博客 RSS 訂閱

u_13416 頭像

detailtoo - bp算法matlab線性迴歸結果分析

斯坦福大學公開課 ：機器學習課程[第2集]監督學習應用.梯度下降 http://v.163.com/movie/2008/1/B/O/M6SGF6VB4_M6SGHJ9BO.html Matlab實現線性迴歸和邏輯迴歸: Linear Regression Logistic Regression octave

機器學習 , 線性迴歸 , 擬合 , bp算法matlab線性迴歸結果分析 , 人工智能 , 迭代

收藏 評論

u_16099188 頭像

互聯網小思悟 - 機器學習 損失率 範圍 機器翻譯的損失函數

1、損失函數（代價函數） 損失函數（loss function）是用來估量模型的預測值f(x)與真實值Y的不一致程度，它是一個非負實值函數,通常使用L(Y, f(x))來表示，損失函數越小，模型的魯棒性就越好。損失函數和代價函數是同一個東西，目標函數是一個與它們相關但更廣的概念。 上面三個圖的函數依次為 , ,

機器學習 損失率 範圍 , 機器學習 , 擬合 , 損失函數 , 人工智能 , 歷史數據

收藏 評論

developer-tianyiyun 頭像

天翼雲開發者社區 - quic協議中Connection ID的協商機制

本文分享自天翼雲開發者社區《quic協議中Connection ID的協商機制》.作者：沈****揚 quic協議是基於UDP的應用層可靠協議。 由於UDP本身是無連接的服務，因此quic數據包的連接ID（connection id）用於確定該數據包屬於哪個quic連接。長包頭包含兩個連接ID：目標連接ID（DCID=Destination Connection ID）和目標連接ID（SCID=S

網絡安全

收藏 評論

u_13539 頭像

jowvid - GBDT迴歸預測實驗報告 gbdt分類與迴歸的區別

GBDT和XGBoost在工業界和競賽界有着廣泛的應用。雖然使用起來並不難，但若能知其然也知其所以然，則會在使用時更加得心應手。本文主要是根據對陳天奇大神的PPT和原始論文的學習，梳理一下GBDT和XGBoost的“知識點”。 首先我們先列出CART，GB，GBDT和XGBoost之間的關係。 CART是分類與迴歸樹（Classif

機器學習 , CART , 人工智能 , XGBoost , GBDT迴歸預測實驗報告 , GBDT

收藏 評論

u_1150085 頭像

I_am_Alex - IPIDEA代理IP深度測評：構建智能體知識庫的得力助手

1. 智能體知識庫的重要性 我最近在做“歷史大事記”智能體時，踩了個實打實的坑：初期全靠大模型原生知識庫支撐，回答總是“缺斤短兩”：要麼漏了關鍵歷史事件，要麼對人物生卒、傳統習俗的描述模糊不清，甚至連一些廣為人知的紀念日都沒法精準對應。 為了補齊這個短板，我找遍了各種數據源，最終發現維基百科這一“寶藏庫”：它把全年365/366天的內容拆解得明明白白，大到影響

機器學習 , 智能體 , 人工智能 , 爬蟲 , ipidea , 知識庫

收藏 評論

u_17579295 頭像

mb6911caa73d1d1 - 從“看得見”到“看得懂”：數字孿生如何重塑城市公共安全新格局

作為一名在城市公共安全領域深耕多年的從業者，我深知傳統安防系統的痛點：數據孤島林立、應急響應遲緩、決策依賴經驗。直到我們引入了數字孿生智能運營中心—孿易IOC，才真正實現了從“被動應對”到“主動防控”的跨越。今天，我想通過幾個真實場景，分享這項技術如何讓城市安全“活”起來。 一、當消防警鈴響起時，我們看到了什麼？ 過去，接到火警報警後，我們需

數據 , 自定義 , 數據可視化 , 插件庫 , 人工智能 , 數字孿生

收藏 評論

u_13357275 頭像

上海拔俗網絡 - 經濟運行智能問答智能體：給經濟分析師配個"AI小秘書"

