亚马逊云科技技术品牌专区

(全新整理)上市公司-AI漂洗指数2010-2024年

本文基于2010–2024年上市公司年报文本与财务数据，构建“漂AI指数”，通过词频分析与财务投入校准，量化企业人工智能领域的“言行一致性”。研究整合107个AI相关术语，结合信息披露强度与实质性投资，测度企业AI战略的象征性披露与真实投入的偏离程度，数据涵盖证券代码、公司名称、行业代码及三大核心指标，适用于经管类论文实证分析，数据权威、手工整理、准确可靠，适合本科生至研究生使用。

PSO-LightGBM回归预测模型代码PSO-LightGBM回归预测模型，Python代码，粒子群优化算法，多输入单输出，有示例数据，可以直接替换，机器学习模型，可以预测未来值

PSO-LightGBM回归预测模型代码PSO-LightGBM回归预测模型，Python代码，粒子群优化算法，多输入单输出，有示例数据，可以直接替换，机器学习模型，可以预测未来值

【深度学习基础】线性神经网络 _ softmax回归

举一个极端的例子，假如数据流中的每个数据完全相同，这会是一个非常无聊的数据流。例如，在分类器输出0.5的所有样本中，我们希望这些样本是刚好有一半实际上属于预测的类别。在我们的例子中，由于我们有4个特征和3个可能的输出类别，我们将需要12个标量来表示权重（带下标的。然而，顾名思义，全连接层是“完全”连接的，可能有很多可学习的参数。在我们的例子中，标签。为了估计所有可能类别的条件概率，我们需要一个有多

AI深度学习演进之路：从机器学习到大模型的范式变革

AI深度学习演进之路：从机器学习到大模型的范式变革

面向边缘计算的茶叶病害识别方法研究

本文研究开发高校宿舍维修管理系统，旨在解决传统报修流程繁琐、效率低下的问题。通过数字化手段替代纸质申请，实现学生报修、管理员派单、维修响应的全流程一体化，提升维修效率和服务质量。研究采用文献分析、需求调查和模块化开发等方法，设计包含学生、管理员、维修人员三类权限的系统功能。系统基于Java、Vue和MySQL技术栈开发，具备在线报修、工单管理、状态跟踪和评价反馈等功能。研究不仅完善了宿舍管理信息化

基于马尔可夫链与回归分析的新能源汽车大数据行驶工况自动合成系统

新能源汽车（EV、PHEV、FCEV）能耗/续航仿真、整车标定、控制策略验证均依赖“代表性行驶工况”。基础版 12 维：持续期、里程、怠速比、巡航比、加速/减速比例、v_mean、v_mean_pos、a_mean_pos、a_mean_neg、v_rms、停车率。③ 比能量 PDF/CFD 对比；– 自动生成“原始 vs 合成”速度曲线、SAPD 3-D 柱状图、比能量 PDF、聚类散点、转移热

Softmax回归中极大似然估计解释【极大似然估计（即最大化 P(Y|X)）来比较估计值与实际值】——《动手学深度学习》3.4.6 损失函数(P72)

任务：多分类问题（例如，将图像分为猫、狗、鸟三类）。模型：Softmax回归（或称多项逻辑回归）。输入：一个样本的特征向量x。输出：该样本属于每个类别的概率。真实标签：通常使用one-hot 编码。例如，如果真实类别是“狗”（第二类），那么真实标签向量y模型估计：模型会输出一个概率分布ŷ例如，模型可能输出ŷ我们的目标是让模型的输出ŷ尽可能地接近真实标签y。

L1神经网络与深度学习-2.13logistic的向量化&2.14向量化logstic回归的梯度输出

注：课程笔记，自用。

深度学习小白必备基础 | 手撕8大线性模型算法（回归与分类）：原理+代码+实战，谁才是真神？

最神奇的是：它用最简单的直线/平面/超平面（数学上的线性关系），就能拟合现实世界的复杂规律。线性模型是机器学习的"基石"——学会它，你就能理解更复杂模型（如神经网络的第一层其实就是线性变换）。：用Sigmoid函数将线性输出映射到[0,1]区间（概率），解决二分类问题（如"垃圾邮件/正常邮件"）。：当特征存在多重共线性（如"房屋面积"和"房间数"高度相关），线性回归会出现权重过大的问题（过拟合）。

