- 博客(79)
- 资源 (24)
- 收藏
- 关注
RSS订阅原创 动态规划基础思想
本页面主要介绍了动态规划的基本思想，以及动态规划中状态及状态转移方程的设计思路，帮助各位初学者对动态规划有一个初步的了解。本部分的其他页面，将介绍各种类型问题中动态规划模型的建立方法，以及一些动态规划的优化技巧。
2024-04-08 20:28:38
1046
原创 3、最大池化maxinmum pooling
仅仅因为视角或构图的差异，同一种类型的特征可能会位于原始图像的各个部分，但我们仍然希望分类器能够识别出它们是相同的。这是一个 Python 函数，它做的事情与你在模型构建时使用的 MaxPool2D 层相同，但是，作为一个简单的函数，直接使用更容易。实际上，池化只在网络中的小距离上创建平移不变性，就像图像中的两个点一样。在这一课中，我们将看一下这个序列中的第三个（也是最后一个）操作：通过最大池化进行压缩，这在 Keras 中是通过 MaxPool2D 层完成的。让我们在第二课中的示例中添加“压缩”步骤。
2024-04-08 19:44:22
935
原创 1、OI 赛事与赛制
信奥赛的全称是：全国青少年信息学奥林匹克竞赛也称“信息学奥赛”、“信奥”、“信奥赛”，由教育部和中国科协委托中国计算机学会(CCF)举办的，旨在普及中学青少年阶段的计算机科学知识。主要考察计算机科学相关知识和能力，为选拔优秀学生参加国际学科奥赛做准备。
2024-02-20 13:49:13
1100
原创 9、使用 ChatGPT 的 GPT 制作自己的 GPT！
想用自己的 GPT 超越 GPT ChatGPT 吗？那么让我们 GPT GPT 吧！山姆 · 奥特曼利用这个机会在推特上宣传 GPTs 的同时还猛烈抨击了埃隆的格罗克。
2024-02-20 13:20:04
926
原创 8、免费访问 GPT-4 的 3 种方法
Open AI 最近推出了其最新的 AI 模型 GPT-4，它可以处理文本和图像输入以生成各种类型的响应。但是，GPT-4 API 不是公开的，只能由有限数量的个人访问，每月支付 20 美元的费用。在这篇文章中，我们将介绍 3 个允许用户免费测试 GPT-4 的平台。此外，我们将讨论一个计划在未来免费提供 GPT-4 访问的平台。
2024-02-20 13:17:22
1589
原创 7、7 个适合初学者的项目，让您开始使用 ChatGPT
在当今世界释放人工智能的力量。在技术以前所未有的速度发展的时代，从自动化日常任务到预测复杂模式，人工智能正在重塑行业并重新定义可能性。当我们站在这场人工智能革命中时，然而。。。我知道开始使用这些新技术可能会让人不知所措。因此，如果您想知道如何开始使用 AI，尤其是像 ChatGPT 这样的模型…让我们一起发现它们！👇🏻。
2024-02-08 19:01:27
1014
原创 6、5 门关于 AI 和 ChatGPT 的免费课程，带您从 0-100
哈佛大学 - Python人工智能简介这是一个为期 7 周的课程，采用自定进度学习，了解如何在 Python 中使用机器学习进行人工智能。在本课程中，您将了解现代人工智能的不同概念和算法。您将深入了解手写识别和机器翻译等实际用例。您不仅会了解它，而且还有机会亲身体验项目，这将使您能够应用基于理论的知识以及它如何应用于机器学习和人工智能的不同方面，并将它们整合到您自己的 Python 程序中。在课程结束时，您将对机器学习中使用的库和人工智能原理有丰富的了解，以便您可以构建自己的智能系统。
2024-02-08 18:56:44
1613
原创 2、卷积和ReLU激活函数
在上一课中，我们看到卷积分类器有两部分：base(多为卷积层)和head(dense layers, 密集层或称为全连接层)。我们了解到基的工作是从图像中提取视觉特征，然后头会使用这些特征来分类图像。在接下来的几课中，我们将学习通常在卷积图像分类器的基中找到的两种最重要的层类型。这些是卷积层和ReLU激活函数，以及最大池化层。在第5课中，你将学习如何通过将这些层组合成执行特征提取的块来设计你自己的卷积网络。这节课是关于卷积层及其ReLU激活函数。
