《Datawhale李宏毅教程》成为榜一!

 Datawhale干货 

作者:Datawhale开源团队

《深度学习详解》荣登榜一!🎉

c68af4eec6ee194340256647c595408b.png

仅发布三天,《深度学习详解》荣登榜一。特别感谢李宏毅教授对出版的支持,以及Datawhale 所有读者的认可。

如何参与共学

01

 李宏毅深度学习  将放入AI夏令营

《深度学习详解》基于由开源组织Datawhale发起的开源项目《LeeDL-Tutorial》编撰出版,由三位组织成员王琦、杨毅远、江季等负责。本书在李宏毅老师最新的视频教程的基础上,扩展、原创了部分内容,并配有相关的课后练习及可执行代码。

李宏毅教授的“机器学习”课程以平易近人的语言和生动的实例,帮助学习者在轻松愉快的氛围中掌握机器学习的核心概念,为全球的学习者开启了智能时代的知识大门。Datawhale将这一广受欢迎的课程转化为文字,为初学者搭建了一座通向AI世界的桥梁。我鼓励每一位对AI好奇的朋友从这本书开始,迈出你探索未知的第一步。

—— 复旦大学教授,邱锡鹏

AI夏令营已经组织四期了,前四期主要以实践学习为主,第五期将回到理论和AI知识,同时成就贡献者,支持开源贡献者编写的书籍,帮助学习者更好的学习。

内容贡献者↓↓↓

  • 王琦:Datawhale成员,上海交通大学在读博士

c6bdb316f69f36338b6467ea36ea2933.png

  • 杨毅远:Datawhale成员,牛津大学在读博士

cabcd31b1f428e889a01109e5b19dc4d.png

  • 江季:Datawhale成员,北京大学硕士,网易算法工程师

12963e0b612c2d00dc512d9eb47d66c6.jpeg

扫码进入学习蹲蹲群,等待报名

38373a79819fe65b5aabd8b05db610e0.png

MATLAB代码实现了个基于多种智能优化算法优化RBF神经网络的回归预测模型,其核心是通过智能优化算法自动寻找最优的RBF扩展参数(spread),以提升预测精度。 1.主要功能 多算法优化RBF网络:使用多种智能优化算法优化RBF神经网络的核心参数spread。 回归预测:对输入特征进行回归预测,适用于连续值输出问题。 性能对比:对比不同优化算法在训练集和测试集上的预测性能,绘制适应度曲线、预测对比图、误差指标柱状图等。 2.算法步骤 数据准备:导入数据,随机打乱,划分训练集和测试集(默认7:3)。 数据归化:使用mapminmax将输入和输出归化到[0,1]区间。 标准RBF建模:使用固定spread=100建立基准RBF模型。 智能优化循环: 调用优化算法(从指定文件夹中读取算法文件)优化spread参数。 使用优化后的spread重新训练RBF网络。 评估预测结果,保存性能指标。 结果可视化: 绘制适应度曲线、训练集/测试集预测对比图。 绘制误差指标(MAE、RMSE、MAPE、MBE)柱状图。 十种智能优化算法分别是: GWO:灰狼算法 HBA:蜜獾算法 IAO:改进天鹰优化算法,改进①:Tent混沌映射种群初始化,改进②:自适应权重 MFO:飞蛾扑火算法 MPA:海洋捕食者算法 NGO:北方苍鹰算法 OOA:鱼鹰优化算法 RTH:红尾鹰算法 WOA:鲸鱼算法 ZOA:斑马算法
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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