tag 機器學習

標籤
貢獻433
443
05:25 PM · Oct 25 ,2025
deephub 頭像 tecdat 頭像 qingfouai 頭像 chaoshenjinghyperai 頭像 u_17420180 頭像 u_17061379 頭像 lab4ai 頭像 u_15214399 頭像 youyudetusi 頭像 aigoto 頭像 u_15690955 頭像 MrVolleyball 頭像

@機器學習 / 博客 RSS 訂閱

huodadexiang 頭像

南瓜 - 基於深度學習的河道垃圾檢測系統設計（YOLOv8）

基於深度學習的河道垃圾檢測系統設計（YOLOv8） 一、研究背景：AI 如何參與河道環境治理？ 隨着城市化進程加快，河道、湖泊、水庫等水體中的塑料垃圾問題日益嚴峻。其中，塑料瓶因體積明顯、數量龐大、難以自然降解，已成為水環境污染治理中的重點對象。 傳統河道垃圾監測方式主要存在以下痛點： ❌ 人工巡查成本高、效率低 ❌ 監測結果主觀性強，難以量化 ❌ 無法實現實時、連續監控 ❌ 難以形成

機器學習 , 人工智能 , 深度學習

收藏 評論

u_16213610 頭像

mob64ca13feda16 - detectron2 自定義數據訓練maskrcnn實例分割

Detectron2對coco數據格式優先支持。所以在開始之前建議把自己數據修改為標準的coco格式，各種類型數據轉coco格式腳本見：轉換工具箱。 注：這個大佬的數據轉換工具，在box標註那裏貌似會偏移一個像素，不知道修復沒有。但是如果對檢測box的定位精度不是要求很苛刻的話，這個並不會有太大影響。 Detectron2訓練自己數據

機器學習 , 數據 , 人工智能 , Json , Python

收藏 評論

u_16099304 頭像

藍夢之翼 - LDA降維分析的軟件

1、PCA降維 降維有什麼作用呢？ 數據在低維下更容易處理、更容易使用； 相關特徵，特別是重要特徵更能在數據中明確的顯示出來；如果只有兩維或者三維的話，更便於可視化展示； 去除數據噪聲 降低算法開銷 常見的降維算法有主成分分析（principal component analysis,PCA）、因

機器學習 , 擬合 , 數據 , 人工智能 , LDA降維分析的軟件 , 過擬合

收藏 評論

u_16213655 頭像

mob64ca1409970a - emacs manual

翻頁命令： C-v：向前移動一屏 M-v：向後移動一屏 C-l：重繪屏幕，並將光標所在行置於屏幕的中央 光標控制： C-n：移動到下一行（next） C-p：移動到上一行（previous） C-f：向右移動一個字符（forward） C-b：向左移動一個字符（backward）

機器學習 , emacs , 搜索 , 人工智能 , emacs manual , 使用手冊

收藏 評論

u_16213695 頭像

mob64ca1412ee79 - 條件轉移指令mem段

因為cmp指令可以同時進行兩種比較，無符號數比較和有符號數比較，所以根據cmp指令的比較結果進行轉移的指令也分為兩種，即根據無符號數的比較結果進行轉移的條件轉移指令(它們檢測zf、cf的值)和根據有符號數的比較結果進行轉移的條件轉移指令(它們檢測sf、of和zf的值)。 下面是常用的根據無符號數的比較結果進行轉移的條件轉移指令。 指令 含義 檢測的相關標誌位 j

機器學習 , 無符號數 , 有符號數 , 條件轉移指令mem段 , 轉移指令 , 人工智能

收藏 評論

u_16099178 頭像

雲端小悟空 - MemoryAnalyzer 修改啓動內存

一、JVM常用啓動參數 -Xms：設置堆的最小值。 -Xmx：設置堆的最大值。 -Xmn：設置新生代的大小。 -Xss：設置每個線程的棧大小。 -XX:NewSize：設置新生代的初始值。 -XX:MaxNewSize：設置新生代的最大值。 -XX:PermSize：設置永久代的初始值。 -XX:MaxPermSize：設置永久代的

