鸿蒙开发者社区

WOT技术大会

公众号矩阵

移动端

短视频免费课程课程排行直播课软考学堂

全部课程厂商认证 IT技术 25年5月软考 PMP项目管理免费题库

文章资源问答课堂专栏直播

51CTO

鸿蒙开发者社区

51CTO技术栈

51CTO官微

51CTO学堂

51CTO博客

CTO训练营

鸿蒙开发者社区订阅号

51CTO软考

51CTO学堂APP

51CTO学堂企业版APP

鸿蒙开发者社区视频号

51CTO软考题库

账号设置退出

机器学习

2025内容

关注

涵盖机器学习相关算法知识、开发工具、解决方案与应用场景。

共 2025 条

终于把机器学习中的特征选择搞懂了！！

特征选择是机器学习中的一个重要过程，通过选择与目标变量最相关的特征，剔除冗余或无关的特征，从而提高模型的性能、减少训练时间，并降低过拟合的风险。

2025-01-20 09:21:00

机器学习特征选择嵌入方法

终于把机器学习中的类别不平衡搞懂了！！

今天给大家分享机器学习中的一个关键概念，类别不平衡。类别不平衡指的是在分类问题中，不同类别的数据样本数量相差悬殊的情况。

2025-01-20 09:00:00

机器学习深度学习类别不平衡

YOLO 中的数据增强详解及参数使用

在本文中，我们将探讨可用的数据增强技术并详细了解它们。通过深入了解这些增强选项，您将能够更好地根据您的特定需求定制和微调您的YOLO模型。

2025-01-20 07:00:00

数据增强 YOLO 机器学习

遗传算法：原理及 Python 实现

遗传算法是机器学习中优化的强大工具，它们从自然进化中汲取灵感，高效地探索大型和复杂的搜索空间。

2025-01-16 07:10:00

遗传算法机器学习 Python

终于把机器学习中的交叉验证搞懂了！！

交叉验证（Cross-Validation）是机器学习中一种广泛使用的模型评估方法，用于评估预测模型在未见数据上的表现。

2025-01-15 11:25:35

交叉验证机器学习模型评估

使用 Teachable Machine 构建图像识别模型

在本文中，我探索了 Teachable Machine，这是 Google 提供的一款基于网页的工具，使用户无需编程技能即可创建机器学习模型。

2025-01-11 23:14:52

编程机器学习开发

机器学习 | 从0开发大模型—译llama3-from-scratch

将query向量分成几对，每对使用旋转角度移位，现在将一个大小为[17X64X2]的向量，这个是prompt中每个标记分成64对的128个长度的query向量， 64对中的每一对都将旋转 m*theta，其中 m 是我们要旋转查询的 token 位置。

2025-01-10 08:38:10

query 旋转角度 oken

PyTorch Geometric框架下图神经网络的可解释性机制：原理、实现与评估

在机器学习领域存在一个普遍的认知误区，即可解释性与准确性存在对立关系。这种观点认为可解释模型在复杂度上存在固有限制，因此无法达到最优性能水平，神经网络之所以能够在各个领域占据主导地位，正是因为其超越了人类可理解的范畴。

2025-01-09 14:06:31

机器学习数据集 Reddit

终于把机器学习中的超参数调优搞懂了！！

超参数调优（Hyperparameter Tuning）是机器学习模型开发过程中一个关键步骤，旨在通过调整模型的超参数来优化模型的性能。

2025-01-07 12:55:28

机器学习超参数调优

图像相似度估计 | 结合三元组损失的暹罗网络

在本文中我们将探索如何构建和训练暹罗网络以估计图像相似度，并通过一个来自GitHub仓库的实际示例进行说明。

2024-12-31 08:20:00

暹罗网络机器学习神经网络

机器学习 | 从0开始大模型之模型LoRA训练

LoRA 的背后的主要思想是模型微调期间权重的变化也具有较低的内在维度，具体来说，如果Wₙₖ代表单层的权重，ΔWₙₖ代表模型自适应过程中权重的变化，作者提出ΔWₙₖ是一个低秩矩阵，即：rank(ΔWₙₖ) << min(n,k) 。