2024-02-07 19:03:41
1856
原创 1、卷积分类器
这门课程将介绍计算机视觉的基本理论。我们的目标是学习神经网络如何“理解”一张自然图像，以解决人类视觉系统可以解决的同类型问题。最擅长这项任务的神经网络被称为卷积神经网络（有时我们称之为卷积网络或CNN卷积是赋予卷积网络层其独特结构的数学运算。在未来的课程中，你将学习为什么这种结构在解决计算机视觉问题上如此有效。我们将把这些理念应用到图像分类问题上：给定一张图片，我们能否训练一台计算机告诉我们这是一张什么的图片？你可能见过应用程序，它可以从一张照片中识别出植物的种类。那就是一个图像分类器！
2024-02-07 18:58:19
849
原创 5、从 CSV 到 ChatGPT 的完整分析报告，只需 5 个简单步骤
数据分析是一项耗时的活动。使用 ChatGPT，我们可以在短时间内进行数据汇总、数据预处理、数据可视化等。无论您从事什么行业，在数据驱动时代，知道如何分析数据比以往任何时候都更加重要。数据分析将使企业能够保持竞争力，并提供做出更好决策的能力。数据分析的重要性促使每个人都知道如何进行数据分析。但是，有时进行数据分析需要太多时间。这就是为什么我们可以依靠 ChatGPT 从我们的数据文件创建完整的报告。本文将探讨从 CSV 文件创建完整分析报告的五个简单步骤。
2024-02-06 09:03:45
1115
原创 4、ChatGPT 无法完成的 5 项编码任务
我喜欢 Redditor Empty_Experience_10 对它的看法：“如果你所做的只是编程，那么你就不是软件工程师，是的，你的工作将被取代。如果你认为软件工程师因为会写代码而获得高薪，这意味着你对成为一名软件工程师存在根本性的误解。我发现 ChatGPT 在调试、一些代码审查方面非常出色，而且比搜索 StackOverflow 答案快一点。但是，很多“编码”不仅仅是将Python打入键盘。它知道你的业务目标是什么。它了解你必须对算法决策有多小心。
2024-02-06 08:52:28
1186
原创 3、生成式 AI 如何帮助您改进数据可视化图表
使用 ChatGPT 为您的图表生成文本描述，例如标题和注释。最后，使用 DALL-E 生成要包含在图表中的图像，以提高可读性并吸引受众。您可以从此GitHub 存储库下载此示例中描述的完整代码。此外，您可以在 [1] 中找到有关如何在数据叙事中使用生成式 AI 的更多详细信息。
2024-02-06 08:49:22
1796
原创 2、ChatGPT 在数据科学中的应用
ChatGPT 可以成为数据科学家的绝佳工具。以下是我所了解到的关于它擅长的地方和不那么擅长的地方。我从使用 ChatGPT 中学到了一个教训。它在数据科学中非常有帮助，但你必须仔细检查它输出的所有内容。它非常适合某些任务，并且可以非常快速准确地完成它们。对于其他一些任务，它已经足够好了，您必须多次提示它。我发现 ChatGPT 在一项任务上非常糟糕。
2024-02-05 14:58:03
1673
原创 1、将 ChatGPT 集成到数据科学工作流程中：提示和最佳实践
希望将 ChatGPT 集成到您的数据科学工作流程中吗？这是一个利用 ChatGPT 进行数据科学的提示的实践。ChatGPT、其继任者 GPT-4 及其开源替代品非常成功。开发人员和数据科学家都希望提高工作效率，并使用 ChatGPT 来简化他们的日常任务。在这里，我们将通过与 ChatGPT 的结对编程会话来了解如何将 ChatGPT 用于数据科学。我们将构建一个文本分类模型，可视化数据集，确定模型的最佳超参数，尝试不同的机器学习算法等等——所有这些都使用 ChatGPT。
2024-02-05 14:45:07
1447
原创 5、SHAP 值的高级用法
我们首先学习了排列重要性和部分依赖图，以了解模型学到了什么。然后我们学习了SHAP值，以分解个别预测的组件。现在我们将扩展SHAP值的应用，看看如何聚合许多SHAP值可以提供比排列重要性和部分依赖图更详细的替代方案。
