机器学习资源锦集

最新推荐文章于 2025-08-11 22:12:57 发布
原创 最新推荐文章于 2025-08-11 22:12:57 发布 · 285 阅读 · 0 ·
CC 4.0 BY-SA版权
有事您Q我!
文章标签：

#机器学习 #资源

AI人工智能与机器学习的供应链优化策略
AI大模型应用之禅
06-20 914
本文旨在系统性地介绍人工智能和机器学习技术在供应链优化领域的应用方法和实践策略。我们将覆盖从基础理论到高级应用的完整知识体系，特别关注可落地的技术解决方案。文章首先介绍核心概念，然后深入技术细节，包括算法原理和数学模型，接着通过实际案例展示应用方法，最后讨论行业趋势和挑战。供应链优化(Supply Chain Optimization): 通过系统方法提高供应链效率、降低成本并提升服务质量的过程需求预测(Demand Forecasting): 使用历史数据和统计方法预测未来产品需求的技术。
机器/深度学习模型最优化问题详解及优化算法汇总
master_hunter的博客
11-10 5323
其实最优化问题，从小学开始学习数学的时候就可以说已经接触到了，在我印象中有个问题，用一个平底锅煎饼，每次只能放2只饼，煎一只饼要2分钟（正反各用1分钟），煎三只饼要几分钟。这个问题其实已经可以归为最优化问题，我们实际计算出的时间，和真实最节省的时间不断对比去调整煎饼方案，得到时间花费最短的方案，得到最优解。其实这个问题将对象换一下，将煎饼时间换为损失函数，将煎饼换为训练模型，那这个问题就是最优化问题了。
Python机器学习：从入门到精通
YunWisdom
07-18 462
当您翻开此书，您正踏入一场数据与智慧的修行。机器学习，并非冰冷的符码，而是机器模拟人类洞察世界的法门。本书将带您，以Python为舟，泛游于算法之海。我们不只传授“术”，更探求其后的“道”——从数据的生灭流转中观照规律，于模型的迭代演进里体悟得失。愿您合上书卷时，收获的不仅是驾驭数据的技能，更有一双洞悉复杂、化繁为简的“智慧之眼”。现在，让我们一同启程。
python|机器学习的调参方式
qq_63487239的博客
07-12 686
将训练集分成 K 个子集（比如 K=5），每次用 1 个子集当验证集，剩下的当训练集，重复 K 次，得到 K 个验证分数，取平均作为当前超参数的性能指标。：对于复杂模型（如神经网络）或大数据集，网格搜索的计算成本不可接受，而贝叶斯优化能用更少的迭代找到接近最优的参数。注：很多调参函数自带交叉验证，甚至是必选的参数，因此大多数时候需要交叉验证，不需要划分验证集了。：早期尝试不同区域（探索），后期聚焦于已知优解附近（利用），避免盲目搜索。：用这个最终模型在测试集上预测，得到的分数就是模型的最终泛化能力评估。
机器学习从零开始系列01：机器学习概述
a789253的博客
05-03 3304
学习目标 机器学习概述 一、机器学习概述 随着大数据的发展和计算机运算能力的不断提升，人工智能在最近几年取得了令人瞩目的成就。目前在很多行业中，都有企业开始应用机器学习技术，从而获取更深刻的洞察，为企业经营或日常生活提供帮助，提升产品服务水平。机器学习已经广泛应用于数据挖掘、搜索引擎、电子商务、自动驾驶、图像识别、量化投资、自然语言处理、计算机视觉、医学诊断、信用卡欺诈检测、证券金融市场分析、游戏和机器人等领域，机器学习相关技术的进步促进了人工智能在各个领域的发展。 机器学习（Machine Lea
可解释的机器学习
AI 研习社的博客
07-02 7678
原文标题 |Interpretable Machine Learning 作者 |Parul Pandey 译者 |intelLigenJ（算法工程师）、鸢尾 编辑 | 王立鱼 原文链接： https://towardsdatascience.com/interpretable-machine-learning-1dec0f2f3e6b 图源Pexels的Pix...
深度揭秘！ChatGPT背后：机器学习与人工智能的探索之旅
程序边界
06-27 9839
从机器学习的入门概念到前沿的多模态模型和智能体，这场探索之旅让我们深刻感受到了科技的魅力和无限可能。机器学习与人工智能正在改变我们的生活和工作方式，为我们带来了前所未有的便利和创新。未来，随着技术的不断进步，我们有理由相信，机器学习与人工智能将在更多领域发挥重要作用，创造出更加美好的世界。让我们怀揣着对科技的热爱和好奇心，继续在这个充满挑战和机遇的领域中探索前行。本书以大学生村官小L的故事为线索，深入浅出地探讨经典机器学习的基础知识、深度学习的基本原理，以及形形色色的生成式模型。
机器学习面试
Bebr的博客
12-30 1054
（1）代码题（leetcode类型），主要考察数据结构和基础算法，以及代码基本功 虽然这部分跟机器学习，深度学习关系不大，但也是面试的重中之重。基本每家公司的面试都问了大量的算法题和代码题，即使是商汤、face++这样的深度学习公司，考察这部分的时间也占到了我很多轮面试的60%甚至70%以上。我去face++面试的时候，面试官是residual net，shuffle net的作者；但他们的面试...
【机器学习】基于遗传算法和粒子群优化算法优化LSTM附Python代码
Matlab245的博客
03-17 1288
