学习

最新推荐文章于 2025-10-06 23:05:36 发布
转载 最新推荐文章于 2025-10-06 23:05:36 发布 · 1.3k 阅读 · 0

Keras深度学习实战（1）——神经网络基础与模型训练过程详解
盼小辉丶的博客
04-10 7万+
神经网络是一种性能强大的学习算法，其灵感来自大脑的运作方式。类似于神经元在大脑中彼此连接的方式，神经网络获取输入后，通过某些函数在网络中进行传递输入信息，连接在其后的一些神经元会被激活，从而产生输出。本文主要介绍神经网络中重要的基础知识，然后使用 Python 从零开始构建神经网络的训练流程，包括前向传播和反向传播，更直观的了解神经网络的通用训练流程。............
机器学习知识点全面总结
热门推荐
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
04-12 17万+
机器学习按照模型类型分为监督学习模型、无监督学习模型和概率模型三大类,文章对十大机器学习算法进行详细介绍并阐述机器学习其他概念问题，可作为机器学习初学者学习使用。
【机器学习】---元强化学习
2301_80863610的博客
09-24 3924
元学习，又称“学习的学习”，是一种让机器在不同任务之间快速适应和泛化的学习方式。传统机器学习模型通常需要大量数据进行训练，并且在遇到新任务时需要重新训练，而元学习的目标是通过在一系列不同但相关的任务上进行训练，使模型能够快速适应新任务。基于优化的元学习：学习一种优化算法，使模型能够在新任务上快速优化。基于模型的元学习：学习模型本身的结构和动态，使其在少量任务数据下快速调整。基于元表示的元学习：学习适应新任务所需的表示，这通常涉及特征提取。
学习导航网站推荐
2401_89370166的博客
12-10 1898
在寻找优质的学习资源时，一个全面的学习导航网站可以极大地简化我们的搜索过程。以下是几个被广泛认可的学习导航网站，它们提供了丰富的学习资源和分类，适合不同学习需求的用户。
一文吃透！机器学习、深度学习、强化学习大揭秘
大雨的博客
10-06 1939
本文系统比较了人工智能领域的三大核心技术：机器学习、深度学习和强化学习。1）机器学习作为基础，通过数据驱动方式学习模式，适用于传统预测分类任务；2）深度学习利用多层神经网络自动提取特征，在图像、语音处理等领域表现突出；3）强化学习通过环境交互和奖励机制优化策略，擅长动态决策问题。三者各具特色：机器学习模型简单但依赖特征工程，深度学习自动特征提取但需要大量数据，强化学习无需标注但训练复杂。实际应用中它们常相互融合，如自动驾驶结合三者优势。
【机器学习】工业 4.0 下机器学习如何驱动智能制造升级
2301_80350265学无止尽5的博客
12-29 3779
我的领域，希望能帮助到大家！！！随着科技的飞速发展，工业 4.0 浪潮正席卷全球制造业，而机器学习作为这一变革中的关键技术，正以前所未有的力量重塑着智能制造的格局。
如何高效优雅的完成一次机器学习服务部署？一文详解部署难点以及实战案例
master_hunter的博客
04-07 2万+
数据准备：从公共数据集中获取数据，并进行数据清洗和特征工程处理，将数据转化为适合机器学习算法处理的格式。创建SageMaker Notebook实例：通过AWS Management Console或AWS SDK创建SageMaker Notebook实例，并连接到实例。编写代码：在Notebook中编写代码，使用Amazon SageMaker提供的XGBoost算法和数据输入通道，加载并处理数据，训练并评估模型。模型调优：通过调整模型的参数和超参数，优化模型性能。
