人工智能

Intel-ML-Week1

Intel-ML-Week1

import pandas as pd import numpy as np step_data = [3620,7891,9761, 3907,4338,5373] print(type(step_data)) step_counts = pd.Series(step_data,name='steps') print(step_counts) print(type(step_counts)) s... »

Python游戏编程(五)Tic Tac Toe

Tic Tac Toe就是我们熟悉的井字棋游戏。我们将通过这个游戏,设计出来第一个人工智能(artificial intelligence, AI)程序,它可以对玩家的落子智能地作出相应。当然井字棋游戏地AI并不复杂,只是简单地几行代码而已。 这个游戏的AI可以概括如下: 首先,判断是否有能够让计算机获胜的落子位置。如果是,在那里落子;否则,执行步骤2. 判断受否有能够让玩家失败的落子位置。如果是... »

在这里插入图片描述

关于TensorFlow中Estimator模板的基础理解与使用流程

理解 在TensorFlow 1.4版本之后,官方开始在入门文档中就鼓励使用高层的Estimator API。并且,许多开源代码中也使用了Estimator模板,因此我认为掌握好这个类使用方法,对于能够优雅地书写Tensorflow程序有着重要的意义。 什么是Estimator?在这里先不考虑源码实现细节以及类定义,首先建立一个整体的认识。Estimator,估计器,这个类的核心思想就是把一个网络... »

悟空机器人框架以及安装教程

悟空机器人框架以及安装教程

文章目录框架安装mac 用户构建snowboypython3.5升级 框架 python3.5 pyyaml>=4.2b1 requests==2.21.0 baidu-aip==2.0.0.1 pydub==0.23.1 python-dateutil==2.7.5 watchdog==0.9.0 pytz==2018.9 fire==0.1.3 tornado==5.1.1 markdo... »

【人工智能】人脸识别技术功能实现详细讲解

掌握人脸拍照,人脸登录,新增个体,删除个体,新增人脸,删除人脸,自动抓拍,自动识别等技术适用人群有jsp,mysql,ajax技术的相关人士课程简介本课程是针对腾讯人工智能云平台的人脸识别技术的应用开发的项目实战视频课程,主要有人脸拍照,头像上传,人脸登录,新增个体,删除个体,新增人脸,删除人脸,自动抓拍,自动识别等功能,系统采用jsp,ajax,mysql数据库及腾讯AI智能等技术开发。 »

Neural Networks and Deep Learning 笔记及课后习题

Neural Networks and Deep Learning 吴恩达-Coursera课程Week - 1QuizWeek - 1Quiz1.What does the analogy “AI is the new electricity” refer to?Similar to electricity starting about 100 years ago, AI is transfor... »

Ubuntu 16.04 LTS OpenCV C / C++ and Python interface (接口)

Ubuntu 16.04 LTS OpenCV C / C++ and Python interface (接口) 1. Install OpenCV from the Ubuntu Repository (apt) – Python 调用接口 Python3 sudo apt update sudo apt install python3-opencv Python2 sudo ap... »

在这里插入图片描述

For Cross-Domain person Re-ID 文献速览

Instance-Guided Context Rendering for Cross-Domain Person Re-IdentificationIdea:使用U-net网络,生成源域行人图像和目标域背景相结合的多张图像,扩充数据集的延展性。 »

Alt

【C语言->数据结构与算法】->树与二叉树概念&哈夫曼树的构造

在计算机科学中,二叉树是每个结点最多有两个子树的树结构。一棵深度为k,且有2^k-1个结点的二叉树,称为满二叉树。完全二叉树是效率很高的数据结构,完全二叉树是由满二叉树而引出来的。A. 构造哈夫曼树我用一个字符串当作例子来构造一棵哈夫曼树。 »

DKN

2018_WWW_DKN- Deep Knowledge-Aware Network for News Recommendation阅读笔记

Xmind思维导图:deep knowledge-aware network(DKN)properties:incorporates knowledge graph representation into news recommendation.a content-based model for CTR(click-through rate) predict »

在这里插入图片描述

随机森林实现及调参的R与Python对比——以泰坦尼克幸存者数据为例

随机森林实现及调参一、R语言方法一、手动调参方法二、网格调参二、python 注:本博客数据仍采用决策树调参的泰坦尼克号数据,前奏(数据预处理)请参考☞ 决策树R&Python调参对比☜ 一、R语言 方法一、手动调参 PS.仅使用常规包:randomForest和循环编写。 1-建模 set.seed(6) rf <- randomForest(Survived~.,data=tra... »

在这里插入图片描述

卷积网络中的感受野详解

感受野的概念在卷积神经网络中,感受野的定义是卷积神经网络每一层输出的特征图上的像素点在输入图片上映射的区域大小。第i层卷积层的感受野大小和第i层的卷积核大小和步长有关系,同时也与第(i+1)层感受野大小有关。VGG16网络有点复杂,我们先来计算一个简单的例子,先学会计算感受野,在来分析复杂的网络。 »

在这里插入图片描述

PS软件常用汇总

说来惭愧,从本科开始就想着学PS,但是一直太懒太懒,最近写论文需要处理图片,才想起PS这个神器来,这个文档就全当是学习总结吧,边学边记。PS中的撤销键点菜单栏“编辑”,如下图所示“还原”也就是一般的撤销键,对应的快捷键是Ctrl+Z,下面的“前进一步”和“后退一步”均有对应的输出取消当前选区快捷键:ctrl+d放大缩小图片快捷键:alt+鼠标滚轮作者:541板哥 »

