登录社区云，与社区用户共同成长
邀请您加入社区
大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。观看零基础学习书籍和视频，看书籍和视频学习是最快捷也是最有效果的方式，跟着视频中老师的思路，从基础到深入，还是很容易入门的。以大模型平台应用与开发为主，
随着应用场景的不断拓展，大语言模型面临的安全挑战也日益严峻。恶意攻击者利用各种手段构造对抗样本，试图让模型输出错误信息、泄露敏感数据或违反道德伦理准则，这不仅影响了模型的正常使用，还可能带来严重的社会和经济后果。
25年2月来自清华大学的论文“Semi-supervised Vision-centric 3d Occupancy World Model For Autonomous Driving”。了解世界动态对于自动驾驶规划至关重要。最近的方法试图通过学习 3D 占用世界模型来实现这一点，该模型基于当前观察预测未来的周围场景。然而，3D 占用标签仍然需要产生有希望的结果。考虑到 3D 户外场景的注释成本
卷积神经网络（CNN）的变种在标准卷积的基础上进行改进，以解决不同任务中的特定需求。卷积在数学和深度学习中有一些重要的性质，理解这些性质有助于更深入地掌握其工作原理，尤其是在神经网络中的应用。本文我们来学习卷积的变种和相关的数学性质。
ChatGPT 4.5 在理解情感线索方面表现出色，能够以更具同理心和敏感性的方式进行回应，使对话更加自然和人性化。
多项式回归（Polynomial Regression）是一种用于建模非线性关系的回归分析技术。它是线性回归的一种扩展形式，允许模型通过增加自变量的高次项来更好地拟合数据。
随着大数据与人工智能技术的发展，回归分析已成为数据科学中的重要工具。它被广泛应用于多个领域，如金融预测、健康监测、工程系统控制等。广义加法模型（Generalized Additive Model, GAM）作为一种灵活的回归方法，能够有效捕捉输入变量与输出变量之间的非线性关系，是对传统线性回归模型的扩展。本文以广义加法模型为基础，通过MATLAB编程实现回归分析，并对其在数据预测中的应用进行详细
这个文件如下图所示，只需把数据标签改成自己需要的类就行了。
Padding 指的是在进行卷积操作之前，在输入数据（如图片、特征图）的边界周围添加额外元素的过程。这些额外元素可以是零（零填充，Zero-padding），也可以是其他特定的值，具体取决于使用的填充策略。
聚类+Transformer”是一种结合聚类算法和Transformer架构的创新方法，近年来在多个领域取得了显著的研究进展和应用成果。我还整理出了相关的论文+开源代码，以下是精选部分论文更多论文料可以关注领取更多[论文+开源码】
DBSCAN 的优点和缺点优点：不需要预先指定簇的数量。能够发现任意形状的簇。对噪声数据不敏感。能够识别出噪声点。缺点：需要选择两个参数领域半径(eps)和最小样本数(min_samples)，这可能需要一些实验来确定最佳值。对于密度差异很大的数据集，可能难以找到合适的 ε 和 MinPts。如果样本集的密度不均匀、聚类间距差相差很大时，聚类质量较差。
然而，TVM她她能受参数选择她影响很大，尤其她在高维复杂数据中，参数她选择对模型她能有着显著影响。传统她TVM模型在处理MIMO问题时可能表她不佳，而PTO-TVM模型通过优化TVM她参数，使其能够更好地适应这些复杂她非线她关系，从而在多输入多输出问题中取得更好她预测结果。本项目她目标她基她粒子群优化算法（PTO）她支持向量机（TVM）她结合，构建一个多输入多输出（MIMO）她预测模型，并通过对P
1.1 MoE模型定义混合专家模型（Mixture of Experts，MoE）是一种先进的神经网络架构，旨在通过整合多个模型或“专家”的预测来提升整体模型性能。MoE模型的核心思想是将输入数据分配给不同的专家子模型，然后将所有子模型的输出进行合并，以生成最终结果。这种分配可以根据输入数据的特征进行动态调整，确保每个专家处理其最擅长的数据类型或任务方面，从而实现更高效、准确的预测。专家（Expe
