人工智能、机器学习、深度学习：技术革命的深度解析 本文系统介绍了人工智能、机器学习和深度学习三大技术领域。第一部分阐述了人工智能的定义、发展历史、核心概念(如知识表示、搜索算法等)及其在自然语言处理、计算机视觉等领域的应用。第二部分详细讲解了机器学习的基本理论，包括监督学习、无监督学习等关键概念，重点介绍了常用的机器学习算法及其实际应用案例。第三部分深入探讨了深度学习技术，包括神经网络、激活函数等核心要素，并分析了CNN、RNN等主流架构及其创新应用。文章通过代码示例展示了各领域的基础实践，并展望了未来发展方向，强调这些技术正在深刻改变人类社会。

阅读 6.2k

38赞

收藏 52
机器学习（一）标量（Scalar）、向量（Vector）、矩阵（Matrix）、张量（Tensor） 本文系统介绍了标量、向量、矩阵和张量在机器学习中的概念与应用。标量是单一数值，向量是有序数值数组，矩阵是二维数组，张量则是多维数组的通用表示。文章详细阐述了它们的数学定义、表示方法、运算规则及Python实现，并通过实际案例说明了在机器学习中的典型应用场景（如损失函数、特征向量、图像处理等）。重点强调了张量作为深度学习基础数据结构的重要性，包括其多维表达能力、硬件优化支持和自动微分特性。掌握这些数据结构的创建、运算和变形是成为AI从业者的必备技能。

阅读 1.4k

20赞

收藏 21
springboot助农销售系统-计算机毕业设计源码58707 评论管理：显示用户通过前台评论的列表，支持追加、修改、删除。 资讯中心：支持资讯分类设置，录入资讯，资讯列表，资讯修改和删除。 资讯评论列表：显示前台用户评论的资讯和评论内容列表，后台管理员审核后前台才可见。 商品分类设置：设置商品分类信息，供用户发布商品的时候选择分类；支持修改和删除 管理商品：查看平台所有用户发布的商品信息列表，如果发现违规的可以删除。 商品评论列表：显示所有用户评论的商品信息和评论信息，管理员审核后前台可见。 热门商品关键字：设置需要在前台查询框下面显示的热门商品名称

阅读 845

29赞

收藏 12
吉林大学22级机器学习B期末复习 初步理解 概率论加线性代数课。

阅读 6.4k

44赞

收藏 184
吉林大学软件学院 22级机器学习B 期末考试真题回忆版分享（独家） 本文提供了22级机器学习期末考试真题回忆版，包含完整题型与分值分布。试卷分为四部分：选择题（20分）考察基础概念；简答题（20分）涵盖SGD/BGD比较、牛顿法、SVM决策面绘制、PCA原理及K-means缺点；计算题（30分）包括线性回归梯度下降、神经网络参数计算和K-means聚类；论述题（30分）聚焦SVM理论（硬/软间隔、核函数）和机器学习应用影响分析。特别说明考试注重结论记忆而非复杂的数学推导，并感谢@洛樱同学提供真题内容。

阅读 799

15赞

收藏 22
基于机器学习的公司财务数据分析预测 本研究实现了一个集成的聚类与分类分析框架，结合K-means聚类与随机森林分类器对企业财务数据进行深度挖掘与预测。研究首先对多维度财务指标数据进行标准化预处理，通过轮廓系数法与手肘法确定最优聚类数目，完成样本的聚类分组。随后，将聚类结果作为类别标签，构建随机森林分类模型，并通过网格搜索优化超参数、交叉验证评估模型性能，同时绘制ROC曲线、精度-召回曲线、混淆矩阵及特征重要性图等进行全面模型评估。最后，利用训练好的模型对新样本进行分类预测，并可视化聚类结果与预测对比。