2024-02-04 19:58:20
667
原创 4、SHAP值理论
你已经看到（并使用过）从机器学习模型中提取一般性解释的技术。但是如果你想详细分析模型对于单个预测的工作原理呢？SHAP值（来自SHapley Additive exPlanations的缩写）将一个预测分解，以显示每个特征的影响。在哪些情况下可以使用这个？一个模型说银行不应该向某人贷款，而银行在法律上被要求解释每笔贷款拒绝的依据一个医疗保健提供者想要确定是什么因素影响了每位患者患某种疾病的风险，以便他们可以通过有针对性的健康干预措施直接应对这些风险因素在本课程中，您将使用SHAP值解释个别预测。
2024-02-04 19:53:49
902
原创 2、排列重要性 Permutation Importance
对于模型来说，我们可能会问的最基本的一个问题是：哪些特征对预测影响最大？这个概念被称为特征重要性。有多种方法可以衡量特征重要性。一些方法回答了上面提到的问题的微妙不同版本。其他方法已经记录了一些缺点。在本课程中，我们将专注于排列重要性。计算速度快，被广泛使用和理解，与我们希望特征重要性度量具有的属性一致。
2024-02-03 19:59:11
970
原创 1、模型可解释性的应用场景
许多人说机器学习模型是“黑箱”，因为它们可以做出良好的预测，但你无法理解这些预测背后的逻辑。这种说法在某种程度上是正确的，因为大多数数据科学家还不知道如何理解这些预测背后的逻辑。
2024-02-02 21:14:51
948
原创 6、基于机器学习的预测
在第二课和第三课中，我们将预测视为一个简单的回归问题，所有的特征都是从一个输入，即时间索引，衍生出来的。我们可以通过生成我们想要的趋势和季节性特征，轻松地对未来的任何时间进行预测。但是，当我们在第四课中添加了滞后特征时，问题的性质就发生了变化。滞后特征要求在进行预测时，滞后的目标值是已知的。滞后 1 的特征将时间序列向前移动 1 步，这意味着你可以预测未来的 1 步，但不能预测 2 步。在第四课中，我们只是假设我们可以一直生成滞后特征，直到我们想要预测的期间（换句话说，每个预测都是向前一步）。
2024-02-02 21:00:03
1022
原创 5、混合模型（Hybrid Models）
线性回归擅长推断趋势，但不能学习交互。XGBoost擅长学习交互，但不能推断趋势。在这个课程中，我们将学习如何创建"混合"预测器，这些预测器结合了互补的学习算法，让一个算法的优点弥补另一个算法的缺点。
2024-02-01 14:00:11
1049
原创 4、以时间序列为特征
在早期的课程中，我们研究了时间序列的一些属性，这些属性最容易被建模为时间依赖性属性，也就是说，我们可以直接从时间索引中得到特征。然而，有些时间序列的属性只能被建模为序列依赖性属性，也就是说，使用目标序列的过去值作为特征。这些时间序列的结构可能从时间图中并不明显；然而，与过去的值相比，结构变得清晰——正如我们在下面的图中看到的那样。这两个序列具有序列依赖性，但没有时间依赖性。右边的点的坐标是(t-1时的值, t时的值)。
2024-02-01 13:57:01
996
原创 3、季节性Seasonality
我们说一个时间序列表现出季节性，是指该序列的均值存在规律的、周期性的变化。季节性变化通常遵循时钟和日历 – 每天、每周或每年的重复都很常见。季节性通常由自然世界在日和年的周期或者围绕日期和时间的社会行为规范所驱动。四个时间序列的季节模式。我们将学习两种模型季节性的特征。第一种，指标，最适合观察次数较少的季节，比如每日观察的每周季节。第二种，傅里叶特征，最适合观察次数较多的季节，比如每日观察的每年季节。
2024-01-31 14:16:54
1436
原创 2、趋势Trend (copy)
时间序列的趋势组成部分代表了序列均值的持久、长期变化。趋势是序列中变化最慢的部分，代表了最重要的大时间尺度。在产品销售的时间序列中，增加的趋势可能是市场扩张的效果，因为随着时间的推移，越来越多的人了解到产品。四个时间序列的趋势模式在这个课程中，我们将关注均值的趋势。更一般地说，任何在序列中持久且缓慢变化的部分都可以构成趋势 – 时间序列通常有其变化的趋势。
