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
可视化数据科学中的概率分布以帮你更好地理解各种分布
_在某些分布假设下,某些机器学习模型被设计为最佳工作。因此,了解我们正在使用哪个发行版可以帮助我们确定最适合使用哪些模型。_!(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/9f3f4f6372401b43f24725de0
运营商大数据到底有多厉害?
数据就是金钱这句话一点也不为过,哪怕一家互联网公司长期亏损,只要有大量的用户作为支撑,就会有投资人进行大力风投。运营商大数据相对比互联网大数据,运营商大数据从用户数量,数据的维度和数据的真实性都要优于互联网大数据的,因为有网络和通信业务作为支撑的三大运营商,掌握了近15亿个真实的用户信息,这为帮
手把手教你理解决策树:从概念到应用
_全文2.5K字,建议阅读时间5分钟。__尽管决策树在机器学习中的使用已经存在了一段时间,但该技术仍然强大且受欢迎。本指南首先提供对该方法的介绍性知识,然后向您展示如何构建决策树,计算重要的分析参数以及绘制结果树。_!(https://imghelloworld.osscnbei
算法工程狮六、频率派与贝叶斯派
频率派和贝叶斯派是两种不同的学派。频率派认为事件发生的概率完全由已有数据决定;而贝叶斯学派认为事件发生的概率本身就符合一定的概率分布,而这个分布是人为主观确定的,也就称之为先验分布。频率派的代表主要就是极大似然估计(MLE),而贝叶斯学派的代表有极大后验估计和贝叶斯估计。还是先复习下贝叶斯公
你听过 CatBoost 吗?本文教你如何使用 CatBoost 进行快速梯度提升
_在本文中,我们将仔细研究一个名为CatBoost的梯度增强库。_在梯度提升中,预测是由一群弱学习者做出的。与为每个样本创建决策树的随机森林不同,在梯度增强中,树是一个接一个地创建的。模型中的先前树不会更改。前一棵树的结果用于改进下一棵树。在本文中,我们将仔细研究一个名为CatBo
numexpr:你以为 numpy 已经够快了,其实它还可以更快
开篇python语言被广泛用于数据分析和机器学习。但是,由于python的底层特性,python的运行速率低一直被广泛诟病。其中,numpy和pandas的广泛使用已经将数据处理和机器学习的速率提升了几个档次。但是,随着数据的越来越多,很多人已经不再满足numpy和pandas的速度
6.GBDT、随机森林(RF)、Xgboost、LightGBM
GBDT、随机森林(RF)、Xgboost、LightGBM1.CART树损失函数参考上一章算法流程:Step1:对于数据集D,遍历所有特征,根据Gini(D,A)找到A,用A对D进行划分Step2:重复步骤1,为每个节点找寻到最佳特征直到:1)节点样本数小于阈值2)Gini(D
5.CART树
CART树CART树(ClassificationandRegressionTree)分类回归树,既可以用于创建分类树,也可以用于创建回归树。分类树:以C4.5为例,每次分枝时,是穷举每个特征的每一个阈值,按照$featur{e_i}\lethreshold$来划分
4.Bagging和boosting
Bagging和Boosting集成学习的两个代表作1.Bagging算法过程:通过对训练样本中重新采样的方法得到不同的训练样本集,得到k个训练集(k个训练集之间是相互独立的);训练每一个训练集得到k个模型,分类问题采用votes方式,回归模型采用mean方式得到最后的结果。2.
3.SVM支持向量机
思想:找一条曲线,使得所有样本点到这条曲线的距离的最小值最大点x到直线的距离:$$l\frac{1}{{\left\|w\right\|}}({w^T}xb)$$对于二分类,y取值只有1和1,那么同号表示分类正确,异号表示分类错误。在感知算法中,这样的超平面会有多个要找
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。