當我們想了解經濟運行狀況時，我們通常會怎麼做？去翻閲幾十頁的統計局報告？去研究複雜的K線圖和儀表盤？還是去搜索那些充滿專業術語的分析文章？對於大多數人來説，經濟數據就像一個被鎖在保險櫃裏的寶藏，我們知道它價值連城，卻苦於沒有鑰匙。 “經濟運行智能問答智能體服務系統”，正是要打造一把萬能鑰匙，成為每個人都能隨時請教的“隨身經濟顧問”。它的核心使命，是打破數據壁壘，將複雜、靜態的經濟數據

數據 , app , 微服務 , NLP , 人工智能

收藏 評論

u_16213653 頭像

mob64ca14092155 - 為什麼使用隨機梯度下降求解出現問題 隨機梯度下降的隨機

迴歸與梯度下降 　　迴歸在數學上來説是給定一個點集，能夠用一條曲線去擬合之，如果這個曲線是一條直線，那就被稱為線性迴歸，如果曲線是一條二次曲線，就被稱為二次迴歸，迴歸還有很多的變種，如本地加權迴歸、邏輯迴歸，等等。 　　用一個很簡單的例子來説明迴歸，這個例子來自很多的地方，也在很多的開源軟件中看到，比如説weka。大概就是，做一個房屋

梯度下降 , 人工智能 , 深度學習 , 數據結構與算法 , 為什麼使用隨機梯度下降求解出現問題 , Python

收藏 評論

u_13066 頭像

hochie - 哪種情況下邏輯迴歸函數可能不是最佳選擇 邏輯迴歸不是迴歸

邏輯不邏輯，迴歸非迴歸。 回想當年初次學習邏輯迴歸算法時，看到”邏輯迴歸“這個名字，第一感覺是這是一個與線性迴歸類似的迴歸類別的算法，只不過這個算法突出”邏輯“，或者與某個以”邏輯“命名的知識點有關。可後來卻發現，這是一個坑死人不償命的名字——邏輯迴歸算法不是迴歸算法，是分類算法，也與邏輯無關，要説有關也僅是因為它的英文名字是Loginstics，音譯為邏輯而已（所以也有資料稱之

機器學習 , 線性迴歸 , 數據 , 損失函數 , 人工智能 , 哪種情況下邏輯迴歸函數可能不是最佳選擇

收藏 評論

u_16099262 頭像

信息流星 - sigmoid核函數 支持向量機 支持向量機的核函數

2.2、核函數Kernel 2.2.1、特徵空間的隱式映射：核函數 咱們首先給出核函數的來頭：在上文中，我們已經瞭解到了SVM處理線性可分的情況，而對於非線性的情況，SVM 的處理方法是選擇一個核函數 κ(⋅,⋅) ，通過將數據映射到高維空間，來解決在原始空間中線性不可分的問題。 此外，因為訓練樣例一般是不會獨立出現的，

機器學習 , 核函數 , 數據 , sigmoid核函數 支持向量機 , 特徵空間 , 人工智能

收藏 評論

u_16099343 頭像

編程夢想編織者 - 神經網絡至少要多少數據 神經網絡有

目錄 迷人的神經網絡——機器學習筆記1 第1章 神經元模型及網絡結構 1.1 神經元模型 1.1.1 單輸入神經元 1.1.2 激活函數 1.1.3 多輸入神經元 1.2 網絡結構 1.2.1 單層神經網絡 1.2.2 多層神經網絡

神經網絡 , 激活函數 , 權值矩陣 , 神經網絡至少要多少數據 , 感知機 , 人工智能

收藏 評論

u_16349720 頭像

短短同學 - 基於ssm框架下的分頁顯示查詢

SSM 框架實現分頁顯示查詢（基於用户管理案例） 在 SSM 框架中實現分頁查詢，最常用且高效的方案是集成MyBatis 分頁插件（PageHelper），它能自動攔截 SQL 並添加分頁語句（LIMIT），無需手動編寫複雜分頁 SQL。以下基於之前的 “用户管理” 案例，完整補充分頁查詢的實現步驟，包含配置、代碼編寫與測試。 一、前期準備：集成 PageHelper

