登录社区云，与社区用户共同成长
邀请您加入社区
早期的图像分割技术方法主要有边缘检测、阈值分割、区域生长。这些研究方法对图像信息有着不同的认知，从某个角度出发进行图像分割，其算法通俗易懂，有着高效的图像分割速度。但其也存在着许多问题，这些方法一般采用了贪心策略进行图像分割，容易陷入局部最优解，不能得到全局最优解；对图像的空间特征信息认识不足；对噪声敏感等。如今，计算机算力充足，一些新方法、新理论也随之被应用到图像分割领域。如统计学习中的聚类算法
机器学习作为数据驱动的核心技术，已成为推动人工智能落地的关键动力，其核心价值在于让计算机具备自主学习与适应环境的能力。从基础的监督学习到复杂的强化学习，从数据处理到模型优化，完整的技术链路是实现业务价值的保障。尽管当前仍面临数据依赖、可解释性等挑战，但随着轻量化、可信AI、跨模态融合等技术的突破，机器学习将在更广泛的领域实现深度落地。对于学习者而言，从基础范式入手，掌握数据处理与特征工程的核心方法
K近邻算法（K-Nearest-Neighbor, KNN）是一种用于分类和回归的非参数统计方法，最初由 Cover和Hart于1968年提出(Cover等人,1967)，是机器学习最基础的算法之一。要确定一个样本的类别，可以计算它与所有训练样本的距离，然后找出和该样本最接近的k个样本，统计出这些样本的类别并进行投票，票数最多的那个类就是分类的结果。KNN的三个基本要素K值，一个样本的分类是由K个
K近邻算法是一种用于分类和回归的非参数统计方法，最初由 Cover和Hart于1968年提出(Cover等人,1967)，是机器学习最基础的算法之一。它正是基于以上思想：要确定一个样本的类别，可以计算它与所有训练样本的距离，然后找出和该样本最接近的k个样本，统计出这些样本的类别并进行投票，票数最多的那个类就是分类的结果。KNN的三个基本要素：1.K值，一个样本的分类是由K个邻居的“多数表决”确定的
K近邻算法（K-Nearest-Neighbor, KNN）是一种用于分类和回归的非参数统计方法，最初由 Cover和Hart于1968年提出是机器学习最基础的算法之一。它正是基于以上思想：要确定一个样本的类别，可以计算它与所有训练样本的距离，然后找出和该样本最接近的k个样本，统计出这些样本的类别并进行投票，票数最多的那个类就是分类的结果。KNN的三个基本要素：K值，一个样本的分类是由K个邻居的“
K近邻（K-Nearest Neighbors，KNN）算法是一种基本的机器学习算法，它既可以用于分类任务，也可以用于回归任务。KNN算法的核心思想是，如果一个新样本在特征空间中的K个最邻近的样本大多数属于某一个类别，那么这个新样本也属于这个类别。
它正是基于以上思想：要确定一个样本的类别，可以计算它与所有训练样本的距离，然后找出和该样本最接近的k个样本，统计出这些样本的类别并进行投票，票数最多的那个类就是分类的结果。距离度量，反映了特征空间中两个样本间的相似度，距离越小，越相似。常用的有Lp距离（p=2时，即为欧式距离）、曼哈顿距离、海明距离等。K值，一个样本的分类是由K个邻居的“多数表决”确定的。K值越小，容易受噪声影响，反之，会使类别之
本篇博客详尽地展示了用MindSpore框架实现DEC算法的全流程。博主在学习过程中发现，mindspore2.0.0-rc1框架提供了动态图和静态图两种模式。相较于动态图而言，静态图的特点是将计算图的构建和实际计算分开（Define and run）。在构建阶段，根据完整的计算流程对原始的计算图进行优化和调整，编译得到更省内存和计算量更少的计算图。在计算阶段，根据输入数据执行编译好的计算图得到计
K近邻算法（KNN）的基本思想是从训练集中寻找和输入样本最相似的k个样本，如果这k个样本中的大多数属于某一个类别，则输入的样本也属于这个类别。此时有一个未标记的数据样本，我们的任务是预测出这个数据样本所属的类别。knn的原理是，计算待标记样本和数据集中每个样本的距离，取距离最近的k个样本。待标记的样本所属类别就由这k个距离最近的样本投票产生。K-近邻 (K-Nearest Neighbor) 算法
