墨衍会员
·
AI 创作全网分发
墨衍智能分发
本文由作者通过墨衍一键同步至各平台
1分发平台
300+累计阅读
331平均单平台
已同步平台
优快云
微信公众号
微博
知乎
掘金
百家号
博客园
抖音
小红书
你的文章也可以这样分发
墨衍会员 ¥399起/年，写一次发全网
我也要
按照输入变量个数划分，一元回归，对元回归
按照模型类型，线性回归和非线性回归
平方损失函数，当选择平方损失函数作为损失函数，回归问题的参数求解可以使用最小二乘法求解
梯度下降算法
牛顿法和拟牛顿法
10分钟上手YOLOv11：最强姿态估计模型来了，代码开源，效果炸裂！
【10分钟玩转YOLOv11实时姿态估计】🚀 YOLOv11作为YOLO家族最新成员，在速度、精度和易用性上全面升级，尤其适用于姿态估计等复杂视觉任务。本文带您快速掌握： 1️⃣ 核心概念：姿态估计即识别人体17个关键点（如关节部位）并连接成数字骨架，是智能健身、体感游戏等应用的基础。 2️⃣ 技术优势： 超轻量级（最小仅2.9M参数） 极速推理（GPU仅1.7ms） 高精度（COCO mAP@50-95达50%） 3️⃣ 三步实操： ① 安装：pip install ultralytics ② 准备人物
大数据开发之机器学习总结（数学知识）（三）
大数据开发之机器学习总结（三） 机器学习基础数学知识 5. Spark MLLib简介 6. 模型评估 7. Spark MLlib算法案例 8.
H3C无线控制器二层注册实战：从零配置到AP上线全流程（附常见问题排查）
本文详细解析了H3C无线控制器二层注册的全流程，从网络基础准备、AC核心配置到AP上线，重点阐述了CAPWAP隧道建立的关键步骤。文章提供了清晰的典型配置示例，并针对AP无法上线、状态异常等常见问题，给出了六种典型故障现象的排查思路与解决命令，帮助网络工程师快速定位并解决问题。
大数据和机器学习的关系
在网上查了一些资料，整理了一下大数据，数据挖掘，机器学习，深度学习和云计算这些概念的区别和联系，希望能对数据科学的初学者有所帮助
Android 编译系统(Build System)剖析
make是一种自动化构建工具，通过读取Makefile将源代码自动编译为可执行程序和库文件。
Pandas数据处理（一）
Pandas 是非常著名的开源数据处理库，我们可以通过它完成对数据集进行快速读取、转换、过滤、分析等一系列操作。除此之外，Pandas 拥有强大的缺失数据处理与数据透视功能，可谓是数据预处理中的必备利器。 特有的数据结构是 Pandas 的优势和核心。我们可以将任意格式的数据转换为 Pandas 的数据类型，并使用 Pandas 提供的一系列方法进行转换、操作，最终得到我们期望的结果。 数据读取 df = pd.read_csv("文件名.csv") df Pandas 提供了 head() 和 ta.
Android 9.0 SystemUI禁用长按recent键的分屏功能
在9.0的系统产品开发中，系统对于多窗口模式默认会有分屏功能的，但是在某些产品中，需要禁用分屏模式，所以需要在导航栏中 禁用长按recent的分屏模式功能，接下来分析下相关分屏模式的实现
大数据实验报告总结体会_主流大数据技术总结
架构师(JiaGouX)我们都是架构师！架构未来，你来不来？原文：https://www.cnblogs.com/code2one/p/12900508.html作者：justcodeit背景数据量不断增加，企业需要灵活快速地处理这些数据。处理器主频和散热遇到瓶颈，多核处理器成为主流，并行化计算应用不断增加。开源软件的成功使得大数据技术得以兴起。互联网技术的发展让大多数企业能够积累大...