2024-12-26 00:46:25

机器学习 LoRA 训练

终于把机器学习中的特征选择搞懂了！！！

特征选择是机器学习中的重要步骤，其目的是从高维特征空间中选择对模型性能最有价值的特征。通过减少冗余和无关的特征，特征选择可以提高模型的训练效率、减少过拟合并提升模型的泛化性能。

2024-12-26 00:34:47

机器学习特征选择算法

设置机器学习管道的初学者指南译文精选

本文将向你介绍什么是机器学习管道，以及如何根据开发者的需求，创建出ML管道。

2024-12-25 08:00:00

机器学习 ML管道人工智能

麻省理工研究人员提高机器学习模型准确性

机器学习（ML）有可能通过利用大量数据进行预测洞察来改变医疗决策。然而，当这些模型在不能充分代表所有人口群体的数据集上进行训练时，就会出现一个严重挑战。

2024-12-23 13:28:22

机器学习数据集人工智能

数据分布检验利器：通过Q-Q图进行可视化分布诊断、异常检测与预处理优化

在机器学习和数据分析中，我们经常需要验证数据是否符合某种特定的分布（如正态分布）。这种验证对于选择合适的统计方法和机器学习模型至关重要。

2024-12-17 14:33:57

机器学习数据分析 Q-Q图

使用机器学习技术进行时间序列缺失数据填充：基础方法与入门案例

在时间序列分析领域中，数据缺失是一个不可避免的挑战。无论是由于传感器故障、数据传输中断还是设备维护等原因，这些缺失都会对数据分析和预测造成显著影响。

2024-12-16 13:15:15

机器学习时间序列分析数据缺失

在PostgreSQL数据库中应用机器学习进行预测性容量规划译文精选

本文将探讨如何将长短期记忆网络（LSTM）机器学习模型应用于预测PostgreSQL数据库的资源消耗，这种方法有助于防止瓶颈，并提高效率。

2024-12-10 08:00:00

PostgreSQL 数据库机器学习

从零开始学机器学习—分类器详解

在这个学习旅程中，我们不仅深入探讨了各类分类器的原理和应用，还通过实践加深了对模型构建过程的理解。通过使用不同的算法，如线性SVC、K-近邻分类器、支持向量分类器及集成方法如随机森林和AdaBoost，我们看到了数据处理和模型训练的多样性。

2024-12-09 09:44:34

机器学习模型分类器

Python 机器学习：十个入门机器学习的必备库

本文介绍了 10 个 Python 机器学习的必备库，每个库都有其独特的特点和应用场景，通过实际的代码示例，我们展示了如何使用这些库进行数据处理、可视化和模型训练。

2024-11-29 12:00:00

Python 机器学习库

机器学习 | 从0开始大模型之模型DPO训练

DPO 训练器对数据集的格式有具体的要求，包括三个部分：提示（prompt）：提示的格式为：prompt: 文本；选中（chosen）：选中文本的格式为：chosen: 文本；拒绝（rejected）：拒绝选中文本的格式为：rejected: 文本。

2024-11-26 09:33:44

模型 DPO 训练

贝叶斯统计中常见先验分布选择方法总结

在贝叶斯统计中,选择合适的先验分布是一个关键步骤。本文将详细介绍三种主要的先验分布选择方法。

2024-11-11 15:02:16

贝叶斯统计信息先验

终于把机器学习中的损失函数搞懂了！！！

Huber Loss 是介于 MSE 和 MAE 之间的一种损失函数，当误差较小时，它像 MSE 一样处理，而当误差较大时，它像 MAE 一样处理。

2024-11-05 12:56:06

机器学习函数 MSE

深入理解多重共线性:基本原理、影响、检验与修正策略

在数据科学和机器学习领域,构建可靠且稳健的模型是进行准确预测和获得有价值见解的关键。然而当模型中的变量开始呈现出高度相关性时,就会出现一个常见但容易被忽视的问题 —— 多重共线性。