机器学习入门之监督学习
weixin_44748012的博客
10-28 2811
分类（Classification）：当输出变量是离散的，任务是预测输入数据属于哪一个类别。例如，判断一封电子邮件是垃圾邮件还是非垃圾邮件。常见的分类算法包括逻辑回归、决策树、随机森林、支持向量机、朴素贝叶斯等。回归（Regression）：当输出变量是连续的，任务是预测一个数量。例如，根据房屋的特征（如面积、位置等）来预测房屋的价格。常见的回归算法包括线性回归、决策树回归、随机森林回归等。
【强化学习】双延迟深度确定性策略梯度算法(TD3)详解
博主关注人工智能、强化学习、嵌入式等||985高校A+学科研究生、猿龄六年||优快云博客专家、2024年博客之星TOP33、华为云享专家、人工智能领域优质创作者。
01-01 1万+
双延迟深度确定性策略梯度算法，TD3（Twin Delayed Deep Deterministic Policy Gradient）是强化学习中专为解决连续动作空间问题设计的一种算法。TD3算法的提出是在深度确定性策略梯度（DDPG）算法的基础上改进而来，用于解决强化学习训练中存在的一些关键挑战。
信息学奥赛学习规划
XRC2231的博客
02-05 1917
信息学奥赛的学习规划是一个系统而漫长的过程，需要学生在基础知识、进阶技能、赛前准备和心态调整等多个方面做出努力。通过科学合理的规划，持之以恒的学习，以及对竞赛的热情和坚持，相信每位学生都能在信息学奥赛的舞台上展现自己的风采，收获成长与成功。记住，竞赛只是检验学习成果的一种方式，更重要的是在这个过程中培养起来的逻辑思维、问题解决能力和对计算机科学的热爱。
《机器学习》周志华_自学记录
2201_75296678的博客
10-04 2254
第一章绪论## 1.1引言机器学习所研究的主要内容，是关于在计算机上从数据中产生"模型"(model)的算法，即"学习算法"(learning algorithm).在面对新的情况时(例如看到一个没剖开的西瓜)，模型会给我们提供相应的判断(例如好瓜).如果说计算机科学是研究关于"算法"的学问，那么类似的，可以说机器学习是研究关于"学习算法"的学问.## 1.2基本术语：用于预测离散值，例如将样本分为“好瓜”或“坏瓜”。：用于预测连续值，例如西瓜的成熟度（如0.95、0.37）。
精选资源
深度学习、pytorch、python、深度学习基础PDF
03-25
有利于深度学习的学习与入门。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。 ...
精选资源
贝叶斯统计机器学习ppt
01-25
贝叶斯统计机器学习ppt 贝叶斯统计机器学习是机器学习领域中一个重要的分支，它通过贝叶斯统计方法来解决机器学习问题。本资源摘要信息将对贝叶斯统计机器学习的主要内容进行概括，从贝叶斯决策理论到机器学习问题...
精选资源
李宏毅深度学习课件.rar
12-02
《李宏毅深度学习课程详解》 深度学习作为人工智能领域的重要分支，近年来在图像识别、自然语言处理、语音识别等领域取得了显著成就。李宏毅教授是国际知名的机器学习专家，他在深度学习领域的教学经验丰富，其课程...
