- 博客(40)
- 收藏
- 关注
RSS订阅原创 彻底搞懂！！！深度学习框架PyTorch
以上示例中，我们首先加载并预处理了鸢尾花数据集，包括标准化特征和划分训练集与测试集。然后，我们定义了一个简单的两层全连接神经网络，并使用交叉熵损失和随机梯度下降优化器来训练它。最后，我们在测试集上评估了模型的准确性。
2025-05-27 14:50:05
909
原创 图神经网络GNN学习笔记：最简单全面原理与代码实现
如果你认真看完上述所有内容，你已经初步掌握了GNN的概念和使用方法。若想进阶，请使用自己的Graph_data进行尝试。
2025-05-27 14:47:22
1056
原创 终于有人总结了图神经网络！
过去的几年里，图神经网络已经成为强大而实用的工具，可以解决任何可以通过图建模的问题。在本文中，我们对图神经网络进行了全面的概述，并介绍了广泛的GNN应用。
2025-05-27 14:41:35
1008
原创 基于 YOLO 检测，YOLOv8、v9、v11及混合模型深度剖析 ！
本文探讨了头盔检测在交通安全中的应用，比较了YOLOv8、YOLOnu和YOLOv11模型的性能，并提出了一种改进的混合YOLO模型（h-YOLO）。通过多项标准检测指标，结果表明h-YOLO在头盔检测中优于传统YOLO模型，同时具有更好的实时检测能力。
2025-05-26 10:27:16
904
原创 一个人，30天，怎么自学人工智能（建议收藏反复看)
2025 年我从职场人到创业者，靠的就是 “顺势而为”—— 当所有人还在质疑 AI 时，我已经用它做出了课程、短视频，搭建了了团队、腾出时间陪家人。
2025-05-23 17:45:55
661
原创 一个人没有背景、没有资源怎么入门AI，并找到一份不错薪资的工作
总结一下，人工智能入门不是非常困难的事情，我们要学的东西还是比较明确的，对于很多新手而言难得是不知道怎么获取一份这样的信息，不知道要学什么，而不是去网上看了很多教程，学了很多的东西，到头来却没有派上用场，我还挺遗憾的，我很希望你们都能做出正确的努力，达到正确的效果，实现你们想要事项的事情，对于我们来说，最最重要的还是时间，学习其实不难，难得是怎么快速出结果。
2025-05-22 14:19:09
996
原创 适合初学者的机器学习路线图
这个以项目为先、以代码为驱动的机器学习方法给我的学习和职业带来了巨大的回报。我希望这个路线图能为您提供一个结构化且灵活的路径,帮助你在机器学习的旅程中取得成功!
2025-05-20 17:55:47
1018
原创 做某节程序员5年，你们听我一句劝
企业高薪疯抢AI人才时，却有90%的人都卡在门外。常收到这样的留言：“自学编程半年，投了50份简历连面试邀约都没有”“ 学了一堆零散知识点，面试时被项目经验问得哑口无言”......
2025-05-19 11:59:38
975
原创 第一批转行AI的文科生，已上岸！
而不是在网上看了很多帖子，学了很多东西，到头来却没有派上用场，做这个视频也是希望你们都能做正确的努力，达到正确的效果，实现你们想要实现的事情，对于我们想要转行的人来说，最最重要的就是时间了，怎么快速能拿到自己满意的offer才是最重要的。
2025-05-16 11:03:46
345
原创 2025年CV 算法工程师技术入门路线图
人在CV圈，哪有不被卷？本文旨在构建最完整的CV学习路线，帮助大家早日从“调参侠”的包袱中脱离出来，成为一名真正合格的算法工程师。
2025-05-16 10:43:13
1115
原创 2025自学AI教程！零基础直通大神级，全站最全路线一图搞定！
如果你真的想学习人工智能，请不要去网上找那些零零碎碎的教程，真的很难学懂！你可以根据我这个学习路线和系统资料，制定一套学习计划，只要你肯花时间沉下心去学习，它们一定能帮到你！
2025-05-16 10:22:36
634
原创 超强！深度学习Top10算法！
入门人工智能其实并不难！难的是不知道从哪里开始学，没有成体系的资料学习，这里也准备了一份白嫖入门到进阶的资料！需要的伙伴可以自取！
2025-05-15 14:41:28
683
原创 机器学习十大基础算法图示