测试结果

PTA 基础181 关于素数筛法的思考

相关链接 PTA 181 求因子和 C++格式化输出 微秒级计时 素数筛算法 因子和公式 直接上结论 直接使用 Sqrt(n) 为循环上限的方法,时间稳定O(sqrt(n)),程序运行不会超时 素数筛法理论复杂度小于O(sqrt(n)),在因子远小于n的情况下能达到最佳效果 由于算法相对复杂,素数筛法的运行时间会更高 在大数区间 [108,109] 内随机选取的平均运算时间是 素数筛: 开方法 ≈... »

CNN、LeNet

CNN、LeNet

LeNet模型分为卷积层块和全连接层两个部分。LeNet交替使用卷积层和最大池化层后接全连接层来进行图像分类。六、GoogLeNet由Inception基础块组成。 »

选一些200页左右的书,每周看一本

选一些200页左右的书,每周看一本

异步君特地为大家准备了一些适合当作小目标的好书——页数200左右,一周就可精读学完。这份书单包含人工智能算法,python编程语言等200页左右的好书,希望大家在特殊时期也能保持学习,为自己多增加一张王牌!多年以来,当程序员们推选出心爱的计算机图书时,《编程珠玑》总是位于前列。 »

在这里插入图片描述

杉岩数据企业内容管理解决方案

杉岩数据企业内容管理解决方案杉岩通过分布式对象存储实现企业内容数据的统一存储、统一管理和高效利用。另外,杉岩智能化对象存储,还内置文件元数据管理和检索能力,以及支持可插拔的文件内容处理功能,帮助企业更好地管理数据并挖掘数据价值。 »

清单视图

【Vue】基于vue全家桶的待办事项demo:项目简介

基于vue全家桶的代办事项demo:项目简介项目介绍基于vue, vuex, vue-router, vuetify, vue CLI3 搭建的一个简单的代办事项清单demo。在清单视图中,可以查看全部事项,查看进度,修改事项内容和完成状态等。技术栈vue2 :使用最新的vue语法vuex:存储事项的基本信息,使各个组件能得到具有原子性的信息,实现数据的统一。vue-router:使用前端路由进行... »

image

快速入门 TensorFlow2 模型部署

机器学习问题不仅是一个科学问题,更是一个工程问题。 大多数年轻的数据科学家都希望将大部分时间花在构建完美的机器学习模型上,但是企业不仅需要训练一个完美的模型,同时也需要将其部署,向用户提供便捷的服务。 如下图所示,机器学习系统由机器学习代只包含一小部分,而在中间的小黑匣子周围,所需要的基础设施庞大而复杂。 因此,在实际应用中,一个优秀的程序员不仅要学会构建完美的机器学习模型上,同时还需要将其部署向... »

在这里插入图片描述

CS224n 斯坦福深度自然语言处理课笔记 Lecture03—高级词向量表示

一、word2cev 1、回顾skip-grams word2vec的主要步骤是遍历整个语料库,利用每个窗口的中心词来预测上下文的单词,然后对每个这样的窗口利用SGD来进行参数的更新。 对于每一个窗口而言,我们只有2m+1个单词(其中m表示窗口的半径),因此我们计算出来的梯度向量是十分稀疏的。我们会在每个窗口更新损失函数。对于2dv的参数而言,我们只能更新一小部分。因此一个解决方法是提供一个单词到... »

opencv学 之图像傅里叶变换dft

opencv学 之图像傅里叶变换dft

下午用Opencv代码实现了这一变换,有一些经验心得二、关键函数解析2.1copyMakeBorder() 扩展图片尺寸傅里叶变换的计算对图像的尺寸有一定要求,尺寸不满足要求的,可用copyMakeBorder() 函数进行扩展。 »

640?wx_fmt=png

一个高频面试题:怎么保证缓存与数据库的双写一致性?

如果删除缓存失败了,那么会导致数据库中是新数据,缓存中是旧数据,数据就出现了不一致。随后数据变更的程序完成了数据库的修改。像这种针对读高并发、读缓存架构的项目,一般来说写请求是非常少的,每秒的 QPS 能到几百就不错了。 »

在这里插入图片描述

【机器学习笔记】第3章:多变量线性回归

文章目录第3章:多变量线性回归3.1 多功能 Multiple features3.2 多元梯度下降法 Gradient descent for multiple variables3.3 多元梯度下降法演练I-特征缩放 Gradient descent in practice I:Feature Scaling3.4 多元梯度下降法演练II-学习率 Gradient descent in pra... »

https://static001.geekbang.org/resource/image/29/5b/2945d8b72e162943c7ed6ad663cef05b.jpg

中台技术学习笔记

近来被困家中,学习了一下中台技术。中台技术学习笔记1中台概念1.1定义:前台-后台-中台前台:由各类前台系统组成的前端业务平台。而且更重要的是这个愿景是需要所有的角色,上到企业管理层,下到每一位中台的相关人员都要明确并达成一致的。中台的钱由谁出?2中台落地2.1Discovery-Define总结下来,共性能力基本上就是四类:业务数据、业务功能、业务流程以及通用的技术能力。 »

浅析数据结构系列(三)

话不多说,继续介绍我们的数据结构常用的—栈栈是操作限定在表的尾端进行的线性表。表尾由于要进行插入、删除等操作,所以,它具有特殊的含义,把表尾称为栈顶,另一端是固定的,叫栈底。当栈中没有数据元素时叫空栈。,an),S是英文单词stack的第 1 个字母。这n个数据元素按照a1,a2,…所以,栈的操作是按照后进先出或先进后出的原则进行的,因此,栈又称为LIFO表或FILO表。 »

Page 1 of 155123»