小样的学习博客9——numpy汇总

已于 2024-05-09 18:39:48 修改
阅读量532 收藏 3
点赞数 19
文章标签： 学习
于 2024-05-04 16:31:59 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/2301_80336167/article/details/138443577
版权
ChatGPT 大模型深度学习系统科学的视角——“大模型”深度学习是结构与组合的艺术
AI天才研究院
06-28 1016
近年来,随着计算机硬件性能的飞速发展和海量数据的积累,深度学习技术取得了突破性进展。尤其是以 ChatGPT 为代表的大规模语言模型,展现出了惊人的自然语言理解和生成能力,引发了学术界和工业界的广泛关注。这些大模型的成功离不开深度学习系统科学的支撑。大模型的核心算法可以概括为:基于 Transformer 的自监督预训练 + 针对下游任务的微调。其原理可以用下图表示:fill:#333;color:#333;color:#333;fill:none;大规模无标注语料自监督预训练预训练语言模型。
2022年国赛C题古玻璃制品的成分分析与鉴别详解【国一优秀论文，附完整代码】
全栈川川
07-17 3233
古玻璃制品的成分分析与鉴别完整分析案例
Python机器学习笔记——One Class SVM
weixin_30861797的博客
05-11 3587
前言 　　最近老板有一个需求，做单样本检测，也就是说只有一个类别的数据集与标签，因为在工厂设备中，控制系统的任务是判断是是否有意外情况出现，例如产品质量过低，机器产生奇怪的震动或者机器零件脱落等。相对来说容易得到正常场景下的训练数据，但故障系统状态的收集示例数据可能相当昂贵，或者根本不可能。如果可以模拟一个错误的系统状态，问题就好解决多了，但无法保证所有的错误状态都被模拟到，所以只能寻找单样本检...
基于LightGBM的集成学习算法
u012121721的博客
01-05 1050
LightGBM（Light Gradient Boosting Machine）是一种高效的梯度提升树算法，旨在解决大规模数据集的训练问题。与传统的梯度提升算法不同，LightGBM采用基于直方图的决策树学习和叶子生长策略，在提高训练速度的同时降低内存消耗。它支持类别特征的直接处理，避免了高维稀疏特征的问题，且能够在分布式计算环境中高效运行。由于其优化的计算方式，LightGBM在大数据处理和实时训练中表现优越，广泛应用于机器学习和数据挖掘领域。
机器学习教程简介：从基础概念到实践应用的全面指南
weixin_62200515的博客
05-19 939
机器学习不仅是一门技术，更是一种解决问题的思维方式。它让计算机从“执行指令”的工具转变为“自主学习”的智能体，正在重塑医疗、交通、教育等各个领域。然而，随着技术的发展，我们也需警惕数据隐私、算法偏见、就业影响等伦理问题，确保技术用于善处。
【GitModel】假设检验1-方法论与一元数值检验学习笔记
laffycat的博客
08-19 481
本文介绍了假设检验的基本概念、分类和应用。着重讲解了一元数值数据假设检验的内容，包括正态性检验和均值检验
python分类算法svm_Python机器学习笔记：异常点检测算法——One Class SVM
weixin_39900045的博客
12-06 1258
完整代码及其数据，请移步小编的GitHub传送门：请点击我如果点击有误：https://github.com/LeBron-Jian/MachineLearningNote前言最近老板有一个需求，做单样本检测，也就是说只有一个类别的数据集与标签，因为在工厂设备中，控制系统的任务是判断是是否有意外情况出现，例如产品质量过低，机器产生奇怪的震动或者机器零件脱落等。相对来说容易得到正常场景下的训练数据，...
[学习笔记] [机器学习] 8. 聚类算法（聚类算法：K-means、K-means++；聚类算法评估；特征降维：特征选择（Pearson相关系数、Spearman相关系数）、PCA主成分分析）
Le0v1n 的博客
06-10 3863
聚类算法：K-means、K-means++；聚类算法评估；特征降维：特征选择（Pearson相关系数、Spearman相关系数）、PCA主成分分析
python one class svm_Python机器学习笔记：One Class SVM
weixin_39575775的博客
12-18 1498
前言最近老板有一个需求，做单样本检测，也就是说只有一个类别的数据集与标签，因为在工厂设备中，控制系统的任务是判断是是否有意外情况出现，例如产品质量过低，机器产生奇怪的震动或者机器零件脱落等。相对来说容易得到正常场景下的训练数据，但故障系统状态的收集示例数据可能相当昂贵，或者根本不可能。如果可以模拟一个错误的系统状态，问题就好解决多了，但无法保证所有的错误状态都被模拟到，所以只能寻找单样本检测相关的...