機器學習 , 最小值 , jvm , 人工智能 , 死循環

收藏 評論

tecdat 頭像

拓端tecdat - 大語言模型LLM高級Prompt臨牀科研輔助研究——AdaBoost、LightGBM、MLP食道癌預測、遺傳性聽力損失診斷

全文鏈接：https://tecdat.cn/?p=44689 原文出處：拓端數據部落公眾號 關於分析師 San Zhang 在此對San Zhang對本文所作的貢獻表示誠摯感謝，他在北京航空航天大學完成了控制工程專業的碩士學位，專注人工智能領域。擅長Python、Matlab仿真、視覺處理、神經網絡、數據分析 。 San Zhang曾在所有保險領域工作，包括人壽、健康

機器學習 , 數據挖掘 , 人工智能 , 深度學習

收藏 評論

u_17195309 頭像

Maverick1218 - 基於預訓練BERT的情感分類，命名實體識別，問答系統簡單示例

模型構建 # coding=utf-8 """ BERT 三大任務演示 - 簡化版 功能： 1. 情感分析 - 判斷文本正面/負面情緒 2. 命名實體識別 - 識別人名、地名、組織等 3. 問答系統 - 從文本中提取答案 使用離線模型，便於學習和理解 """ import time import warnings warnings.f

機器學習 , 人工智能 , BERT

收藏 評論

huodadexiang 頭像

南瓜 - 基於 YOLOv8 的智能車牌定位檢測系統設計與實現—從模型訓練到 PyQt 可視化落地的完整實戰方案

基於 YOLOv8 的智能車牌定位檢測系統設計與實現—從模型訓練到 PyQt 可視化落地的完整實戰方案 一、項目背景與研究意義 隨着智慧交通與城市智能化建設的不斷推進，車牌識別（License Plate Detection Recognition） 已成為交通管理、停車系統、電子收費、高速卡口等場景中的關鍵技術模塊。 在整個車牌識別流程中，車牌位置檢測 是最基礎、也是最關鍵的一步。如果檢測階段

機器學習

收藏 評論

u_16827017 頭像

全棧技術開發者 - 矩陣和線性變換怎麼理解？矩陣與線性變換的關係究竟是什麼？一個矩陣如何對應到具體的變換？特徵向量和特徵值的意義是什麼？

在現代數學的研究中，線性代數佔據着核心位置，它不僅是純數學的重要組成部分，也是物理學、工程學、計算機科學等學科的基礎工具。矩陣與線性變換作為線性代數的核心概念，具有深厚的理論內涵和廣泛的應用價值。矩陣的排列和運算規則表面上似乎只是數字的組合，但其內在體現的是對向量空間結構的精確描述；而線性變換則揭示了向量空間中元素之間的映射規律，是代數與幾何之間的直接聯繫。 理解矩陣與線性

機器學習 , 線性變換 , yyds乾貨盤點 , 特徵值 , 向量空間 , 人工智能 , 線性代數

收藏 評論

u_16213678 頭像

mob64ca140ee96c - Mobile SDK V4demo運行後怎麼進入

一、準備下載工具 現在NVIDIA提供了SDKManeger的工具，相比於之前的Jetpack界面 SDKManager下載 官方參考教程 我這裏下載的是SDK manager1.1.0版本 sudo dpkg -i sdkmanager_1.1.0-6343_amd64.deb 安裝完成之後運行軟件

機器學習 , pytorch , 人工智能 , Machine , 深度學習 , 用户名 , Ubuntu

收藏 評論

u_16213720 頭像

mob64ca14193248 - map_phys_mem函數

map函數在Python中的應用 函數介紹： map() 會根據提供的函數對指定序列做映射。 　　map(function, iterable, ...) 第一個參數function 以參數序列中的每一個元素調用 function 函數，返回包含每次 function 函數返回值的新列表（python2.x返回列表，Python 3.x