2024-11-04 15:56:21

机器学习数据科学多重共线性

使用 SHAP 使机器学习模型变的可解释！！

SHAP 是一种解释机器学习模型预测结果的方法，它基于博弈论中的 Shapley 值理论。它通过计算每个特征对模型输出的贡献度，帮助我们理解模型的决策过程。

2024-11-04 14:33:04

机器学习 SHAP 黑盒模型

十种数据预处理中的数据泄露模式解析:识别与避免策略

在机器学习教学实践中,我们常会遇到这样一个问题:"模型表现非常出色,准确率超过90%!但当将其提交到隐藏数据集进行测试时,效果却大打折扣。问题出在哪里?"这种情况几乎总是与数据泄露有关。

2024-11-04 14:09:09

机器学习数据泄露

机器学习 | 从0开发大模型之模型预训练

在训练过程中，通常会使用 scaler.scale(loss).backward() 来计算缩放后的损失的梯度，然后使用 scaler.step(optimizer) 来更新模型参数，最后使用 scaler.update() 来更新缩放因子，这样可以确保训练过程的稳定性和效率。

2024-11-04 00:24:56

机器学习模型预训练

随机性、熵与随机数生成器:解析伪随机数生成器（PRNG）和真随机数生成器（TRNG）

随机性是指一系列事件或结果中不存在任何可预测模式或顺序。真正的随机性难以实现,特别是在计算机这样的确定性系统中,因为它们遵循特定的指令运行。

2024-11-01 15:51:06

机器学习随机数生成器随机性

探索云原生环境中的人工智能和机器学习译文精选

人工智能/机器学习技术与云原生环境中的集成提供了一些令人兴奋的功能，但却并非没有挑战。

2024-10-31 08:00:00

云原生人工智能机器学习

终于把机器学习中的交叉验证搞懂了！！！

交叉验证是机器学习中用于评估模型泛化能力的一种方法，用于衡量模型在训练集之外的新数据上的表现。

2024-10-30 08:23:07

机器学习交叉验证子集

终于把机器学习中的特征工程搞懂了！！

特征工程是机器学习中的重要步骤之一，其目的是通过对原始数据进行处理、变换或生成新的特征，以增强模型的学习能力和预测性能。

2024-10-28 15:52:38

机器学习特征工程数据集

终于把机器学习中的特征工程搞懂了！！！

特征工程直接影响机器学习模型的表现，因为模型的效果很大程度上取决于输入数据的质量和特征的选择。下面，我们来分享10个常用的特征工程技术。

2024-10-28 00:00:10

机器学习模型程度

构建高效模型的八个数据预处理步骤

本文将详细介绍八个重要的数据预处理步骤，并通过实际代码示例帮助大家更好地理解和应用这些方法。

2024-10-24 16:54:59

数据预处理机器学习

从零开始学机器学习——线性和多项式回归

在探讨线性回归和多项式回归的旅程中，我们不仅学习了如何构建模型，还理解了背后的数学原理和应用场景。通过逐步引导，希望大家对数据分析的复杂性有了更深的认识。

2024-10-22 10:23:58

机器学习多项式回归

机器学习中空间和时间自相关的分析：从理论基础到实践应用

空间和时间自相关是数据分析中的两个基本概念,它们揭示了现象在空间和时间维度上的相互依赖关系。这些概念在各个领域都有广泛应用,从环境科学到城市规划,从流行病学到经济学。本文将探讨这些概念的理论基础,并通过一个实际的野火风险预测案例来展示它们的应用。

2024-10-21 17:33:58

机器学习数据分析 Python

机器学习中处理不平衡数据集的五种方法

不平衡数据集是指在分类任务中，不同类别的样本数量差异显著的数据集，通常表现为少数类样本远少于多数类样本。这样的数据集在现实生活中很常见，比如欺诈检测、医疗诊断、故障预测等场景。