【机器学习特征选择终极指南】：掌握提高模型准确率的关键
[【机器学习特征选择终极指南】：掌握提高模型准确率的关键](https://yixiaoer-img.oss-cn-shanghai.aliyuncs.com/20221018/9eded024-5eaa-4707-85f5-652696207355.jpg) # 摘要 机器学习中的特征选择是一个关键步骤...
uni-app学习笔记十五-vue3页面生命周期(二)
shenxiaomo1688的博客
05-28 519
onShow：用于监听页面显示，页面每次出现在屏幕上都触发，包括从下级页面点返回露出当前页面；onHide:监听页面隐藏，当离开当前页面时触发。
卫星姿态描述基础知识学习记录(部分)
qq_40509664的博客
05-27 1150
相对姿态(坐标系旋转)的描述：假设目标的坐标系为B,参考坐标系为R，对目标的姿态描述即确定目标坐标系与参考坐标系的关系。由于目标坐标系一般固结在目标上，这样便实现了目标的相对姿态描述。描述方式主要有：方向余弦式、欧拉轴/角式、欧拉角式、姿态四元数；由于姿态可唯一确定，这些描述方式间可相互转换。
学习笔记：3个学习AI路上反复看到的概念：RAG，Langchain，Agent
最新发布
FBeetle的博客
05-31 243
RAG的能力核心是有效结合了检索和生成两种方法。基本思路是把私有数据进行切片，向量化后通过向量检索进行召回，再作为上下文输入到通用大模型，模型再进行分析和回答。同时，AI Agent也可以利用RAG技术来提高其在特定任务（如问答或对话系统）中的性能，尤其是在需要外部知识来支持决策时。RAG可以作为LangChain（如果它是一个语言处理工具）的一部分，用于提供更加丰富和准确的语言生成能力。AI Agent可能使用LangChain来处理自然语言的任务，比如理解用户输入和生成响应。
2025.5.29 学习日记 docker概念以及基本指令
2503_90593237的博客
05-31 476
用于定义 Docker 镜像的构建步骤。通过编写指令，你可以指定基础镜像、安装软件、配置环境变量、复制文件等，最终生成一个可复用的镜像。是一款适用于 Mac、Linux 或 Windows 环境的一键安装应用程序，可让用户构建、分享和运行容器化应用程序和微服务。配置文件，可一次性编排多个服务（如 Web 应用、数据库、缓存等），实现服务的快速部署、扩展和管理。Docker 是一种开源的容器化平台，用于快速部署应用程序，实现开发、测试和生产环境的一致性。，用于定义和管理由多个容器组成的复杂应用。
ai答题平台：AnKo如何引领AI智能学习时代！
tomplus21的博客
05-28 677
ai答题平台的未来，将由AnKo等聚合平台定义。AnKo整合多模型，简化操作流程，重塑ai答题平台使用体验。通过持续创新与技术积累，AnKo让ai答题平台更智能、高效、普及。
cos和dmz学习
LeonNo11的博客
05-27 434
DMZ是为了解决安装防火墙后外部网络的访问用户不能访问内部网络服务器的问题，而设立的一个非安全系统与安全系统之间的缓冲区。将部分用于提供对外服务的服务器主机划分到一个特定的子网——DMZ内，在DMZ的主机能与同处DMZ内的主机和外部网络的主机通信，而同内部网络主机的通信会被受到限制。防火墙1： 这是位于内部网络和DMZ之间的防火墙，用于控制从DMZ到内部网络的流量。内部网络： 这是组织内部的私有网络，包含公司的内部资源和数据。外网访问DMZ：允许外部网络访问DMZ中的服务，但限制对内部网络的访问。
数据分析学习笔记——A/B测试
weixin_64248111的博客
05-28 912
什么是A/B测试？说白了就是中学生物实验里常说的控制变量。实验对象分为A组（对照组）、B组（实验组）来测试某个行为的影响。在互联网企业，为了判断某个行为的效益，或者挑选更加合适的方案就会采用A/B测试。A/B测试的核心在于两组样本除了实验条件不一样，其他条件都一样。因此A/B测试依赖如下假设。每个因子水平的数据均呈正态分布​案例独立性：样本案例应相互独立​方差的同质性：同质性是指各组之间的方差应近似相等​从因子水平定义的总体中独立且随机地获得观察结果一起学习，共同进步！H_0H_0H_1。
【从零开始学习QT】Qt 概述
uyeonashi的博客
05-28 1117
Qt是一个跨平台的C++图形用户界面框架，支持Windows、Linux、macOS等多种操作系统及Android、iOS移动平台。它提供可视化开发工具，简化了应用程序开发流程，支持拖拽式UI设计。Qt发展历程经历了多次收购，如今已成为功能全面的开发工具，特别适用于桌面应用、移动应用和嵌入式系统开发。文章详细介绍了Qt的安装配置过程、开发环境QtCreator的界面功能，以及如何创建简单项目。
CppCon 2014 学习:How to call C libraries from C++
虾球
05-30 972
可以直接在 C++ 中调用 C 标准库函数；要小心使用来匹配参数；推荐使用 C++ 的来统一处理 errno 风格的错误；所有这些调用都建立在 C 头文件的基础上，但通过 C++ 语义让代码更现代、更安全。通过模板和包装类型，清晰地区分不同的协议族和资源类型。利用智能指针和删除器管理资源生命周期。统一错误处理，抛出异常代替错误码。用元信息辅助自动生成封装代码，极大减少手写工作，避免出错。
Python库——Numpy
09-11
Numpy是一个Python库，用于进行科学计算。它提供了一个强大的多维数组对象ndarray，并且包含了许多用于数组计算的函数和方法。通过Numpy，我们可以进行数组的创建、索引和切片操作，还可以进行矩阵运算和使用通用...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值