登录社区云，与社区用户共同成长
邀请您加入社区
本文构建了一个社交媒体传播力预测系统，通过机器学习技术分析文章特征并预测其传播潜力。项目采用K-Means聚类和有监督学习算法（逻辑回归、SVM、KNN），其中逻辑回归表现最佳。研究发现标题词数和内容词数是关键特征，使用平均值而非中位数作为传播力阈值可显著提升准确率。系统实现了从数据预处理到模型部署的全流程，为内容创作者提供数据驱动的决策支持。未来可通过特征工程、模型优化和处理数据不平衡进一步提升
多目标点移动机器人改进路径规划算法代码送餐机器人，AGV室内机器人仿真路径规划采用改进A*算法融合模拟退火算法，规划多目标点路径规划。解决路径与障碍物相撞，AGV不斜穿室内区间，采用水平垂直方向移动路径规划，圆弧转弯。室内旅行商问题——送餐移动机器人（从厨房出发到达多个目标点，最后返回厨房）1，改进A*算法规划两两之间的路径，并计算路径长度；2，模拟退火算法依据两点之间路径长度，规划多个目标点的先
前言在大数据和算力的助力下，深度学习掀起了一波浪潮，在许多领域取得了显著的成绩。以监督学习为主的深度学习方法，往往期望能够拥有大量的标注样本进行训练，模型能够学到更多有价值的知识（如下左...
多智能体系统由多个自主智能体组成，这些智能体通过相互协作、竞争等方式来完成复杂任务。想象一下，一群无人机协同执行搜索救援任务，每架无人机就是一个智能体，它们之间需要实时通信、协调行动，这便是多智能体系统的一个典型应用场景。从代码角度来看，为了构建一个简单的多智能体通信框架，可以使用Python的socket库。# 创建socket对象# 获取本地主机名# 绑定端口号# 设置最大连接数，超过后排队#
随着通信网络的复杂化程度不断增加，基站的选址问题在实际作业中显得愈发重要。本文通过对新建基站如何选址和对弱覆盖点区域聚类进行研究，综合考虑基站建设的成本、覆盖率等限制条件，构建免疫-遗传算法优化模型，为弱覆盖点的聚类问题提供可行性的基础。对于问题一，我们分析可知，基站选址问题属于数学规划问题，我们将覆盖的总业务量最大和建设基站的总成本最小作为两个优化目标，建立双目标优化模型。在计算弱覆盖点与原有基
在现代产品开发过程中，收集到的用户需求往往数量庞大且形式多样。如何高效地组织和分析这些需求，成为产品规划阶段的关键挑战。本文旨在介绍如何利用机器学习技术，特别是自然语言处理(NLP)和聚类算法，对产品需求进行智能分类和聚类，从而帮助产品团队更高效地进行需求优先级排序和版本规划。需求分类与聚类的基本概念相关算法原理和技术实现实际应用案例和代码示例行业最佳实践和工具推荐第2节介绍核心概念与联系第3节详
文章摘要： DBSCAN是一种基于密度的聚类算法，通过定义邻域半径（ε）和最小点数（MinPts）识别密集区域为簇，并自动区分噪声点。其优势在于无需预设簇数量、可识别任意形状簇，但对参数敏感且在高维数据中性能下降。 应用扩展： 几何元素合并：通过自定义距离度量（如直线极坐标参数、圆心坐标与半径），结合角度差和位置差设计相似性函数，再用DBSCAN聚类相似直线或圆。 关键步骤： 直线/圆的特征向量化
随着低成本深度相机（如 Kinect）和 3D 传感器的普及，获取有序点云（organized point cloud）变得容易。这类点云在机器人和计算机视觉中广泛应用，但原始点云通常存在噪声、冗余，并缺乏语义信息。为了对 3D 场景进行紧凑、语义化建模，原始形状拟合（primitive fitting）成为一种重要方法，其中平面是最关键的原始形状，因为人工环境（建筑、家具等）大多由平面构成。本文
多模板复合验证的KD聚类匹配算法（MTCV-KCM） 本文提出了一种工程实践中总结的高鲁棒性图像匹配算法MTCV-KCM，通过多维度优化提升模板匹配的稳定性。算法核心包含四个关键技术： 多模板匹配、二值化重匹配验证、复合匹配策略和KD-Tree空间聚类。文章以电池电芯注液孔识别为例，展示了该算法相比传统模板匹配方法在工业复杂场景下的优越性。当面对表面脏污、当面对表面脏污、反光等干扰时，传统方法准确
端到端对抗注意力网络用于多模态聚类（EAMC）的方法旨在通过探索来自多个模态或视角的互补信息，将数据聚类成不同的组。多模态聚类涉及将来自不同源或模态的数据进行聚类（例如图像、文本、数值数据等）。挑战在于如何有效地结合来自不同模态的信息，以揭示数据的结构。对抗学习该技术用于对齐不同模态的潜在特征分布。对抗过程帮助确保来自不同源的特征在共享空间中是兼容的。具体来说，引入了一个判别器，学习区分真实与伪造