《Java编程新视角基于并发与云原生的高效开发实践路径》

Java编程新视角：基于并发与云原生的高效开发实例路线——构建下一代分布式系统的实践指南---## 并发编程的核心范式重构。

【深度学习4】softmax回归及其实现

softmax回归实现

以MLP为例说明数值稳定性【动手学深度学习 4.8.1 梯度消失和梯度爆炸】

动手学深度学习之线性神经网络-Softmax 回归JAVA DJL 版

摘要：本文展示了使用深度学习框架实现分类任务的标准流程。代码示例包括：1)数据加载与预处理，从CSV文件中提取特征和标签；2)数据集构建，创建可批量采样的训练集；3)模型训练配置，包括定义损失函数(交叉熵)、优化器(SGD)和设备选择；4)构建简单神经网络模型(输入层+全连接层)；5)训练过程实现，包括迭代训练、性能指标记录。整个流程展示了深度学习任务的标准实现模式，可作为分类任务的参考模板。

动手学深度学习之线性神经网络-Softmax 回归JAVA 版

本文介绍了使用softmax回归实现鸢尾花分类的主要步骤，包括：1）加载鸢尾花数据集并进行预处理；2）定义softmax模型和激活函数；3）采用交叉熵作为损失函数；4）使用梯度下降优化算法；5）训练模型并评估损失；6）验证模型效果。通过实验验证，模型能准确预测样本属于特定分类的概率。该方法与线性回归实现步骤类似，适用于多分类问题。

真相了！预测模型方法，机器学习并不比传统Cox回归更出色

综上所述，研究者发现RSF是最常用的ML模型，反映了它作为生存分析的ML算法的偏好。正在研究的用于生存分析的ML算法具有良好的预测能力，中位AUC或C-index为0.751。总结了ML算法的使用，并描述性地给出了ML和CPH模型的曲线下面积（AUC）或一致性指数（C-index）。今天一起详细看看这篇发表在《BMC Medical Research Methodology》上的系统综述与Meta

机器学习速通指南：从基础模型到深度学习的完整可视化解析

本文通过精心设计的可视化图形，系统讲解机器学习核心概念与模型。从线性回归、逻辑回归等基础算法，到决策树、随机森林等集成方法，再到K-Means聚类、PCA降维等无监督学习，最后深入解析深度学习中的神经网络、CNN卷积网络和RNN/LSTM循环网络。每个模型都配有高质量的可视化示意图，结合实践应用场景，帮助读者快速建立完整的机器学习知识体系，为后续的工程实践和深入研究奠定坚实基础。

机器学习中为何会有回归任务和分类任务这两种？

机器学习中回归与分类任务的并存，本质是目标变量的类型差异导致的，对应现实中两类完全不同的预测需求。

机器学习中如何选择分类与回归算法

分类任务：简单场景用逻辑回归 / 决策树，工业界主流用 XGBoost/LightGBM/CatBoost，复杂数据（图像 / 文本）用 CNN/Transformer。回归任务：简单场景用线性回归 / 多项式回归，工业界主流用 XGBoost/LightGBM/CatBoost，复杂时序 / 图像用 LSTM/CNN/Transformer。核心建议：先从简单模型入手搭建 baseline，再根

上市公司内控审计意见分析研究报告——基于2010-2024年CNRDS数据的实证分析（仅做简单处理，没有跑回归）

摘要：本研究基于CNRDS数据库2010-2024年46,962条内控审计记录，分析了中国上市公司内控审计意见特征。研究发现：非标准审计意见总体占比2.77%，2018年达峰值3.8%后呈下降趋势；事务所差异显著，亚太等事务所非标比率（23.7%）显著高于四大所；约13.58%的公司曾收到非标意见，多次收到者多面临退市风险；内控报告披露率由2010年不足50%升至2024年95%。建议加强事务所监