这篇文章将对常用算法做常识性的介绍，没有代码，也没有复杂的理论推导，就是图解一下，知道这些算法是什么，它们是怎么应用的。
2025-05-15 14:14:55
823
原创 超强总结，必会的8大机器学习算法！
本文总结了多种常用的机器学习算法，包括线性回归、逻辑回归、决策树、K近邻、支持向量机、随机森林、梯度提升树和K均值聚类。通过简单的Python代码示例，我们展示了如何使用scikit-learn库实现这些算法。希望这篇文章能够帮助初学者理解机器学习的基本概念和算法，为进一步学习打下坚实的基础。
2025-05-14 10:16:26
865
原创 科研小白也能搞懂的机器学习！！！
机器学习是一门通过数据学习规律并进行预测与分析的学科，其核心在于通过数学模型对数据进行建模，并利用算法优化模型参数，使其满足学习目的。
2025-05-13 10:50:12
421
原创 适合初学者的机器学习教程2025
这就是关于2025初学者机器学习的教程的全部内容，后续我们会聊聊基础算法，学习更多回归、分类、聚类算法（如决策树、随机森林、支持向量机、K-均值聚类等）。探索深度学习基础，如神经网络、卷积神经网络（CNN）、递归神经网络（RNN）等。参与实际项目，应用所学知识解决真实问题。
2025-05-12 14:08:48
431
原创 强化学习系列：深度强化学习和DQN
本期是深度强化学习的第一章，介绍了DRL中最基础的DQN算法，在深度神经网络的加持下强化学习，保证了算法的收敛性的同时又突破了传统方法的限制。学习了DQN之后，我们理论上可以处理任何类型的状态空间，但是，动作空间仍然是离散的。我们今后将继续介绍更多的DRL算法，进一步扩宽强化学习的适用范围，应对更加复杂的环境。
2025-05-10 16:53:24
1002
原创 图神经网络系列一：图神经网络简介
图数据不规则，每个图的无序节点大小是可变的，且每个节点有不同数量的邻居节点，因此一些重要的操作如卷积能够在图像数据上轻易计算，但是不适用于图数据，可见图数据的复杂性给现有的机器学习算法带来了巨大的挑战 。
2025-05-09 11:45:55
722
原创 一个人没有背景怎么入门人工智能
基础知识 → 编程（Python） → 数学基础 → 机器学习 → 深度学习 → 项目实践按此路径逐步推进，每天投入1-2小时，半年内可掌握AI基础并完成简单项目。坚持下来，你也能从“小白”成长为AI探索者！我也整理了一份入门AI的完整学习路径和对应的学习视频，跟着学就行了，主打不踩坑！
2025-05-08 17:42:51
538
原创 深度学习 | 生成对抗网络（GANs）详解！
生成对抗网络(Generative Adversarial Networks)是一种无监督深度学习模型，用来通过计算机生成数据，由Ian J. Goodfellow等人于2014年提出。模型通过框架中(至少)两个模块：生成模型(Generative Model)和判别模型(Discriminative Model)的互相博弈学习产生相当好的输出。生成对抗网络被认为是当前最具前景、最具活跃度的模型之一，目前主要应用于样本数据生成、图像生成、图像修复、图像转换、文本生成等方向。
2025-04-29 09:31:58
1163
原创 彻底搞懂！！！深度学习框架PyTorch
PyTorch 是一个用于机器学习和深度学习的开源深度学习框架，由 Facebook 于 2016 年发布，其主要实现了自动微分功能，并引入动态计算图使模型建立更加灵活。
2025-04-28 10:45:56
756
原创 图解 Transformer，一文吃透工作原理
另一种方法是保留前两个最有可能的单词（例如 ‘I’ 和 ‘a’），然后在下一步中，运行模型两次：一次假设第一个输出位置是单词 ‘I’ ，另一次假设第一个输出位置是单词 ‘a’，然后根据考虑位置 #1 和 #2 的错误程度，保留生成误差较小的版本。这种方法称为“束搜索”（beam search），在我们的示例中，束宽（beam_size）为 2（这意味着在任何时候，模型会在内存中保留两个部分假设，即未完成的翻译），而返回束（top_beams）也是 2（这意味着我们最终会返回两个翻译）。
