HelloWorld 开发者社区
科技资讯
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
Argus 0.5.0 发布:新增进程控制,完善原生 Windows 任务管理
MetaForge 2026.0.0 发布,整合数据库工作台与可视化分析
qData 1.6.7 发布:修复增量读取与 ETL 字段传递问题
Apple HomeView 在部分地区开售,整合家庭控制与视频通话
Cloudflare 推出 Spend Management Beta,为 Workers 增加支出限制
Cloudflare 开源 Kitesurf:面向 AI 智能体的轻量浏览器引擎
JeecgBoot 与敲敲云介绍分层方案,连接低代码开发与业务搭建
开源项目
全部项目推荐好文
HUSKY:一个优化大语言模型多步推理的新代理框架
推理被高度认可为生成人工智能的下一个前沿领域。通过推理,我们可以将任务分解为更小的子集并单独解决这些子集。例如以前的论文:思维链、思维树、思维骨架和反射,都是最近解决LLM推理能力的一些技术。此外推理还涉及一些外围功能,例如访问外部数据或工具。在最近的几年里,我们已经看到模型在特定的推理技术中表现得
使用深度强化学习预测股票:DQN 、Double DQN和Dueling Double DQN对比和代码示例
深度强化学习可以将深度学习与强化学习相结合:深度学习擅长从原始数据中学习复杂的表示,强化学习则使代理能够通过反复试验在给定环境中学习最佳动作。通过DRL,研究人员和投资者可以开发能够分析历史数据的模型,理解复杂的市场动态,并对股票购买、销售或持有做出明智的决策。!(https://imgh
基于深度学习神经网络协同过滤模型(NCF)的图书推荐系统
一、效果图点我查看在线demo(https://link.segmentfault.com/?encY35cCURwMzuwTJ2RlNlAhQ%3D%3D.T7nCCtGRco7aVlabWohR%2FMrut5gKdV6tgwECkfOcfm4cjCoSterWEw44dBse
精准预测武汉房价!浙大GIS实验室提出osp-GNNWR模型:准确描述复杂空间过程和地理现象
住房是人类福祉和社会发展的重要组成部分,住房价格波动受到社会的广泛关注。中国是一个地域跨度极广的国家,即使是在同一个城市的同一管辖区,不同区域的房屋由于社区环境、学区、配套商业等因素的不同,都会导致房价存在差异,因而房价问题研究关注的热点之一是其空间分异及影响机制,也就是所谓的「空间异质性」。近
Pixel Transformer:用像素代替补丁可以提升图像分类精度
在快速发展的人工智能领域,ViTs已成为各种计算机视觉任务的基础模型。ViTs通过将图像划分为小块并将这些小块作为标记来处理图像。6月刚发布一篇论文,引入了一种新颖的方法,即像素级Transformers,它通过将单个像素视为令牌来挑战这种范式。本文将讨论PixelTransformer的
SOFTS: 时间序列预测的最新模型以及Python使用示例
近年来,深度学习一直在时间序列预测中追赶着提升树模型,其中新的架构已经逐渐为最先进的性能设定了新的标准。这一切都始于2020年的NBEATS,然后是2022年的NHITS。2023年,PatchTST和TSMixer被提出,最近的iTransformer进一步提高了深度学习预测模型的性能。
一周速览|img2img-turbo 简笔画秒变艺术品!一键部署 GLM-4-9B-Chat,函数调用能力堪比 GPT-4
公共资源速递5个数据集:LPW行人检测数据集NABirds鸟类图像数据集DeepFruit水果图像分类数据集Sogounews搜狗新闻数据集FGVCAircraft飞机细粒度图像分类数据集2个模型:GLM
使用PyTorch Profiler进行模型性能分析,改善并加速PyTorch训练
如果所有机器学习工程师都想要一样东西,那就是更快的模型训练——也许在良好的测试指标之后加速机器学习模型训练是所有机器学习工程师想要的一件事。更快的训练等于更快的实验,更快的产品迭代,还有最重要的一点需要更少的资源,也就是更省钱。熟悉PyTorchProfiler在进行任何优化
Tiny Time Mixers (TTM)轻量级时间序列基础模型:无需注意力机制,并且在零样本预测方面表现出色
大语言模型的发展让研究人员专注于建立尽可能大的模型。但是其实较小的模型在某些任务中表现会优于较大的模型时,例如:Llama38B在MMLU任务上的表现优于较大的Llama270B!!(https://imghelloworld.osscnbeijing.aliyuncs.c
如何应对缺失值带来的分布变化?探索填充缺失值的最佳插补算法
本文将探讨了缺失值插补的不同方法,并比较了它们在复原数据真实分布方面的效果,处理插补是一个不确定性的问题,尤其是在样本量较小或数据复杂性高时的挑战,应选择能够适应数据分布变化并准确插补缺失值的方法。我们假设存在一个潜在的分布P_,从中得出观察值X_。此外,还绘制了一个与X_相同维数的0/1向量,
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。