2024-10-18 07:10:43

机器学习数据集样本

Python 机器学习中 14 个常用算法实现

本文将介绍14种常用的机器学习算法，并通过实际代码示例来帮助读者更好地理解和应用这些算法。

2024-10-14 16:37:25

机器学习算法 Python

数据准备指南：十种基础特征工程方法的实战教程

在数据分析和机器学习领域，从原始数据中提取有价值的信息是一个关键步骤。这个过程不仅有助于辅助决策，还能预测未来趋势。为了实现这一目标，特征工程技术显得尤为重要。

2024-10-14 15:00:59

机器学习数据分析

终于把机器学习中的评估指标搞懂了

今天给大家分享在机器学习中最广泛使用的十大评估指标。评估指标是用于衡量机器学习模型的性能，帮助我们判断模型在解决特定任务上的效果。

2024-10-14 14:02:17

机器学习评估指标人工智能

Python 中快速上手机器学习的七个基础算法

本文介绍了几种常用的机器学习算法，包括线性回归、逻辑回归、决策树、支持向量机和K近邻算法，并通过Python代码示例展示了它们的具体应用。

2024-10-12 17:13:53

机器学习算法 Python

使用Docker部署机器学习模型分步指南译文精选

你是否厌倦了修复同样的部署问题？不妨了解Docker如何使你的机器学习模型每次都能顺畅运行。

2024-10-12 08:00:00

机器学习 Docker

盘点目前最常用的四种语言模型压缩技术

模型压缩是在不损害其有效性的情况下最小化机器学习模型大小的行为。由于大型神经网络经常因为过度参数化而包含冗余的计算单元，这种方法对它们是有效的。

2024-10-09 23:27:08

语言模型 LLM 机器学习

终于把机器学习中的特征工程搞懂了！

特征工程是机器学习中极为关键的一部分，涉及到如何通过预处理、转换和组合原始数据来创建更适合模型训练的特征，以提高模型的表现和预测能力。特征工程的主要目的是从数据中提取出有助于模型更好理解和学习规律的特征。

2024-10-08 15:09:17

机器学习特征工程 Python

构建 Python 机器学习模型的八个步骤

本文旨在系统地介绍构建机器学习模型的基本步骤，并通过一个具体的实战案例——股票价格预测，展示这些步骤的实际应用。

2024-09-30 05:43:44

机器学习 Python

八种数值变量的特征工程技术：利用Sklearn、Numpy和Python将数值转化为预测模型的有效特征

特征工程是机器学习流程中的关键步骤，在此过程中，原始数据被转换为更具意义的特征，以增强模型对数据关系的理解能力。

2024-09-29 16:26:15

机器学习特征工程 Python

使用 PyTorch 从头开始构建 CLIP | 对比语言图像预训练

CLIP模型本身不生成图像的描述，但可以用来评估文本和图像之间的关系。今天，这篇文章将涵盖使用PyTorch从头开始实现CLIP的过程。

2024-09-26 16:51:23

PyTorch CLIP 机器学习

机器学习模型中特征贡献度分析：预测贡献与错误贡献

在机器学习领域，特征重要性分析是一种广泛应用的模型解释工具。但是特征重要性并不等同于特征质量。本文将探讨特征重要性与特征有效性之间的关系，并引入两个关键概念：预测贡献度和错误贡献度。

2024-09-20 15:44:45

机器学习模型解释工具人工智能

终于把机器学习中的评估指标搞懂了！！

评估指标是用来衡量机器学习模型性能的量化标准，它们帮助我们理解模型在特定任务中的表现。

2024-09-18 16:42:58

机器学习评估指标模型

最强总结，机器学习中必会的 15 个关键术语！！

一起来了解一下机器学习中必会的 15 个关键术语都有哪些吧！

2024-09-18 16:00:37

机器学习算法数据集

最强总结，机器学习必会的评估指标

机器学习的评估指标是用于衡量模型在特定任务中的性能，帮助我们判断模型是否在测试集上有效，并指导模型的优化和调整。

2024-09-09 14:42:09

机器学习评估指标

机器学习 | 使用Onnx部署模型

目前，ONNX主要关注在模型预测方面（inferring），使用不同框架训练的模型，转化为ONNX格式后，可以很容易的部署在兼容ONNX的运行环境中。

2024-09-09 11:45:15

ONNX 部署模型

1 2 3 4 5 6 ··· 41 下一页

51CTO技术栈公众号

业务
速览

媒体

51CTO CIOAge HC3i

社区

51CTO博客鸿蒙开发者社区 AI.x社区

教育

51CTO学堂精培企业培训 CTO训练营