2024-01-31 14:11:28
785
原创 1、时间序列线性回归
时间序列预测是一个广泛的领域，有着悠久的历史。本课程侧重于将现代机器学习方法应用于时间序列数据，以产生最准确的预测。本课程的课程灵感来自过去Kaggle预测比赛的获胜解决方案，但只要准确的预测是优先考虑的，就可以应用。
2024-01-30 18:57:11
818
原创 6、目标编码（Target Encoding）
我们在这门课程中看到的大多数技术都是针对数值特征的。我们将在这节课中看到的技术，目标编码，则是针对分类特征的。它是一种将类别编码为数字的方法，就像独热编码或标签编码一样，不同之处在于它还使用目标来创建编码。这使得它成为我们所说的监督特征工程技术。
2024-01-30 18:49:40
921
原创 5、主成分分析（Principal Component Analysis）
在上一课中，我们研究了我们的第一个基于模型的特征工程方法：聚类。在这一课中，我们将研究我们的下一个方法：主成分分析（PCA）。就像聚类是基于接近度对数据集进行划分一样，你可以把PCA看作是对数据中的变化进行划分。PCA是一个很好的工具，可以帮助你发现数据中的重要关系，并且也可以用来创建更有信息量的特征。（技术注释：PCA通常应用于标准化数据。对于标准化数据，“变化”意味着“相关性”。对于未标准化的数据，“变化”意味着“协方差”。在本课程中，所有的数据在应用PCA之前都将被标准化。
2024-01-29 14:47:26
701
原创 4、K- 均值聚类（Clustering With K-Means）
这节课和下一节课将使用所谓的无监督学习算法。无监督算法不使用目标；相反，它们的目的是学习数据的某些属性，以某种方式表示特征的结构。在预测的特征工程上下文中，你可以将无监督算法视为"特征发现"技术。聚类简单地意味着根据数据点之间的相似性将数据点分配到组中。聚类算法使得"物以类聚"，可以这么说。当用于特征工程时，我们可以尝试发现代表市场细分的客户群，例如，或者分享相似天气模式的地理区域。添加一个聚类标签的特征可以帮助机器学习模型解开空间或接近性的复杂关系。
2024-01-29 14:44:58
1054
原创 3、创建特性(Creating Features)
一旦你确定了一组有潜力的特性，就可以开始开发它们了。在这节课中，你将学习如何在Pandas中进行一些常见的转换。如果你对Pandas不熟练, 请参考《从零开始的Pandas之旅_AI算法蒋同学的博客-CSDN博客》进行学习。我们将在本课中使用四个数据集，它们具有各种特性类型：美国交通事故1985年的汽车混凝土配方，和客户终身价值。下面的隐藏单元格加载它们。plt.rc("axes",发现新特性的提示理解特性。如果有的话，参考你的数据集的数据文档。研究问题领域以获取领域知识。
2024-01-28 09:42:23
1193
原创 2、互信息(Mutual Information)
首次遇到新的数据集可能会让人感到不知所措。你可能会面对数百甚至数千个特征，甚至没有描述可以参考。你应该从哪里开始呢？一个很好的第一步是构建一个特征效用度量的排名，这是一个衡量特征和目标之间关联性的函数。然后，你可以选择一小部分最有用的特征进行初步开发，这样可以更有信心地投入你的时间。我们将使用的度量标准称为"互信息"。互信息很像相关性，因为它衡量了两个量之间的关系。互信息的优点是它可以检测任何类型的关系，而相关性只能检测线性关系。
2024-01-28 09:40:22
789
1
原创 1、什么是特征工程
在这门课程中，你将学习到构建一个优秀的机器学习模型过程中最重要的一步：特征工程。动手练习将构建一个完整的笔记本，应用所有这些技术来提交房价预测的入门竞赛。完成这门课程后，你将有几个可以用来进一步提高你的性能的想法。你准备好了吗？让我们开始吧！!