精选资源
Python深度学习：基于PyTorch.pdf
07-26
深度学习之pytorch版本，适合深度学习初学者入门，给初学者讲解每一个函数，用法，是广大深度学习爱好者的编程经验提炼
EI复现基于粒子群算法的风电-水电（抽水蓄能）联合优化调度研究（Matlab代码实现）
12-20
【EI复现】基于粒子群算法的风电-水电（抽水蓄能）联合优化调度研究（Matlab代码实现）内容概要：本文围绕基于粒子群算法（PSO）的风电-水电（含抽水蓄能）联合优化调度展开研究，旨在通过Matlab代码实现该优化模型的复现。研究重点在于利用粒子群算法求解多能源系统中的调度问题，综合考虑风电的不确定性与水电（尤其是抽水蓄能电站）的调节能力，构建联合调度模型，以实现电力系统运行的经济性、低碳性与稳定性目标。文中详细阐述了模型构建思路、算法实现流程及关键参数设置，并通过仿真验证了方法的有效性与可行性，属于EI级别论文的复现工作。; 适合人群：具备一定电力系统基础知识和Matlab编程能力的研究生、科研人员及从事新能源调度相关工作的工程技术人员。; 使用场景及目标：①掌握粒子群算法在电力系统优化调度中的具体应用方法；②理解风电-水电联合调度的建模思路与实现过程；③复现并改进已有EI论文中的优化模型，用于学术研究或实际工程参考。; 阅读建议：建议读者结合Matlab代码同步学习，重点关注目标函数设计、约束条件处理及算法参数调优部分，同时可尝试将该方法迁移至其他多能源协同优化场景中进行拓展研究。
研究锂离子电池模型中的最佳性能和效率：对电池组配置、负载选择、放电倍率(C-rate)、容量和电量状态(SOC)的全面研究（Simulink仿真实现）
最新发布
12-20
研究锂离子电池模型中的最佳性能和效率：对电池组配置、负载选择、放电倍率(C-rate)、容量和电量状态(SOC)的全面研究（Simulink仿真实现）内容概要：本文通过Simulink仿真实现，对锂离子电池模型的性能与效率进行了全面研究，重点分析了电池组配置、负载选择、放电倍率(C-rate)、容量及电量状态(SOC)等因素对电池系统的影响。研究涵盖了电池建模、参数设置、工况仿真与性能评估，旨在揭示不同条件下电池的工作特性与效率表现，优化电池使用策略。通过系统级仿真，为电池管理系统设计、电动汽车及储能系统应用提供理论支持和技术参考。; 适合人群：具备一定电力电子、电池管理系统或新能源领域基础知识的科研人员、工程技术人员及高校研究生。; 使用场景及目标：①用于锂离子电池系统的设计与性能优化；②支持电动汽车、可再生能源储能等应用场景下的电池管理策略研究；③为电池仿真建模、SOC估算、效率分析等课题提供仿真基础与数据支撑； 阅读建议：建议结合Simulink模型同步操作，深入理解各参数设置对仿真结果的影响，重点关注不同C-rate和负载条件下的SOC变化趋势与能量效率差异，并可进一步扩展至老化模型与热效应分析。
【遥感与地理信息】基于Google Earth Engine的LULC分类地图生成与面积统计：动态世界模型2024年土地覆盖分析应用
12-20
内容概要：本文介绍了一段基于Google Earth Engine（GEE）平台的代码，用于实现任意区域的土地利用/土地覆盖（LULC）分类制图与面积统计。代码首先加载指定区域（AOI），然后获取2024年Dynamic World数据集的影像分类结果，计算每个像素全年最频繁出现的地物类别（众数），并裁剪得到研究区内的LULC分布图。通过可视化调色板对不同地类进行色彩渲染，并叠加显示在地图上。同时，代码还计算各类别的实际面积（单位：公顷），生成按地类分组的统计结果，并支持将面积统计数据导出为CSV文件，以及将分类图像导出为GeoTIFF格式。; 适合人群：地理信息系统（GIS）、遥感相关领域的研究人员、学生及技术人员，具备基本JavaScript或GEE编程经验者更佳；; 使用场景及目标：①实现快速的土地利用分类制图；②定量统计不同地类的面积分布；③支持环境监测、城市规划、农业管理等应用领域的空间数据分析；④学习GEE平台中影像处理、区域统计与结果导出的操作流程； 阅读建议：此资源以实际代码为基础，注释清晰且功能完整，建议结合Google Earth Engine平台动手运行并调整参数，深入理解影像集合处理、像素级运算、reduceRegion统计方法及数据导出机制。
自定义颜色渐变的仪表盘
12-20
代码转载自：https://pan.quark.cn/s/6457e8564613 仪表盘、仿芝麻信用（新旧两版）、炫酷汽车速度仪表 该项目用于相互交流学习自定义仪表盘控件。 由于仪表盘控件可变属性太多，抽成一个未必能满足广阔的需求，因此实现了不同的，若有适合项目可直接在其基础上改动。 前期模仿了一些比较常见的样式，将来若有新样式会逐渐加入。 sample.apk Screenshot style1 style2 style3 style4 欢迎 or License
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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