长短期记忆网络（Long Short-Term Memory Networks, LSTM）作为一种特殊的循环神经网络（Recurrent Neural Networks, RNN），在处理序列数据方面表现出了强大的能力，尤其是在时间序列预测、自然语言处理等领域。然而，LSTM模型的性能高度依赖于其超参数的设置，例如学习率、隐藏层神经元数量、dropout比例等。传统的超参数调整方法，如网格搜索（Grid Search）和随机搜索（Random Search），计算成本高昂，且效率较低。
机器学习lightgbm在Qt中的应用
weixin_51009925的博客
07-22 740
首先，在ubuntu中需要有CMake，博主安装版本为cmake-3.21.6，编译过程中如果出现一些错误，还需要安装其它依赖库，根据提示安装即可。Qt中使用机器学习方法预测效果与pycharm效果类似，只有合理利用qt中的函数，就完全可以复现。构建训练集(数据二维，标签一维)和验证集(同训练集一样)并存放获取的数据。转换为LightGBM所需要的格式，由于数据是二维数组，需要压缩成一维。配置结束后，会在LightGBM中包含所需要的头文件和动态库。迭代训练数据 轮数1000，更新模型 ，评估训练优异。
遗传算法与机器学习编程代码_GAandML4P.zip
09-14
遗传算法与机器学习是两个高度相关且日益受到关注的领域。遗传算法（Genetic Algorithms, GA）是一种模拟自然选择和遗传学机制的搜索优化算法，它通过迭代选择、交叉和变异等操作，不断进化出更适应环境的解。而机器...
大学篮球机器学习实验：使用Scala开发NCAA锦标赛
资源摘要信息:"NCAA 篮球机器学习实验是在2015年锦标赛的背景下开发的一个大学篮球学习项目。该项目使用Scala 2.10.4编程语言，并通过sbt构建。sbt是一个Scala构建工具，它用于项目构建和依赖管理。在本实验中，sbt...
机器学习线性归回实战（单因子和多音字分别建立预测房价模型）
usa_washington的博客
08-10 162
线性回归预测房价
机器学习-决策树（DecisionTree）
iamfromhuoxing的博客
08-11 515
对于一个离散随机变量XXX，其可能取值为x1x2xnx1​x2​...xn​，对应的概率分布为p1p2pnp1​p2​...pn​HX−∑i1npilog⁡2piHX−i1∑n​pi​log2​pi​其中，piPXxipi​PXxi​表示随机变量XXX取值为xix_ixi​的概率。给定随机变量XXX和YYYXXX在YY。
数据挖掘3.1支持向量机——引言
moranxiao199的博客
08-11 275
源头介绍支持向量机的理论基础——经验误差最小化 + 结构最小化
机器学习：线性回归
qq_63562373的博客
08-07 239
研究自变量和因变量之间的关系。对于特征x=(x1,x2,x3....)与对应的标签y，线性回归假设二者之间存在线性映射。f(x)=w1x+w2x(平方)+w3x(三次方)...，权重w表示每个特征变量的重要程度。对w求偏导其他看作常量，w看作变量那么复合函数一开始是当作函数平方形式求导，在对内层求导因此还要乘-x(i)。线性回归目标：求解w和b使得f(x)与y尽可能的接近。f(x)=wx+b,目标函数J(w,b)令目标函数对w和b的偏导数为0。
机器学习——DBSCAN
2501_91237346的博客
08-10 975
本文介绍了DBSCAN密度聚类算法的原理、参数调优及实现过程。DBSCAN通过定义核心对象、E邻域和密度可达等概念，能够发现任意形状的聚类并识别噪声点。文中详细说明了Python中sklearn.cluster.DBSCAN的参数设置，包括eps邻域半径、min_samples最小样本数等关键参数的影响。同时提供了完整的代码实现，包括数据预处理、DBSCAN模型训练、轮廓系数评估等步骤，并对比了KMeans与DBSCAN在真实数据集上的表现。最后通过标签对齐方法解决了聚类标签与真实标签的映射问题，采用分类指
机器学习TF-IDF算法详解
2201_75607087的博客
08-11 755
TF-IDF是一种统计方法，用于评估一个词在文档集合（语料库）中某个文档里的重要程度。词频 (Term Frequency, TF)：一个词在文档中出现的次数越多，它对这个文档的重要性可能就越高。逆文档频率 (Inverse Document Frequency, IDF)：一个词在所有文档中出现的文档数越少（即越稀有），它区分文档的能力就越强，重要性就越高。简单来说，TF-IDF值高的词，是那些在当前文档中频繁出现，但在整个语料库的其他文档中很少出现的词。这些词往往最能代表该文档的独特主题。
PyTorch基础(使用Numpy实现机器学习)
最新发布
钢铁男儿
08-11 368
前面已经介绍了Numpy、Tensor的基础内容，对如何使用Numpy、Tensor操作数组有了一定认识。为了加深大家对使用PyTorch完成机器学习、深度学习的理解，本章剩余章节将分别用Numpy、Tensor、autograd、nn及optimal来实现同一个机器学习任务，比较它们之间的异同及各自优缺点，从而使读者加深对PyTorch的理解。首先，我们用最原始的Numpy实现有关回归的一个机器学习任务，不用PyTorch中的包或类。
评论 2
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

打赏作者

callinglove

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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