GPT-4o 是一款多模态自回归模型，具备处理文本、音频、图像和视频输入的能力，并能生成文本、音频和图像输出。它在文本推理、语音识别、翻译和视觉理解等多个领域实现了显著的性能提升，尤其在复杂推理任务和多语言环境中表现出色。GPT-4o 还引入了结构化输出功能，确保生成的输出精确匹配开发者提供的 JSON 模式。此外，OpenAI 通过专家红队测试和后期训练方法，有效识别并缓解了模型的潜在风险，确保
K-means是一种简单高效的聚类算法，通过迭代优化将数据划分为K个簇。其核心思想是让簇内数据点尽可能相似，簇间尽可能不同。算法流程包括初始化质心、分配数据点到最近质心、更新质心位置两步迭代，直至收敛。关键点包括：1）需对数据进行标准化处理；2）推荐使用K-means++初始化；3）选择K值可通过肘部法则或轮廓系数；4）适合球形簇数据。但存在对离群点敏感、仅适合数值型数据等局限，非球形簇数据可考虑
生信碱移来自微软研究院的研究者在不进行任何微调的前提下对Geneformer和scGPT进行了系统性评估，发现这些单细胞大语言模型在零样本情况下的性能表现甚至不如简单方法。基于目前积累的大量单细胞数据，多项单细胞大语言模型被陆续提出。大部分研究者希望借助如scGPT和Geneformer这类预训练大模型，实现细胞类型注释、基因表达预测等多种分析的“自动化”。另外，因为这些大模型都在跨物种/细胞类型
摘要：本文介绍DBSCAN聚类算法在Java中的实现，适用于未知类别数量(K值)的场景。通过Apache Commons Math3库的DBSCANClusterer，演示了如何对多维向量数据进行自动分类。示例代码展示了关键参数eps(邻域半径)和minPts(最小点数)的设置对聚类结果的影响，并将5个三维数据点成功分为3个簇。最后指出该算法可应用于文本分类，只需将文本转化为词频向量(TF)或语义
总体框架思想（概念化综述与方法论见：LLM-in-the-loop (概念综述），在本研究中将 LLM 深度嵌入聚类循环的关键决策位：不仅承担预处理或事后润色的辅助角色，而是直接参与“评估 → 命名 → 合并 → 再聚类”的闭环迭代过程；：以传统聚类的效率为“骨架”，用微调后的中文 LLM 做“语义裁判”和“命名批注”，实现自动发现簇数、语义一致性评估、可解释命名与后校正合并的闭环流程。：聚类结果
跟着顶刊作图丨技术路线图、GIF动、散点图、韦恩图、upset图、生存曲线图、漏斗图、环形图、瀑布图、条形图、面积图、热力图、聚类热图、相关矩阵图等
生成对抗聚类（GAC）结合了生成对抗网络（GAN）和聚类算法，通过对抗训练提升复杂数据的聚类效果。其架构包含生成器、判别器和聚类器，常用损失函数包括对抗损失、聚类损失和一致性损失。典型算法有ClusterGAN、InfoGAN和VaDE等，适用于图像处理、生物信息等领域。优势在于端到端训练和可解释性，但面临训练不稳定、超参数敏感等挑战。未来研究方向包括提升训练稳定性、自动推断聚类数等。相关工具包如
本文提出K-SpecPart，一种改进超图划分的监督谱框架，解决了现有多级划分器在全局结构考虑不足和局部最优风险方面的局限性。通过计算广义特征向量和监督降维技术生成全局感知的顶点嵌入，并结合切割叠加聚类整合多个划分解。实验显示，K-SpecPart在二分问题上比前作SpecPart提升15%切割质量，多路划分时对小K值改善达20%，对大K值仍保持2%优势，超越hMETIS和KaHyPar等领先划分
本文系统探讨MeanShift算法在图像分割中的应用，从理论基础到实现优化。首先介绍其非参数化密度估计框架与梯度上升原理，推导数学公式并分析收敛机制。接着详细阐述图像分割流程，包括特征空间构建、参数调优策略及Python代码实现（提供OpenCV和scikit-image两种方案）。通过实验数据对比MeanShift与K-means、DBSCAN等算法的性能差异，总结其无需预设簇数、适应任意形状的
3.1.1 Prompt Engineering 定义：通过精准设计输入指令，引导LLM输出预期结果的技术方法论3.1.2 Prompt Engineering 核心价值：零微调提升模型性能、降低LLM应用门槛、适配多样化下游任务3.1.3 Prompt Engineering 适用场景：文本生成、知识问答、逻辑推理、代码生成、多轮对话等3.1.4 模型与Prompt的适配性：模型规模对Promp
一区二区都有不少新成果，比如IJCV 2024的IDDC方法，性能优于所有现有无监督语义分割方法，还有LoSTer算法，训练速度比Transformer快数百倍！这方向，因为它能自动化完成从数据输入到聚类结果输出的整个过程，无需人工干预中间步骤，，在机器学习与数据挖掘领域，尤其是无监督学习和复杂数据建模中，拥有超级强大的潜力。如今，大模型的进步推动着端到端聚类在更多领域实现“从数据到知识”的无缝衔