2025-04-27 10:14:38
666
原创 TIV 2024 | MDFD2-DETR：一种基于多域特征分解与去冗余的实时复杂道路目标检测模型
准确感知道路目标信息在自动驾驶系统和交通流分析中至关重要。由于复杂道路背景的多变性、目标大小和形状的多样性以及目标之间的相互遮挡，这项任务颇具挑战性。为应对这些挑战，作者引入了一种端到端的实时复杂道路目标检测模型，名为多域特征分解与去冗余检测Transformer（MDFD2-DETR）。据作者所知，这是首个基于DETR架构、专为复杂交通场景设计的实时感知模型。具体而言，作者分析了复杂道路目标感知精度低的关键原因，并提出了多域特征分解（MDFD）模块，以减少空间、通道和频域的特征冗余。
2025-04-26 09:48:12
695
原创 卷积神经网络（CNN）基础知识整理
这是机器学习的元老，是对人脑神经元工作机制的模拟，每个神经元是一个计算单元，输入的数据与权重进行相乘、求和，再加上偏置，得到的数据再经过激活函数，将结果进行输出，见下图，多个神经元相互连接组成神经网络，具体就不展开说了。实际上，上面的卷积处理过程，都是在对图片进行特征提取，而最终要进行分类或预测就需要借助神经网络了，所以一般在卷积处理之后需要对数据进行压平（flatten）操作，使其变为1维的数据，便于送入神经网络的输入层。也有一些先验的卷积核，如下面的核，进行卷积之后，可以实现锐化和边缘提取的效果。
2025-04-25 17:02:31
756
原创 1W字，六十张图让小白也能搞懂Word2vec !
嵌入（Embedding）是机器学习中的一个重要概念，它的主要目标是将离散的数据（如单词、图像）转换为连续的向量，从而使计算机能够更好地理解和处理这些数据。在自然语言处理中，嵌入通常指的是将单词映射为向量的过程。我们平常使用的语言是由离散的词汇组成的，但对于计算机来说，处理这些词汇就像处理一组独立的符号，无法理解其中的语义联系。嵌入技术的出现改变了这一点。它将词汇映射到一个连续的向量空间中，每个词都对应一个向量，这些向量的空间位置反映了词汇之间的语义关系。
2025-04-24 16:36:31
260
原创 图解卷积神经网络（CNN）
这是机器学习的元老，是对人脑神经元工作机制的模拟，每个神经元是一个计算单元，输入的数据与权重进行相乘、求和，再加上偏置，得到的数据再经过激活函数，将结果进行输出，见下图，多个神经元相互连接组成神经网络，具体就不展开说了。实际上，上面的卷积处理过程，都是在对图片进行特征提取，而最终要进行分类或预测就需要借助神经网络了，所以一般在卷积处理之后需要对数据进行压平（flatten）操作，使其变为1维的数据，便于送入神经网络的输入层。也有一些先验的卷积核，如下面的核，进行卷积之后，可以实现锐化和边缘提取的效果。
2025-04-23 09:39:57
2139
原创 机器学习：15分钟带你吃透决策树模型
今天这篇文章中，我们将结合图例讲解讲解决策树的结构、数学原理、具体构建和优化过程，让大家在理解时不至于太抽象，同时我们也会提供构建决策树预测模型的数据和代码，感兴趣的不妨尝试一下。CP列是决策树的成本复杂性参数，nsplit是决策树的分裂次数，rel error列是整个数据集上的平均误差，xerror列是通过交叉验证法得到的验证集的平均误差。此外，决策树模型是树状结构模型的总称，根据分支的样本集合纯度度量指标的不同分为不同算法，其中具有标志性的是。是根据 “基尼指数”来度量数据子集的“纯度”的。
2025-04-22 17:40:11
1059
原创 超全面讲透，贝叶斯优化！！
设目标函数为：其中：是输入空间，通常是一个高维空间。是我们希望优化的函数，但它可能是昂贵的（如实验数据、复杂计算）。我们希望找到全局最优解：（对于最小化问题，只需取负数 ）由于 计算代价高，我们不能直接使用网格搜索或随机搜索，因此使用贝叶斯优化。
2025-04-21 11:00:49
526
原创 超全面讲透一个算法模型，GBDT！！
GBDT，全名是（Gradient Boosting Decision Tree），是一种常用的机器学习算法。和。