KNN 是一种基于距离的分类和回归算法，通过计算测试样本与训练样本之间的距离来预测测试样本的类别。KNN 的三个基本要素：K 值、距离度量、分类决策规则。
它正是基于以上思想：要确定一个样本的类别，可以计算它与所有训练样本的距离，然后找出和该样本最接近的k个样本，统计出这些样本的类别并进行投票，票数最多的那个类就是分类的结果。在具体实现时，可以考虑样本的权重，即每个样本有不同的投票权重，这种方法称为带权重的k近邻算法，它是一种变种的k近邻算法。需要特别注意的是，使用欧氏距离时，应将特征向量的每个分量归一化，以减少因为特征值的尺度范围不同所带来的干扰，
K近邻算法（K-Nearest-Neighbor, KNN）是一种用于分类和回归的非参数统计方法，最初由 Cover和Hart于1968年提出(Cover等人,1967)，是机器学习最基础的算法之一。它正是基于以上思想：要确定一个样本的类别，可以计算它与所有训练样本的距离，然后找出和该样本最接近的k个样本，统计出这些样本的类别并进行投票，票数最多的那个类就是分类的结果。KNN的三个基本要素：K值，
KNN算法的实现依赖于样本之间的距离，其中最常用的距离函数就是欧氏距离（欧几里得距离）。RnRn空间中的两点xxx和yyydxy∑i1nxi−yi2dxyi1∑nxi−yi2需要特别注意的是，使用欧氏距离时，应将特征向量的每个分量归一化，以减少因为特征值的尺度范围不同所带来的干扰，否则数值小的特征分量会被数值大的特征分量淹没。其它的距离计算方式还有Mahalanobis距离、Bhattac
本文档主要介绍垃圾分类代码开发的方法。通过读取本地图像数据作为输入，对图像中的垃圾物体进行检测，并且将检测结果图片保存到文件中。1、实验目的2、MobileNetv2模型原理介绍MobileNet网络是由Google团队于2017年提出的专注于移动端、嵌入式或IoT设备的轻量级CNN网络，相比于传统的卷积神经网络，MobileNet网络使用深度可分离卷积（Depthwise Separable C
需要特别注意的是，使用欧氏距离时，应将特征向量的每个分量归一化，以减少因为特征值的尺度范围不同所带来的干扰，否则数值小的特征分量会被数值大的特征分量淹没。在具体实现时，可以考虑样本的权重，即每个样本有不同的投票权重，这种方法称为带权重的。它正是基于以上思想：要确定一个样本的类别，可以计算它与所有训练样本的距离，然后找出和该样本最接近的。算法的实现依赖于样本之间的距离，其中最常用的距离函数就是欧氏距
MindSpore实现了KNN算法，用于在wine数据集上解决3分类问题。该算法能有效地根据酒的13种属性判断出酒的品种。
K-means是一种基于距离的划分聚类方法，通过迭代将数据划分为K个簇。核心思想是使簇内样本的平方误差最小化。算法流程包括初始化聚类中心、分配样本到最近中心、重新计算中心位置，直到收敛。
《TrustRAG：增强RAG系统的抗攻击能力与可信度》 本文提出TrustRAG框架，旨在解决检索增强生成(RAG)系统面临的语料投毒攻击问题。针对现有防御方法在恶意文档数量占优时失效的缺陷，TrustRAG采用两阶段防御机制：第一阶段通过K-means聚类和ROUGE评分识别过滤恶意文档；第二阶段利用大语言模型(LLM)内部知识进行冲突检测和知识整合。实验表明，该框架在NaturalQuest
当传统检索还在“关键词匹配”的平原上徘徊时，RAPTOR已带我们登上**语义理解的树冠层**。这片由斯坦福培育的“知识森林”，正为LLM注入真正的理解力——未来已来，只是尚未均匀分布。
K-means聚类算法是一种常用的文本数据分析技术，通过对微博内容进行聚类，可以将相似主题或内容的微博归为同一类别，从而为用户提供更加个性化的新闻推荐服务。K-means聚类算法是一种无监督学习算法，其主要目标是将数据集中的样本划分为K个不同的簇，使得同一簇内的样本彼此相似度较高，而不同簇之间的样本相似度较低。在微博舆情分析系统中，我们可以将微博内容视作数据集中的样本，通过K-means算法将微博