機器學習 , 迭代器 , c++ , 人工智能 , 返回鍵 , map_phys_mem函數 , c , Python

收藏 評論

u_16099199 頭像

數據俠客行 - delphi TcxeditrepositoryImageComboBoxItem獲取當前索引

方法一： VB獲取計算機名稱，內、外網IP,很簡單，僅作示例。這些在編大軟件時作為裝飾。 Author:Minghacker 添加winsock控件,Inet控件 Private Declare Function ReleaseCapture Lib "user32" () As Long none窗體的移動 Private Dec

控件 , 機器學習 , ip , text , 人工智能

收藏 評論

u_16213563 頭像

網絡安全守護先鋒 - 機器學習假設函數

①假設函數(hypothesis function) 在給定一些樣本數據(training set)後，採用某種學習算法(learning algorithm)對樣本數據進行訓練，得到了一個模型或者説是假設函數。 當需要預測新數據的結果時，將新數據作為假設函數的輸入，假設函數計算後得到結果，這個結果就作為預測值。 假設函數的表示形式一般如下：θ 稱為模型

機器學習 , 機器學習假設函數 , 最小值 , 梯度下降算法 , 代價函數 , 人工智能

收藏 評論

deephub 頭像

deephub - 如何應對缺失值帶來的分佈變化？探索填充缺失值的最佳插補算法

本文將探討了缺失值插補的不同方法，並比較了它們在復原數據真實分佈方面的效果，處理插補是一個不確定性的問題，尤其是在樣本量較小或數據複雜性高時的挑戰，應選擇能夠適應數據分佈變化並準確插補缺失值的方法。 我們假設存在一個潛在的分佈P，從中得出觀察值X。此外，還繪製了一個與X相同維數的0/1向量，我們稱這個向量為M，實際觀測到的數據向量X被M掩碼為X。我們觀測到聯合向量(X,M)的n個獨立同分布(i.i

機器學習 , 神經網絡 , r , 人工智能

收藏 評論

u_16213689 頭像

mob64ca1411a6fc - emscripten如何接入opencv

通過向指定的地址發送請求，即可在一個新的html5頁面內顯示物流單號的跟綜信息，支持所有快遞公司，無需後期維護,無需申請，適合手機應用。 免費快遞查詢API地址： http://m.kuaidi100.com/index_all.html?type=[快遞公司編碼]postid=[快遞單號]callbackurl=[點擊"返回"跳轉的地址]

機器學習 , Intent , API , 自定義 , Android , 人工智能

收藏 評論

qingfouai 頭像

青否Ai - 從“採銷東哥”到千人千面直播：數字人如何破局新賽道？

2025年，直播行業正面臨前所未有的“內卷”，流量見頂、ROI疲軟，越來越多的商家開始尋找新的破局契機。 就在不少品牌陷入增長乏力的焦慮時，在技術支持下，跑出了逆勢增長的新故事：截至目前，數字人給商家帶來了超過140億的GMV增量。（青否數字人源頭v：zhibo175） 所以，曾經動輒數萬元、製作週期漫長的數字人，為何突然“飛入尋常百姓家”？ 從“採銷東哥”AI數字人的破圈，到超過9000家品牌密

機器學習 , 算法 , 人工智能 , 深度學習

收藏 評論

u_13250 頭像

flybirdfly - df 根據索引其中之一篩選 根據索引名得到索引號

第三章 索引 本章數據： import numpy as np import pandas as pd 一、索引器 1. 表的列索引 列索引是最常見的索引形式，一般通過[]來實現。通過[列名]可以從DataFrame中取出相應的列，返回值為Series，例如從表中取出姓名一列：