MTK Meta ISP 工具使用技巧与参数读取路径全解析
在联发科（MediaTek, MTK）平台上进行相机图像调试时，Meta ISP 工具是连接 PC 与设备进行参数调整、寄存器读取和图像输出的重要工具。本文以实战角度出发，系统梳理 Meta ISP 的使用流程、关键模块功能、典型调试技巧与参数读取路径，结合最新版平台（如MTK Genio/Dimensity 系列）架构，帮助工程师掌握联发科图像调优的核心流程。
【第三方互联】12、支付宝（Alipay）授权第三方登录
我们创建了支付宝开放平台的网页&移动应用，审核通过后，我们需要拿到appid，支付宝公钥，私钥进项开发 一、添加应用信息至项目环境中 我们保存了 appid、应用私钥、支付宝公钥、支付宝回调地址等信息，这里的公钥为支付宝开放平台为我们生成的“支付宝公钥” 二、引入 Maven 依赖 <!-- 支付宝SDK --> <dependency> <g.........
最全【Spark ML】（二）Spark ML 分类算法_spark分类算法，2024年最新从入门到精通的大数据开发进阶学习笔记整理
网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。需要这份系统化资料的朋友，可以戳这里获取一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！ Coefficients: 3 X 4 CSRMatrix (0,3) 0.3176 (1,2) -0.7804 (1,3) -0.377 Intercept:
基于YOLO26/11/v8算法的Web目标检测系统，人脸表情识别系统，Django+Vue3 的前后端分离，实现摄像头实时识别，YOLO26/YOLO11/v8 + LLM大模型智能分析，科研必备
在人工智能迈向通用化（AGI）的今天，“视觉感知 + 语言理解”的多模态联合是未来的趋势。单纯的检测画框已经无法满足复杂的业务需求，如何让系统“看懂”画面并进行“思考”，是当前视觉项目的重点。我们知道目标检测是计算机视觉中的重要任务，广泛应用于安防监控、自动驾驶、智能家居等领域。因此本项目将 YOLO 目标检测模型（兼容 YOLO26/v11/v8 系列）与 DeepSeek 等顶流大语言模型（LLM） 进行联合，使用 Django (后端) + Vue3 (前端) 技术栈
2024年最新【Spark ML】（二）Spark ML 分类算法_spark分类算法(2)，大数据开发工作经验6年
LogisticRegressionTrainingSummary提供LogisticRegressionModel的一些训练指标摘要。在二进制分类的情况下例如， ROC曲线。
Statistics and Machine Learning Toolbox
Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具
深度学习工具包 DeepLearningToolbox
深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[](https://bitdeli.com/free "Bitdeli Badge")
2024年最全【Spark ML】（二）Spark ML 分类算法_spark分类算法，2024年最新写给正在求职的大数据开发开发
以LibSVM格式加载数据集，将其拆分为训练集和测试集，在第一个数据集上训练，然后在保留的测试集上进行评估。这些帮助标记和分类特征的索引类别，向决策树算法可识别的DataFrame添加元数据。在spark.ml中，逻辑回归可以用于通过二项逻辑回归来预测二元结果，或者它可以用于通过使用多项逻辑回归来预测多类结果。使用family参数在这两个算法之间进行选择，或者保持不设置，Spark将推断出正确的变量。通过将’family’参数设置为“multinomial”，可以将多项逻辑回归用于二元分类。
STM32F407中文手册
STM32f407中文手册 本参考手册面向应用开发人员，提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列，各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性，请参见数据手册。有关 ARM Cortex™-M4F 内核的信息，请参见《Cortex™-M4F 技术参考手册》。
【赠书第19期】跨平台机器学习：ML.NET架构及应用编程
在微软最有价值专家（16届）的指导下，运用跨平台机器学习框架ML.NET来创建机器学习解决方案，将人工智能技术应用于实际任务场景中。
Devexpress16.2.6破解工具
Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具
Spark - ML：开启大数据机器学习的神奇之门
Spark - ML 凭借其强大的分布式计算能力、丰富的算法库、灵活的特征工程工具和高效的模型评估机制，在大数据与机器学习领域展现出了巨大的优势。它已经在电商、金融、医疗等众多行业得到了广泛的应用，为企业和机构解决了实际业务中的关键问题，带来了显著的经济效益和社会效益。随着大数据和人工智能技术的不断发展，Spark - ML 也将迎来更广阔的发展前景。在未来，随着数据量的持续爆炸式增长，Spark - ML 将不断优化其性能，进一步提升在海量数据处理上的效率，以满足企业对实时性和准确性的更高要求。
【机器学习】机器学习与AI大数据的融合：开启智能新时代
在当今信息爆炸的时代，大数据和人工智能（AI）已经渗透到我们生活的每一个角落。机器学习作为AI的核心技术之一，与大数据的结合为我们提供了前所未有的机会，从海量数据中挖掘出有价值的信息，进而推动科技的进步和社会的进步
BigData-Notes：全面解析大数据技术栈入门指南
BigData-Notes：全面解析大数据技术栈入门指南 本文全面解析了大数据技术生态体系，涵盖了从数据采集、存储、处理到应用的全生命周期技术栈。详细介绍了Hadoop生态系统三大核心组件（HDFS、MapReduce、YARN）的架构原理和协同工作机制，深入对比分析了主流流处理框架（Flink、Spark Streaming、Storm）与批处理框架的技术特性、性能差异和适用场景。最后提供了系统...