User , 分頁 , 人工智能 , 深度學習 , 分頁查詢

收藏 評論

u_17521282 頭像

元冪境ar遠程協助 - ​AR技術在裝配中的應用

在元冪境看來，增強現實是一種將虛擬信息與真實世界實時疊加的技術，通過顯示設備、傳感器和計算平台，將三維模型、文字、圖標等數字信息精確映射到現實場景中。與虛擬現實的體驗不同，AR強調虛實結合，讓用户在現實環境下獲取相關信息。 在裝配行業，尤其是機械製造、汽車生產、航空航天、電子裝配等領域，裝配任務往往包含大量的步驟、複雜的零件結構以及嚴格的質量要求。傳統的裝配指導方

ar系統 , ar設備 , ar技術 , 人工智能 , 深度學習 , ar , ar巡檢

收藏 評論

u_17579295 頭像

mb6911caa73d1d1 - 當城市裝上"數字大腦"：看數字孿生如何重塑現代城市治理新格局

清晨7點，城市交通早高峯如期而至。在某個城市的指揮中心大屏上，整座城市的運行狀態以三維立體的形式實時呈現：主幹道的車流如血液般奔涌，地鐵線路如神經網絡般閃爍，重點區域的安防監控如敏鋭的眼睛般警惕。這不是科幻電影的場景，而是數字孿生技術在城市治理中的真實應用。 一、從"經驗決策"到"數據驅動"的治理變革 傳統城市治理往往依賴於管理者的經驗和分散

數據 , 智慧城市 , 數據可視化 , 人工智能 , 基礎設施 , 數字孿生

收藏 評論

u_17579295 頭像

mb6911caa73d1d1 - 實戰分享：如何用數字孿生IOC打造國防航天領域的“智慧指揮大腦”

作為一名數字孿生應用開發者，我深知在國防航天這類高精尖領域，構建一個高效、可靠的智能運營中心（IOC）有多麼重要。過去，我們常常面臨數據孤島、系統響應慢、應急指揮效率低等問題。直到我們團隊引入了“孿易 數字孿生IOC ”，這些問題才迎刃而解。今天，我想和大家分享一些實際使用中的技巧，希望能幫助同行們少走彎路，快速上手這個強大的工具。 一、數據集成：

建模 , 數據 , 數據可視化 , 人工智能 , 數字孿生 , 開發者

收藏 評論

u_15879876 頭像

Aloudata - AI 數據分析產品推薦：更高效、更可控的智能報告解決方案

Aloudata Agent 自今年年初推出以來，始終保持着快速迭代的節奏，實現了從智能問數到決策建議的端到端分析閉環。當我們同越來越多客户進行共創，我們聽到了來自真實場景的需求： “每次月度經營會前，團隊都要通宵達旦地取數、做數據月報、調整格式。” “AI 生成的報告總差那麼點意思——要麼邏輯跳躍，要麼缺乏業

agent , 智能分析 , 人工智能 , 數據分析 , 智能問數 , chatbi

收藏 評論

u_17579295 頭像

mb6911caa73d1d1 - 數據中心運維新革命：圖觀數字孿生引擎的實戰應用

作為一名深耕數據中心運維領域多年的從業者，我深知這個行業面臨的挑戰：設備數量龐大、系統複雜、故障定位困難、運維效率低下。傳統的二維監控系統已經難以滿足現代數據中心精細化管理的需求。直到我們遇見了圖觀數字孿生應用開發引擎，才真正找到了破局之道。 從平面到立體：運維視角的全面升級 記得第一次使用圖觀場景編輯器時，我們被其強大的三維場景構建能力所震

數據 , 運維 , 數據可視化 , 數據中心 , 人工智能 , 數字孿生

收藏 評論

u_17372332 頭像

mb67ff5f258c5ba - Swift 加密工具推薦，從源碼混淆到 IPA 成品保護的實用組合方案

隨着 Swift 在 iOS 開發中的全面普及，越來越多團隊開始意識到一個關鍵問題： Swift 的符號暴露比 ObjC 更“坦誠”，反編譯後可讀性極高，極大增加了被分析、篡改、逆向、模擬請求的風險。 因此，無論你是要保護商業 App、金融類 SDK、企業內部產品，還是外包交付的 Swift 項目，都免不了要評估 Swift 加密與混淆工具。 本篇文章並不是簡單列出工具，而是從工

yyds乾貨盤點 , 移動開發 , ios

收藏 評論

u_14592562 頭像

wx5db79fc293ace - 國產自主芯片發力！光潤通FF-901E2.5G-V3.0網卡深度解析：2.5G高速傳輸+全場景兼容

在數據中心、服務器集羣、高端網絡設備的部署中，網卡作為數據傳輸的核心樞紐，其性能、兼容性和穩定性直接決定了整個網絡架構的運行效率。近年來，國產網絡硬件逐步崛起，其中光潤通推出的 FF-901E2.5G-V3.0（GRT®G225E）千兆 2.5G 單光口服務器適配器，憑藉自主研發芯片、高性能傳輸和全平台適配能力，成為企業級網絡部署的優選方案。本文將從技術亮點、規格參數、應用場景等