機器學習 , 大數據 , 數據倉庫 , pandas , 數據分析 , df 根據索引其中之一篩選 , Python

收藏 評論

u_12205 頭像

小魚兒 - GD32平台用STM32cubemx

2021-07-05~2021-07-09 簡述：GDf103vet6替換stf103vet6 一、大致修改的部分 相同點：兩個芯片的外圍引腳PIN TO PIN兼容，每個引腳上的複用功能也完全相同； 不同點：使用st的庫開發時，注意事項： 1、修改外部晶振起振超時時間，不用外部晶振可跳過這步

機器學習 , 數據 , 單片機 , 人工智能 , 模數轉換 , GD32平台用STM32cubemx , 創建日期

收藏 評論

leafgood 頭像

leafgood - 二.機器學習算法篇-線性迴歸(1)

1.線性迴歸算法思想 機器學習算法可以分為有監督學習和無監督學習。 什麼是有監督學習算法？ 用已知某種或某些特性的樣本作為訓練集,以建立一個數學模型,再用已建立的模型來預測未知樣本,此種方法被稱為有監督學習,是最常用的一種機器學習方法。是從標籤化訓練數據集中推斷出模型的機器學習任務。 迴歸算法是有監督學習算法的一種，從機器學習的角度來講,迴歸算法用於構建一個算法模型，這個模型是屬性(X)與標

機器學習

收藏 評論

u_16099361 頭像

16099361 - vue 打包後不顯示源碼 productionSourceMap不生效

最近在做一個vue項目，後台還沒有開始，只是根據提供的原型ui把前台靜態頁面設計出來，也是本人第一次做，開始做的時候用的是cli-4.x版本，給我的感覺，簡化了很多，目錄結構很簡潔。然而在打包準備上線測試的時候遇到了很多問題，以此記錄下來，希望我的文章能夠幫到有需要的童鞋。大神輕噴。 一、初始打包 命令npm run build

機器學習 , 靜態資源 , 目錄結構 , Vue , 人工智能 , Css

收藏 評論

u_16213562 頭像

技術極客傳奇 - sys schema是幹啥的

使用共享內存的目的： 共享內存共享內存是進程間通信中最簡單的方式之一。 共享內存允許兩個或更多進程訪問同一塊內存，就如同 malloc() 函數向不同進程返回了指向同一個物理內存區域的指針。 當一個進程改變了這塊地址中的內容的時候，其它進程都會察覺到這個更改。 使用共享內存的流程： 1.進程

機器學習 , 共享內存 , sys schema是幹啥的 , include , 人工智能 , 鍵值

收藏 評論

u_16237826 頭像

軟件求生 - 程序員的最強外掛：用 Spring AI 解鎖智譜 AI 畫圖能力

如果你問我，什麼時候第一次真正意識到「AI 不只是寫代碼的助手，而是一個能被你指揮的創作者」？ 不是在 ChatGPT 寫文章的時候，也不是在 Copilot 自動補代碼的時候。而是那天，我用 Spring AI 調了一次智譜 AI 的圖像模型。 那一刻，我的感覺特別像你本來只是個程序員，突然學會了揮畫筆。 從“畫畫”説起：我們小時候都當過畫師 小

機器學習 , 強類型 , yyds乾貨盤點 , 自動生成 , 人工智能 , Json

收藏 評論

lab4ai 頭像

Lab4AI - StackOverflow已經死亡了嗎

StackOverflow已經死亡了嗎 最近，一張有趣的圖片在X平台上引發了程序員社區的熱烈討論。用户@_devJNS將StackOverflow比作《忍者神龜》中的斯普林特大師，而ChatGPT、Claude、DeepSeek和Gemini則化身為新一代忍者。配文直擊靈魂：“StackOverflow官方已經死亡了嗎？”。這不僅是一句調侃，更折射出技術社區對這一經典問答平台的關注度下降和AI崛起

機器學習 , llm , 算法 , 人工智能

收藏 評論