Artificial Intelligence人工智能（Artificial Intelligence）机器学习(Machine Learning)深度学习(DeepLearning)机器学习与深度学习的比较To sum up人工智能（Artificial Intelligence）1956年，几个计算机科学家相聚在达特茅斯会议，提出了“人工智能”的概念，梦想着用当时刚刚出现的计算机来构造复杂的、

大大提高我们的科研效率！并且与其他的翻译软件不同，这款工具翻译出来的中文文章格式非常工整，并且文字异常清晰，真的有点震惊到我了，用过的翻译软件进行翻译时总会出现乱码和排版混乱的问题，而它工整的像是本来的文章就是中文一样！图片公式丝毫没有受到影响，强烈推荐每一位科研er。用过这个之后，我又接连用了好几个工具超市里的好几个工具，用了一圈使用下来，特别推荐AI翻译大师、AI老照片修复、AI电商场景图、A

Otto Group Product Classification Challenge1. 背景介绍2. 数据集介绍3. 数据获取4.数据基本处理4.1. 背景介绍奥托集团是世界上最⼤的电⼦商务公司之⼀，在20多个国家设有子公司。该公司每天都在世界各地销售数百万种产品, 所以对其产品根据性能合理的分类非常重要。不过,在实际工作中,工作人员发现,许多相同的产品得到了不同的分类。本案例要求,你对奥拓集

KNN算法：预测Facebook签到位置1. 项目描述2. 数据集介绍3. 步骤分析4. 代码实现4.1 获取数据集4.2 基本数据处理4.3 特征工程--特征预处理(标准化)4.4 机器学习--knn+cv4.5 模型评估1. 项目描述本次比赛的目的是预测一个人将要签到的地方。 为了本次比赛，Facebook创建了一个虚拟世界，其中包括10公里*10公里共100平方公里的约10万个地方。 对于给

回归决策树1. 原理概述2. 算法描述3. 简单实例3.1 实例计算过程3.2 回归决策树和线性回归对比4. 小结1. 原理概述上篇文章已经讲到，关于数据类型，我们主要可以把其分为两类，连续型数据和离散型数据。在面对不同数据时，决策树也 可以分为两大类型： 分类决策树和回归决策树。 前者主要用于处理离散型数据，后者主要用于处理连续型数据。不管是回归决策树还是分类决策树，都会存在两个核心问题：如何选

【计算机视觉】复习笔记。什么是滤波什么时候利用滤波滤波的种类：线性滤波：用相邻的线性组合 （加权和）替换每个像素卷积：(权重核反转（水平和垂直）)

维灾难1. 什么是维灾难2. 维数灾难与过拟合1. 什么是维灾难随着维度的增加，分类器性能逐步上升，到达某点之后，其性能便逐渐下降有一系列的图片，每张图片的内容可能是猫也可能是狗；我们需要构造一个分类器能够对猫、狗自动的分类。首先，要寻找到一些能够描述猫和狗的特征，这样我们的分类算法就可以利用这些特征去识别物体。猫和狗的皮毛颜色可能是一个很好的特征，考虑到红绿蓝构成图像的三基色，因此用图片三基色各

案例：探究用户对物品类别的喜好细分学习目标1. 需求2. 分析3. 完整代码3.1 获取数据3.2 数据基本处理3.2.1 合并表格3.2.2 交叉表合并3.2.3 数据截取3.3 特征工程 — pca3.4 机器学习（k-means）3.5 模型评估学习目标应用pca和K-means实现用户对物品类别的喜好细分划分数据如下：order_products__prior.csv：订单与商品信息字段：

过去几年，当人工智能逐渐从科幻畅想走进我们的日常生活时，孩子们被推到一个全新的学习浪潮之中——以“豆包”为代表的AI学习助手已经出现在我们的书桌上和课堂里。作为家长，都会在辅导孩子作业时感到无奈：繁忙的工作占据了大量时间，难题层出不穷，明明知道正确的理念却无法细致实践。《豆包高效学习》应运而生，作者把自己作为教师、母亲和学习者的经历，与AI结合的感悟分享出来，希望帮助更多家长在AI时代成为孩子的“

不要相信第一感觉最开始觉得是.to('cpu')的问题，结果profiling后发现完全不是。性能问题一定要用工具定位，不能靠猜。Profiling是必备技能MindStudio的Timeline视图非常直观，能精确到每个算子的微秒级耗时。建议每个做昇腾开发的同学都学会用。Warmup很重要昇腾NPU首次推理会慢很多（算子编译+缓存预热），线上服务一定要做充分的warmup。版本很关键很多优化特性