2024-01-27 20:08:57
1139
原创 5、不一致的数据录入
有效地修复数据中的拼写错误。“Inconsistent Data Entry”（不一致的数据录入）是指在进行数据录入时，由于各种原因（如字母大小写不一致、多余的空格、输入错误或表达问题等）导致输入的数据与实际数据不一致的情况。例如，输入的数据可能本来是一个东西，但是由于字母大小不一致，或者多个空格，或者由于输入问题，或者表达问题，导致一个单词有相似的表达方法，致统计出来的数据是多个。在这个笔记本中，我们将学习如何清理不一致的文本条目。让我们开始吧！
2024-01-27 14:13:45
655
原创 2、数据缩放和标准化
我们将探讨如何缩放和标准化数据（以及这两者之间的区别）。让我们开始吧！设置我们的环境 我们需要做的第一件事就是加载我们将要使用的库。
2024-01-25 09:09:01
1098
原创 1、缺失值处理
数据清理是数据科学的关键部分，但它可能会让人深感沮丧。为什么你的一些文本字段会乱码？你应该如何处理那些缺失的值？为什么你的日期格式不正确？你如何快速清理不一致的数据输入？在这门课程中，你将了解为什么会遇到这些问题，更重要的是，你将学习如何解决这些问题！
2024-01-25 09:05:19
1206
原创 6、选择图表类型和自定义样式
自定义您的图表，使它们看起来好看在这门课程中，你已经学会了如何创建许多不同类型的图表。现在，你将组织你的知识，然后学习一些可以用来更改图表样式的快速命令。
2024-01-24 08:41:44
443
【ACM/NOI/CSP】背包问题基础算法C++代码汇总！！！
2024-01-20
使用C语言实现单链表的实验1、有学生信息（姓名、学号、成绩），用链式存储实现带头结点单链表；2、插入新学生相关信息
2024-01-15
用python实现的最短路径算法之迪杰斯特拉(Dijkstra)算法
2024-01-12
用python实现的最短路径算法之Bellman-Ford算法
2024-01-11
2022中国数据智能产业图谱3.0版
2023-01-28
信息学奥赛入门组复赛CSP 2019-J2题目详解.pdf
2022-07-13
信息学奥赛入门组复赛CSP 2020-J2题目详解.pdf
2022-07-13
信息学奥赛入门组复赛CSP 2021-J2题目详解.pdf
2022-07-13
信奥帮初赛集训配套课件，首发！！！ PART3-CSP(NOIP)信息学奥赛初赛集训 数学知识
2022-06-09
信奥帮初赛集训配套课件，首发！！！ PART2-CSP(NOIP)信息学奥赛初赛集训 程序设计基础知识
2022-06-09
信奥帮初赛集训配套课件，首发！！！ PART1-CSP(NOIP)信息学奥赛初赛集训 计算机基础知识.pdf
2022-06-09
计算机相关专业《算法设计与分析课程历年复习资料》
2022-06-02
信息学奥赛一本通 提高篇 全书例题习题AC代码
2022-02-07
2021年NOIP信奥帮新青少年信息学奥赛CSP-JS历年初赛真题题解全套.zip
2021-07-11
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人