如何得到大间距分类器,而这背后的数学原理大家是否略知一二呢?今天跟着小Mi后面慢慢推理,帮助大家对支持向量机中的优化问题,以及如何得到大间距分类器,产生更好的直观理解。3大边界分类背后的数学首先,我们需要了解下向量内积这个知识点(敲黑板了哦~)
上汽云 x JuiceFS : iGear 用了这个小魔法,模型训练速度提升 300%
一个高精度AI模型离不开大量的优质数据集,这些数据集往往由标注结果文件和海量的图片组成。在数据量比较大的情况下,模型训练周期也会相应加长。那么有什么加快训练速度的好方法呢?壕气的老板第一时间想到的通常是提升算力,增加资源。!(https://imghelloworld.osscn
图卷积和消息传递理论的可视化详解
本文中将研究如何基于消息传递机制构建图卷积神经网络,并创建一个模型来对具有嵌入可视化的分子进行分类。!(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/6c78381082d29d255872764e4946c945.png)
R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列
原文链接:http://tecdat.cn/?p25180(https://link.segmentfault.com/?encnhFPvcUvaR6WAYcgRzAfXA%3D%3D.KJec5J6rfRRgoO4l9PN1FQ1nQpltWrG6eSMxhtExQWQ%3D)
机器学习算法系列(十四)-硬间隔支持向量机算法(Hard-margin Support Vector Machine)
阅读本文需要的背景知识点:拉格朗日乘子法、KKT条件、一丢丢编程知识一、引言 前面一节我们介绍了一种分类算法——朴素贝叶斯分类器算法,从概率分布的角度进行分类。下面我们会花几节来介绍另一种在分类问题中有着重要地位的算法——支持向量机(https://link.segmentf
伪标签:用于深度神经网络的简单高效的半监督学习方法
未标记的数据由监督学习网络标记,即所谓的伪标记。然后使用标记数据和伪标记数据训练网络。!(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/fc9f4934cb8c65308e59e66b4f3dff1e.png)伪
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。