如何快速掌握大数据技术：awesome-bigdata知识分享终极指南
大数据技术正在改变我们的世界，但面对如此多的框架和工具，新手往往感到无从下手。😅 今天我要为大家介绍一个宝藏项目——**awesome-bigdata**，这是一个精心策划的大数据框架、资源和其他优秀项目的集合，帮助你在大数据领域快速成长！ ## 📊 什么是awesome-bigdata？ awesome-bigdata是一个全面的大数据技术资源库，包含了从分布式编程到数据可视化的各种工具
大数据必读书单：专业书籍推荐awesome-bigdata指南
想要在大数据领域快速成长？awesome-bigdata项目为你精心整理了最全面的**大数据必读书单**，涵盖从基础理论到实践应用的方方面面。这个项目汇集了**大数据学习资源**、**分布式系统书籍**和**数据科学经典著作**，帮助你在数据时代脱颖而出！🚀 ## 📚 大数据学习路径全解析 ### 分布式系统基础入门 想要掌握大数据核心技术，首先要理解分布式系统的原理。awesome-bi
探索大数据平台：goldlone的bigdata_platform
探索大数据平台：goldlone的bigdata_platform 去发现同类优质开源项目:https://gitcode.com/ 项目简介 是一个开源的大数据处理和分析框架，旨在简化大数据项目的开发、部署和运维过程。该项目提供了全面的数据集成、存储、计算、查询与分析功能，适用于各种规模的企业和开发者，帮助他们更好地管理和利用海量数据。 技术分析 1. 基于Hadoop的分布式架构 bigdat...
多语言开发者必备：Awesome BigData大数据生态完整指南
在当今数据驱动的时代，大数据技术已经成为每个开发者必须掌握的技能。无论你是Python、Java还是Scala开发者，了解大数据生态系统都能让你在职业生涯中脱颖而出。Awesome BigData项目为开发者提供了全面的大数据资源集合，涵盖数据处理、存储、机器学习等各个领域。🎯 ## 为什么你需要了解大数据技术？ 大数据技术不再只是数据工程师的专利！随着数据量的爆炸式增长，前端、后端、全栈开
探秘大数据之神：God-Of-BigData
探秘大数据之神：God-Of-BigData 去发现同类优质开源项目:https://gitcode.com/ 在这个数据驱动的时代，高效处理和分析海量数据的能力成为了企业竞争的关键。今天，我们要向大家推荐一个开源的大数据处理框架——。这是一个由王志武大神主导开发的项目，旨在简化并加速大数据的处理流程，提供更强大的数据分析能力。 项目简介 God-Of-BigData 是一款基于 Java 实现的...
使用 .NET 5 体验大数据和机器学习
2020 中国.NET 开发者峰会正式启动，欢迎大家提交演讲主题或者购买超级早鸟票。翻译：精致码农-王亮原文：http://dwz.win/XnM.NET 5 旨在提供统一的运行时和框...
bigdata-ecosystem的10个真实用途：从大数据技术选型到学习路线图
**bigdata-ecosystem** 是一个开源的 BigData Ecosystem Dataset（大数据生态数据集）：它把 **500 多个大数据相关开源项目** 和 **190 余篇经典论文**（1997–2016）全部整理成了结构统一的 JSON 文件。对刚接触大数据的同学来说，它相当于一张"全景地图"——既能帮你快速做技术选型、对比数据库和流处理框架，也能按年份梳理出完整的学习路
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
1788
扫一扫