LoRA作为一种新兴的大型语言模型微调技术，近年来在各大领域备受注。本文综述了LoRA技术的多方面内容。首先深入剖析了LoRA的原理，接着详细回顾了LoRA的发展历程。此外，对LoRA的应用情况进行了广泛梳理，凸显了LoRA相较于传统微调方法的优势。同时，探讨了LoRA与其他微调技术的结合应用，进一步拓展了其应用边界和性能潜力。最后，对LoRA技术面临的挑战进行了分析，并展望了未来的发展方向。本文
每年毕业季，都有成千上万的本科生在“论文深渊”里挣扎：选题没方向、文献看不懂、数据不会处理、初稿写三天、查重率高到崩溃……于是，AI写论文工具成了“救命稻草”。但问题是——。作为一名专注论文写作科普的教育测评博主，我花了两周时间，真实体验了9款市面上主流的AI论文辅助工具（全部为真实存在、非杜撰产品），从开题到答辩全流程测试。。宏智树AI官网www.hzsxueshu.com下面，我用最接地气的方
某综述讨论“AI能否替代教师”，只聚类了“AI能提高教学效率”的研究（如张三、李四），却完全忽略“AI无法替代情感互动”的研究（如王五、赵六），最终写成一篇“AI吹捧文”，被导师批评“缺乏学术平衡”。在正式介绍方法前，先聊聊观点聚类中常见的三大“坑”。——从“观点提取”到“维度划分”再到“批判整合”，让你的观点聚类从“碎片化”升级为“系统化”，甚至能帮你发现“研究空白”和创新点。，能根据观点的“研
这两天在看张良均、王路等人出版的书《python数据分析与挖掘实战》，前面整理了一篇笔记，现在就实战一下吧。数据量：62988，共有44个客户属性，其中包含了会员卡号、入会时间、性别、年龄、会员卡级别、在观测窗口内的飞行公里数、飞行时间等第一步：数据探索拿到数据集，先进行整体上的观察import pandas as pdimport numpy as npdf = pd.read_csv( 'ai
单细胞转录组数据分析中，聚类分群是揭示细胞异质性的关键技术。主流方法包括基于图论的Louvain/Leiden算法、基于质心的K-means、基于密度的DBSCAN等，需配合降维技术（如PCA、UMAP）使用。当前面临高维稀疏性、参数敏感性、细胞状态连续性等挑战。前沿方向包括深度学习模型应用、多模态数据整合和自动化工具开发。最佳实践建议结合多种方法验证、系统性参数优化和下游分析验证。未来发展趋势是
Function Call 是大模型在对话过程中调用外部函数的能力，它允许模型在无法直接回答问题时，返回一个函数调用请求，而不是生成文本。开发者需要手动解析这个请求，执行对应的函数，并将结果传回给模型，以生成最终答案。通俗地讲，Function Calling允许模型返回一个结构化的“函数调用请求”，告诉你的程序：“我建议调用哪个函数，以及具体用什么参数”。但需要注意的是，模型本身。
VAE 是一个强大的生成模型。它通过引入概率思想，将编码器从一个确定性的映射转变为一个概率分布的参数化器，并利用重参数化技巧和精心设计的损失函数（重建损失 + KL 散度），成功地构建了一个连续、结构化的潜在空间。这不仅使其能够高质量地压缩和重建数据，更赋予了它从该空间中采样以创造全新数据的能力，为无监督学习和数据生成领域开辟了新的道路。
上个月就给大家同步了dify的下一个工作，rag2.0，当时我和他们的产品聊过rag2.0，核心的rag不会变动太多(dify本身rag能力够用，问题最多的在于文档格式)。主要是`数据解析这块，以流水线的方式处理文档。` 也叫知识管道。
聚类
——聚类
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
九章云极普惠算力
2048 AI社区
鲲鹏昇腾开发者社区
松山湖开发者村综合服务平台
火山引擎 ADG 社区