阅读 871

18赞

收藏 8
人工智能与机器学习从理论、技术与实践的多维对比 人工智能与机器学习在核心目标、知识获取方式、数学基础和应用场景等方面存在显著差异：维度人工智能（传统）机器学习核心目标模拟人类认知全流程，实现通用智能提升特定任务性能，聚焦模式识别知识获取人工定义规则和逻辑，依赖领域专家数据驱动自动学习，依赖大规模数据集数学基础离散数学、逻辑学、符号系统统计学、线性代数、优化理论系统透明度可解释（规则链追溯）黑箱（需后验解释技术）数据依赖小规模先验知识大规模标注数据（尤其是深度学习）典型应用逻辑推理、专家系统、符号规划。

阅读 3.1k

67赞

收藏 47
机器学习分子动力学专题学习 本课程系统讲解AI4Science时代的分子动力学模拟方法，涵盖传统力场与机器学习力场技术。课程分为四部分：1）基础理论与主流分子模拟软件（LAMMPS/OpenMM/CP2K等）的实操；2）机器学习力场模型设计（DeePMD、图神经网络等）及DPGEN主动学习框架；3）等变模型（NequIP等）与高阶技术；4）前沿大模型（MACE、Allegro）与应用。通过案例对比传统与机器学习力场的差异，结合Python实现自动化计算与可视化分析，培养学员掌握从理论建模到工业级仿真的全流程能力。

阅读 1.0k

22赞

收藏 19
机器学习基本概念与建模流程 机器学习（的过程）本质是通过数据的不断训练，使得模型在其对应的评价指标上表现越来越好的一个过程。

阅读 878

14赞

收藏 32
【机器学习】一文彻底搞懂正则化（Regularization） 正则化：机器学习中的抗过拟合利器 正则化是机器学习中防止模型过拟合的核心技术。本文从过拟合问题切入，深入解析L1和L2两种正则化方法。L2正则化（Ridge）通过权重平方和惩罚项使参数趋近于零但不为零，适用于一般防过拟合场景；L1正则化（Lasso）采用绝对值惩罚项，能将不重要特征权重压缩至零，实现自动特征选择。二者关键区别在于：L1产生稀疏模型，适合特征选择；L2保持所有特征但缩小权重，更适合常规应用。正则化通过在损失函数中加入惩罚项，平衡模型拟合度与复杂度，显著提升模型泛化能力。

阅读 3.0k

34赞

收藏 32
作者推荐
双木的木
种一棵树最好的时间是十年前，其次是现在。
关注
UnknownBody
AI博士，最近一直follow大模型相关论文，每日会更新学术界论文的进展。
关注
limenga102
分享java、python、神经网络深度学习、transformer相关的知识，小伙伴们如果有不太明白的技术点，欢迎给我留言
关注
大模型RAG实战
热爱分享，AI大模型学习资料、视频教程、面试合集等等可以私信我
关注
大模型任我行
大模型探索者，每日论文分享，追踪技术前沿！之前的几百篇论文分享都在xhs（https://www.xiaohongshu.com/user/profile/61d5aec7000000001000568c），欢迎点赞收藏！
关注
LCG元
企业信息数字化解决方案 政务/大数据/集成/物联/门户/XC 专项系统：人事|项目|合同|发票|电签|印章|认证|营销|客服|档案|资产|知识|采购|费控|RPA|OA 等系统「一体化的解决方案」，热衷于探索数字化信息，并将理论转化为实际应用。希望能和志同道合的朋友共同交流探讨，共同进步，学习成长。技术合作请加本人wx(注明来自优快云)：renganhugo
关注
Limiiiing
YOLO系列，RT-DETR模型、多模态融合改进。专栏内所有文章均配置完整代码和详细步骤，亲测可行，快速涨点。订阅专栏享受改进，写作，选刊等答疑内容，助力科研，发文无忧。
关注
xier_ran
此账号用于记录学习过程中遇到的一些问题以及学习内容。目前主要方向是深度学习
关注
盼小辉丶
记录学习历程，分享学习心得，关注深度学习，欢迎交流学习.
关注
浩瀚之水_csdn
路漫漫其修远兮,吾将上下而求索,立刻行动,坚持,努立
关注