楼主习惯听课做笔记，这一份是慕课网，北大曹健老师的《人工智能实践-Tensorflow2.0》的全套讲义，包含上课的ppt和另一份pdf文件。整理在

本文是《AI快车道PaddleNLP系列直播课》学习笔记，暂未完结

PaddleDetection：分别使用ppyoloe+、FasterRCNN+swin进行训练；另外还试了Yolov5和.PaddleX框架的fasterrcnn

收藏了各种文章、github资源、赛事top方案等等

FastText：快速的文本分类器一、word2vec参考文档《word2vec原理和gensim实现》1.1 word2vec为什么 不用现成的DNN模型最主要的问题是DNN模型的这个处理过程非常耗时。我们的词汇表一般在百万级别以上，从隐藏层到输出的softmax层的计算量很大，因为要计算所有词的softmax概率，再去找概率最大的值。解决办法有两个：霍夫曼树和负采样。对于从输入层到隐藏层的映射

我也是从今年开始学人工智能 ，我的习惯是每听一门课就得做笔记。以前的python入门课、数据分析、算法课都做了，那个有时间再分享。吴恩达的机器学习和深度学习课视频qishihenduodifan

当你需要执行更复杂或独特的数据分析时，可以使用数据分析表达式（DAX）来创建自定义度量值。DAX 是一种公式语言，它使用了许多与 Excel 公式相同的函数、运算符和语法。与 Excel 不同，DAX 函数专门设计用于处理关系数据，并在你与报表进行交互时执行动态计算。这意味着度量值的计算结果会根据报表中的筛选条件和上下文动态变化。通过这些度量值（报表级别），用户可以添加特定业务逻辑、创建视觉计算或

一、文本挖掘原理1 分词的基本原理  现代分词都是基于统计的分词，而统计的样本内容来自于一些标准的语料库。假如有一个句子：“小明来到荔湾区”，我们期望语料库统计后分词的结果是：“小明/来到/荔湾/区”，而不是“小明/来到/荔/湾区”。那么如何做到这一点呢？  从统计的角度，我们期望"小明/来到/荔湾/区"这个分词后句子出现的概率要比“小明/来到/荔/湾区”大。如果用数学的语言来说说，如果有一个句子

一、语义分割1.1 语义分割简介之前的目标检测都是用锚框来标注和预测图片中主体的位置，而锚框有时候框的是大概的位置。语义分割（semantic segmentation）可以识别并理解图像中每一个像素的内容，其语义区域的标注和预测是像素级的。所以，与目标检测相比，语义分割标注的像素级的边框显然更加精细。语义分割应用：无人驾驶：路面分割计算机视觉领域还有2个与语义分割相似的重要问题，即图像分割（im

文章目录一、投票法与bagging1.1 投票法的原理分析1.2Voting案例分析1.3 bagging的原理分析1.4 决策树和随机森林1.5 bagging案例分析二、stacking2.1 Blending算法原理2.2 Blending案例2.3 Stacking算法原理2.4 Stacking算法案例2.4.1 基分类器预测类别为特征2.4.2基分类器类别概率值为特征2.4.3 基分类