- 博客(4)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 机器学习之监督学习
模型的目标并非简单"记忆"训练数据，而是通过挖掘数据规律，构建能够有效泛化到新数据的映射关系模型的目标不是 “记住” 训练数据，而是通过数据中的规律，归纳出能泛化到新数据的映射关系。监督学习的最终价值不是在训练数据上表现好（否则会 “过拟合”，比如死记硬背训练数据，新数据完全预测错误），而是 对从未见过的未知数据的预测准确性（泛化能力）。关键操作：通过 “训练集（学习规律）+ 验证集（调整参数）+ 测试集（最终评估）” 的划分，避免过拟合，确保模型能迁移到新场景；：泛化能力（对未知数据的预测能力）
2026-01-08 11:18:28
349
原创 Python AI方向学习路线
a = 5b = 3sum_result = a + bprint(sum_result)NumPy 示例pythonimport numpy as nparr = np.array([1, 2, 3, 4, 5])sum_arr = arr.sum()print(sum_arr)Scikit - learn 线性回归示例pythonfrom sklearn.linear_model import LinearRegressionimport numpy as npX = np.array(
2025-03-17 16:36:16
985
原创 人工智能训练师需要具备哪些技能和知识？
精通机器学习框架（TensorFlow、PyTorch）和深度学习算法（CNN、RNN、Transformer），熟悉模型训练、评估与调优流程。掌握数据采集、清洗、分类及标注工具（如 LabelImg、CVAT、Prodigy），熟悉文本、图像、语音、视频等多模态数据处理流程。跟踪 AI 前沿技术（如大模型微调、prompt 工程），参与行业培训及认证（如国家市场监督管理总局能力验证）。理解机器学习基础理论（监督学习、无监督学习、强化学习），掌握概率论、统计学及线性代数等数学工具。
2025-03-10 14:55:06
3206
原创 Manus 和 DeepSeek 一个思考一个执行
DeepSeek 是 “聪明的大脑”，适合需要专业知识输出的场景；Manus 是 “勤快的手脚”，擅长多步骤任务的自动化执行。两者并非对立，而是 AI 发展中 “思考” 与 “执行” 的自然分工，未来可能形成 “大脑 + 手脚” 的协作生态。根据任务需求选择，或两者结合，可最大化提升效率。Manus 和 DeepSeek 是两款定位截然不同的 AI 工具，核心差异在于 **“思考” 与 “执行” 的分工 **，可以类比为人类社会中的 “大脑” 与 “手脚”。
2025-03-07 10:00:49
777
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人