本文介绍了一个基于k-means聚类算法和NLP技术的微博舆情数据爬虫可视化分析推荐系统。系统通过requests库实现微博数据爬取，利用热词统计、情感分析等功能进行数据挖掘，并采用k-means算法实现个性化新闻推荐。系统架构包括数据采集、预处理、聚类分析和可视化展示等模块，支持舆情监测、IP分析、评论分析等功能。研究成果为舆情监测提供了技术支持，帮助用户获取个性化信息推荐，提升了信息获取效率。
GGUF量化技术为大型语言模型（LLM）推理提供了一种高效且灵活的解决方案，特别适用于GPU内存不足的场景。该技术通过降低模型精度（如4-bit、3-bit等）减少内存占用，同时保持较高的推理速度，尤其适合在CPU上运行。GGUF支持多种量化精度和模型架构，如Mixtral、Mistral、Qwen1.5等，用户可根据硬件条件和需求选择最合适的量化方案。GGUF文件格式将模型、分词器及运行所需代码
本文系统介绍了隐马尔可夫模型（HMM）的理论基础、算法实现及典型应用。首先阐述了HMM的基本概念、模型假设和三大核心问题（评估、解码、学习问题）。详细讲解了前向算法、维特比算法和Baum-Welch算法的原理及实现过程，并给出了Python代码示例。通过语音识别和自然语言处理中的词性标注两个典型案例，展示了HMM的实际应用价值。文章最后指出HMM虽然存在假设限制，但在时序数据分析中仍具有重要地位，
跟着Nature学绘图：技术路线图、GIF动、散点图、韦恩图、upset图、生存曲线图、漏斗图、环形图、瀑布图、条形图、面积图、热力图、聚类热图、相关矩阵图等
将文档映射为主题向量，用于个性化推荐或多文档摘要。主题建模作为理解和组织文本语料的关键技术，已经从传统的概率模型（如LDA）演进到融合预训练语言模型与聚类技术的新一代方法（如BERTopic、Top2Vec）。在智能问答、语义聚类、金融数据要素治理等复杂场景中，合适地引入主题建模不仅有助于提升问答系统的检索精度与响应准确性，也为系统的可解释性、安全性与知识管理提供了坚实基础。
PyCaret 是一个开源的、低代码的 Python 机器学习库，可以自动化机器学习工作流程。它是一个端到端的机器学习和模型管理工具，可以大幅加快实验周期并提高工作效率。与其他开源机器学习库相比，PyCaret 是一个替代低代码库，可以用几行代码代替数百行代码。这使得实验速度指数级增长，效率更高。PyCaret 本质上是围绕几个机器学习库和框架（如scikit-learn、XGBoost、Ligh
基于Matlab进行低代码量的机器学习
业务逻辑并发冲突的本质是业务规则在多用户并发下被绕过或破坏，而非传统的线程安全问题。AI正成为解决此类问题的革命性工具，它能模拟真实用户违反业务规则的行为，而非简单的线程并发。典型场景包括库存超卖、重复扣款等，这些问题需要业务层面的解决方案，如幂等设计、状态机等。AI通过行为建模自动生成并发冲突场景，相比传统测试显著提升异常路径覆盖率和缺陷发现率。未来AI将成为"业务规则守门人"
摘要：AI技术正革新测试日志分析，通过自动聚类算法快速识别相似失败模式，显著提升缺陷定位效率。传统人工分析面临海量日志过载、模式识别困难等挑战，而AI采用K-means、DBSCAN等算法实现日志向量化和智能分组，可将分析时间从数小时缩短至分钟级。实施案例显示，某电商平台支付模块的故障分析效率提升16倍，缺陷修复率提高40%。虽然存在数据质量依赖等挑战，但AI聚类通过预测性分析和AIOps集成，正
通过本文的理论解读与完整代码实践，你已掌握使用 HuggingFace Transformers 微调 BERT 做情感分析的全流程。无论是学术研究还是工业项目，掌握这套技术都能让你在 NLP 任务中快速落地并取得竞争力。CSDN 文章链接祝你在 AI 之路上不断突破，创作更多高质量的技术文章！
你每做一个动作（比如加盐、开大火），都会得到一个“好不好”的反馈信号（奖励或惩罚）。他给你一大堆“菜的照片”（输入）和对应的“菜名标签”（正确答案）。比如聚类，分多少组合适？：用神经网络来近似复杂的“价值表”或“策略”，处理像游戏画面、机器人控制这样的高维输入。：比如把绿色的蔬菜放一堆，红色的肉类放一堆，或者把适合做沙拉的食材和适合炖汤的食材分开。：把相似的数据点分组。：发现数据中的关联规则，比如
聚类
——聚类
联系我们（工作时间：8:30-22:00）
400-660-0108 kefu@csdn.net
2048 AI社区
DAMO开发者矩阵
九章云极普惠算力
NVIDIA DRIVE 智能汽车专区
火山引擎 ADG 社区
CSDN-OPC开发者社区