机器学习总概--监督学习--回归

摘要：本文系统介绍了梯度下降算法在机器学习中的应用，重点阐述了多特征线性回归和多项式回归模型。详细讲解了梯度下降的核心原理，包括学习率α的选择、代价函数优化及参数更新规则。同时介绍了特征工程的重要技术，如特征组合和特征放缩（包括范围缩放、均值归一化和Z分数归一化），这些方法能显著提升模型性能。此外，还对比了梯度下降与正规方程两种优化方法，并强调了向量化计算对提升效率的作用。通过合理的特征处理和参数

《动手学深度学习》-3.6Softmax回归的从零实现

o=XW+b，即把X拉成2维向量，通过每个特征*权重+偏执，为每个类别“打分”，谁得分高认为属于哪一类，同时由于打分过程可能出现负数，以及为了让打分高的更高，进行归一化处理，将其转变成概率。for i,(a,b) in enumerate(zip(x,y)): #循环拿到x里的新横坐标，y里的新的纵坐标，配对，拿到标号。if not self.X:#判断是否是首次调用，即self.X是否为空，并将

吴恩达机器学习2022 -- Course1 -- Week2（多输入变量的回归问题）

吴恩达机器学习2022 -- Course1 -- Week2（多输入变量的回归问题）

《动手学深度学习》-3.6Softmax回归的简约实现

nn.init.normal_(m.weight, mean=0, std=0.01)#只初始化w。net=nn.Sequential(nn.Flatten(),nn.Linear(28*28,10))#设置网络。if type(m) == nn.Linear:#判断是否是线性层，如果是将其初始化为正态分布。net.apply(init_weights)#遍历整个网络，对线性层初始化。def in

# 机器学习入门：从回归到人工智能

1. 回归是机器学习的基础线性回归是最基本的机器学习算法统计学习和机器学习本质相同，只是术语不同理解回归是理解机器学习的第一步2. 机器学习三大类型有监督学习：有标签，学习映射关系（回归、分类）无监督学习：无标签，发现数据模式（聚类、异常检测）强化学习：通过试错，学习最优策略3. 从简单到复杂的演进线性回归 → 逻辑回归 → 神经网络 → 深度学习每一步都建立在前一步的基础上4. 评估比训练更重要

全景解析：机器学习核心评价指标详解（分类、回归与聚类）

训练出的模型究竟表现如何？仅看准确率往往会产生误导。本文系统性地梳理了机器学习三大任务的核心评价指标：分类模型（从混淆矩阵到 F1-Score 的权衡）、回归模型（MAE、RMSE 与 R² 的差异分析）以及聚类模型（轮廓系数等无监督评估方法）。文章不仅深入浅出地解释了各指标的数学原理与适用场景（如数据不平衡处理），还提供了基于 Scikit-learn 的 Python 代码示例，助你快速上手实

机器学习 Day3：线性回归全面总结（含 API、案例与正则化）

本文系统介绍了线性回归的核心概念与应用方法。主要内容包括：1）线性回归的定义与分类（一元/多元）；2）求解方法（正规方程和梯度下降法）及其适用场景；3）关键数学基础（导数、矩阵运算和范数）；4）Sklearn实现API；5）波士顿房价预测实战案例；6）欠拟合与过拟合解决方案，重点介绍了L1/L2正则化方法。文章强调线性回归作为基础预测模型，具有简单易懂、可解释性强的特点，是学习复杂模型的重要基础。

【机器学习】案例4.1——Ridge岭回归

【代码】【机器学习】案例4.1——Ridge岭回归。

【机器学习】案例4.2——Lasso回归

运用SGDRegressor。

机器学习基础入门3——回归与聚类算法

定义：线性回归是利用回归方程（函数）对一个或多个自变量（特征值）和因变量（目标值）之间关系进行建模的一种分析方式。注：简单来说，一种是统计的说法，一种是机器学习中的说法，两者无非就是函数关系特征值和目标值线性模型数据挖掘基础期末成绩 ：0.7x考试成绩 + 0.3x平时成绩广义线性模型~ 非线性关系线性模型：自变量一次参数一次注：线性关系一定是线性模型，线性模型不一定是线性关系。4.1.2 线性回