服務器 , 2.5G網卡 , 負載均衡

收藏 評論

u_14902238 頭像

u_14902238 - 【本不該故障系列】告別資源“不確定性”，SAE如何解決剛性交付核心困境

作者：娜米 資源的剛性交付，不是雲上天生就具備的能力。當選擇自建或自管理一個 Kubernetes/ECS 資源池時，就必須直面一個殘酷的現實：所依賴的底層 IaaS 資源本身就是非剛性的。 阿里雲上 ECS 有多代實例規格（如 g6、c7i、r8y 等），基於 Intel、AMD 及自研倚天 ARM 芯片，但這並不保證在任何時刻、任何地域、任何可用區，所需要的那款機型就一定有庫

Pod , 雲計算 , 運維 , 異構 , 雲原生

收藏 評論

daqidehaigui 頭像

大氣的海龜 - 百度地圖JSAPI THREE 熱力圖開發教程

百度地圖JSAPI THREE 熱力圖開發教程：從 2D 到 3D 的完整實踐 熱力圖是一種常見的數據可視化方式，通過顏色深淺來展示數據的密度分佈。在 MapVThree 中，提供了兩種熱力圖組件：Heatmap（2D 熱力圖）和 Heatmap3D（3D 熱力圖）。 一、環境準備 在使用熱力圖之前，需要先創建一個 MapVThree 引擎實例。這是所有地圖可視化功能的基礎容器。 import

熱力圖 , three.js , 數據可視化

收藏 評論

u_17513850 頭像

Tezign特贊 - AI內容洞察決策系統：5大核心優勢讓科技企業創新效率提升80%

在數字化浪潮席捲全球的今天，AI內容洞察決策系統已成為科技企業解決創新困境的核心引擎。對於產品線覆蓋數十國、擁有千萬級用户規模的大型科技品牌而言，海量數據與資訊曾是創新的“絆腳石”——信息密度持續提升，而洞察速度卻不斷下降，跨部門協作割裂、趨勢研究滯後等問題讓本應高效的創新鏈路變得冗長。當前主流的AI內容洞察決策系統，多以“AI多智能體協作機制”為核心，將創新從依賴人工經驗的線性

AI寫作 , aigc , 內容中台

收藏 評論

u_16640750 頭像

雲和恩墨 - zData X數據庫一體機之存儲壓縮技術解析：應對SSD漲價危機的降本增效方案

一場由AI引發的存儲芯片漲價風暴正席捲全球，CIO們不禁發問：該如何應對這非理性“瘋狂”？ 在人工智能應用爆發式增長的背景下，AI服務器所需的高帶寬內存（HBM）需求激增，擠佔了傳統存儲芯片（NAND閃存）的產能。這直接導致了以NAND閃存作為核心存儲介質的SSD出現嚴重的市場供需失衡——SSD價格在短期內出現大幅上漲。針對這一挑戰，zData X數據庫一

oracle , 數據 , 分佈式存儲 , 數據庫

收藏 評論

u_17518318 頭像

瑞藍創軟件 - 深度解析：OceanBase 建索引進度可視化監控指南（附實戰命令）

在 OceanBase 數據庫運維中，創建索引是高頻操作之一，尤其面對海量數據時，索引構建可能持續數小時甚至更久。實時掌握建索引進度、判斷當前所處階段，不僅能避免運維人員盲目等待，更能及時發現異常並介入處理。 本文基於 OceanBase 2.2.77 版本，從索引創建的核心階段出發，結合系統表查詢實戰，帶大家全方位監控建索引全流程。 一、OceanBase 建索引的

集羣管理 , MySQL , 私藏項目實操分享 , 數據庫 , 國產數據庫

收藏 評論