背景最近在从源码编译PyTorch，使用的环境是NVIDIA官方的Docker镜像： nvidia/cuda:11.2.2-cudnn8-devel-ubuntu20.04nvidia/cuda:11.1.1-cudnn8-devel-ubuntu20.04宿主机为Ubuntu20.04 + RTX2080ti，Nvidia driver…：确保你的 CUDA 版本与你的 GPU 兼容，并且安装了
在机器学习中，神经网络（Neural Networks) 是一种强大的工具，能够解决复杂的分类和回归问题。从简单的感知机到复杂的多层感知机（MLP），神经网络已经成为深度学习的核心技术之一。今天我们将深入探讨神经网络的基本结构，并通过实践部分使用 TensorFlow/Keras 构建一个多层感知机（MLP）来解决 MNIST 手写数字识别问题。
K-Means 是一种基于距离的聚类算法，其目标是将数据划分为K个簇，使得每个样本点与其所属簇的中心（质心）的距离最小化。随机选择K个初始质心。将每个样本分配到最近的质心所在的簇。更新质心为当前簇内所有样本的均值。重复步骤 2 和 3，直到质心不再变化或达到最大迭代次数。
在机器学习的广袤宇宙中，不同的学习模式宛如璀璨星辰，各自闪耀着独特的光芒，共同照亮了从数据到智能的探索之路。
起初，我并不感到惊讶；它有10条腿（而不是6条），两对触角（而不是1对），并且没有尾巴（弹尾虫正是靠尾巴进行跳跃的），如果这个人工智能创作的动物是真实的，我们就得重新写关于昆虫进化的书籍。“生命”重建图，上面的图是人工智能生成的蛇颈龙，下方的图侧是古生物艺术家Hyrotrioskjan创作的图像。即便它能够仅选取好的数据（例如避免使用人工智能生成的图像），现实是，大多数动物，无论是现存的还是灭绝的
GLIP通过统一目标检测与短语定位任务，引入跨模态深度融合模块和伪标签数据扩展，显著提升模型性能，在COCO、LVIS等数据集上zero-shot表现超越监督模型。
RAG是的缩写，翻译为中文的意思就检索增强，以基于最新，最准确的数据建立LLM的语料知识库。LLMLangChain是一个用于开发由语言模型驱动的应用程序的框架。具有上下文感知能力：将语言模型与上下文源（提示说明、少量镜头示例、基于其响应的内容等）联系起来。原因：依靠语言模型进行推理（关于如何根据提供的上下文回答，采取什么行动等）import osos.environ["QIANFAN_AK"]
您可以自定义模型的系统提示词、函数调用、温度k等配置，调出最适合自己的模型参数。此外，OpenWebUI还有个性化知识库、AI对话游乐场等功能，您可以在官方文档[6]中继续探索！附录。
LangChain 是一个为各种大型语言模型应用提供通用接口的框架，旨在简化应用程序的开发流程。通过 LangChain，开发者可以轻松构建如图所示的 RAG（Retrieval-Augmented Generation）应用。在这里插入图片描述LangChain 是一个专为构建大型语言模型（LLMs）驱动的应用程序而设计的框架，其核心目标是简化从开发到生产的整个应用程序生命周期。
内容摘要：本文详细解析聚类分析的核心方法，涵盖样本与类间相似性度量（欧氏距离、马氏距离、类平均法等）及层次聚类流程。通过销售员业绩案例，逐步演示MATLAB中 `pdist`、`linkage`、`cluster` 函数的实战应用，包括数据标准化、距离矩阵计算、聚类树生成与结果划分。结合代码示例与可视化解读，帮助读者掌握多维数据分群的核心技能。
机器学习
——机器学习
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
2048 AI社区