2025-04-19 10:23:23
1147
原创 【机器学习】一文通俗讲透树模型
决策树模型因为其特征预处理简单、易于集成学习、良好的拟合能力及解释性，是应用最广泛的机器学习模型之一。不同于线性模型【数学描述：f(W*X +b)】是通过数据样本学习各个特征的合适权重，加权后做出决策。决策树会选择合适特征并先做特征划分后，再做出决策（也就是决策边界是非线性的，这提高了模型的非线性能力）。树模型也就是基于已知数据上， 通过以学习目标（降低各划分节点的误差率）为指导，启发式地选择特征去划分特征空间，以各划分的叶子节点做出较"优"的决策结果。
2025-04-18 10:02:38
561
原创 8年Java转行AI算法工程师路径！
算法工程师入门不是非常困难的事情，我们要学的东西还是比较明确的，对于很多新手而言难得是不知道怎么获取一份这样的信息，不知道要学什么，我这里也有一份自己整理的学习路线图，之前学习的籽料，而不是去网上看了很多教程，学了很多的东西，到头来却没有派上用场，我还挺遗憾的，我很希望你们都能做出正确的努力，达到正确的效果，实现你们想要事项的事情，对于我们转行的人来说，最最重要的还是时间，年龄摆在这里了，学习其实不难，难得是怎么快速出结果。ok，当我们在自己的领域有了一个积累之后，我们可以准备面试了。
2025-04-16 18:04:19
770
原创 传统人工智能 vs 监督机器学习 vs 深度学习 - 如何挑选
由于人工智能的爆炸式增长，我们看到了解决各种问题的新技术的爆发。虽然这是一个净积极因素，但这会导致人工智能团队在如何最好地解决问题方面存在很多困惑。这篇文章的灵感来自我与客户的许多讨论。我最常遇到的问题之一是我如何选择正确的工具来完成这项工作。今天，我将讨论我在提供解决方案时在传统人工智能、监督机器学习和深度学习之间进行选择的框架。虽然这不是一门精确的科学，但一些一般的启发式方法可以很好地作为指南。这是我对各种技术的评价——其中一个并不比另一个好。它们也不是相互排斥的。
2024-01-16 15:03:00
993
1
原创 每个 AI/ML 工程师都应该知道的 Gen AI 框架和工具！
在快速发展的技术领域，生成式人工智能是一股革命性的力量，它改变了开发人员和AI/ML工程师处理复杂问题和创新的方式。本文深入探讨了生成式 AI 的世界，揭示了对每个开发人员都至关重要的框架和工具。
2024-01-16 14:48:54
1183
1
原创 如何快速发表一篇SCI论文
全民做科研的时代，江湖常有传言：SCI 在手，升职加薪、前程无忧。相信许多本、硕、博对于SCI的认知还停留在最浅的层面，不知道如何高效读文献，不知道如何写英文论文，不知道怎么做实验，更不知如何整合数据，形成论文，绝大多数情况下其实都是在做无用功，辛苦写的文章屡屡被拒，还会浪费一大波时间。
2023-11-14 17:07:58
422
1
原创 架构师的六大设计原则
先看一幅图吧：这幅图清晰地表达了六大设计原则，但仅限于它们叫什么名字而已，它们具体是什么意思呢？下面我将从原文、译文、理解、应用，这四个方面分别进行阐述。1.单一职责原则（Single Responsibility Principle - SRP）原文：There should never be more than one reason for a class to change.译文：永远不应...
2018-07-11 17:20:14
455
转载 分布式之数据库和缓存双写一致性方案解析
引言为什么写这篇文章？首先，缓存由于其高并发和高性能的特性，已经在项目中被广泛使用。在读取缓存方面，大家没啥疑问，都是按照下图的流程来进行业务操作。 但是在更新缓存方面，对于更新完数据库，是更新缓存呢，还是删除缓存。又或者是先删除缓存，再更新数据库，其实大家存在很大的争议。目前没有一篇全面的博客，对这几种方案进行解析。于是博主战战兢兢，顶着被大家喷的风险，写了这篇文章。文章结构本文由以下三个部分组...
2018-06-20 17:45:55
184
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人