人工智能 - sdk社区 | 技术至上

更多

热门最新

3 年前 / admin

2020保研面试经验分享（含真题）

2020保研面试经验分享（含真题）保研经历：夏令营面试经验：预推免面试经验：资料下载保研经历：本人211电子信息工程专业，2020年保研至北京大学硕士。以下为一些高校面试经验\面试真题。整理不易，欢迎点赞收藏~，感谢！夏令营：北大信科计算机系、浙大工程师学院、东南大学网安学院、华科国光国家重点实验室、中科大科学岛、北理工电信学院、山东大学电信学院预推免：北大软微、清华深圳电子通信项目、复旦通信系、中科院计算机学院学硕本人和几个同学建了一个QQ群：863284666 群里会发布院校报名信息，欢迎大

5864 阅读

收藏
3 年前 / Keyboarder

基于图卷积的协调过滤推荐算法(NGCF)

NGCF：论文链接图卷积在推荐领域的应用算是近期的大热门，最近拜读了何向南大佬的研究组（有兴趣的可以follow一下大佬的主页~~）发在SIGIR 2019上的基于图卷积的推荐模型--NGCF，对大佬们的工作进行了一些笔记和简要介绍。==首先利用用户和物品的交互矩阵完成图的初始化，利用用户和物品的交互构造图：==物品和用户的初始化Embedding:一层结构：第一步信息构建：利用i来构建u的向量（反过来也行）$N_u$和$N_i$分别用户u和物品i的一阶邻居数量第二步：信息聚合：将所有邻居求和，

5698 阅读

收藏
3 年前 / Nexus_G / 学渣的推荐算法学习之路

推荐算法菜鸟的学习笔记（2）—— 群组推荐survey二次整理

A survey on group recommender systems论文记录1. 群组推荐系统的大多数现有方法可以大致分为：通过汇总单个成员个人资料并根据该个人资料推荐项目来创建个人资料（Kim等，2010）。通过向小组用户生成个性化推荐，然后将它们汇总为一个小组推荐（Kim and El Saddik 2015）。1.1 群组推荐系统也可以根据系统推荐的群组类型进行分类。基于组用户之间的交互，主要可以分为三种类型（Boratto和Carta 2010）。已建立的群组：一群基于共同兴趣明

4156 阅读

收藏
3 年前 / SDK社区_运营团队

欢迎AI图像复活师Jackcui入驻sdk.cn

jackcui，一个热爱AI技术的算法工程师，热门博主，通过AI算法成功实现对知名的画作做了复活。比如AI复活明朝历代皇帝，来一场穿越时空的对话！在热门的延禧攻略，jackcui利用AI技术，让乾隆的后宫们从画中「复活」了一把。所基于的画像，是来自清代宫廷画师郎世宁的《心写治平》，修复后的画像，嘴也能动起来「说话」。除此之外，JackCui在图像方面也有非常多的有趣实践，比如：打工人的「周游世界」，AI算法帮你实现！百年老照片修复算法，那些高颜值的父母！偷天换日，逼真的天空置换算法！还有丰富的大

3826 阅读

收藏
2 年前 / king

基于Python的Climate Indices库计算SPEI(标准化降水蒸散发指数)02—站点SP

无论外界怎样，请平心静气地努力！文章目录前言1. 概述2. 版本2.1 山东青岛，2021年3月29日，Version1一、climte indices库中的indices.spei()的输入和输出二、基于climate_indices库计算站点SPEI1. 数据准备2. 站点特定尺度的spei的计算3. 和spei.exe计算结果的比较一、climte indices库中的indices.spei()的输入和输出关于climate indices库的用法介绍，可以参考climate_ind

3736 阅读

收藏
3 年前 / Keyboarder

一种机器学习中兼具鲁棒性和自适应性的损失函数

前言损失函数是机器学习和深度学习领域最为核心的一个概念，其能够主导最终模型的结果和方向。本文将介绍在CVPR 2019上最新发表的一篇论文中介绍的一种兼具鲁棒性和自适应性的损失函数：A General and Adaptive Robust Loss Function。关于异常值和鲁棒的损失的问题：考虑机器学习问题中最常用的误差之一：==均方误差(MSE)==，它是(y-x)的形式。MSE的一个关键特征是它对大误差的灵敏度比小误差高。用MSE训练的模型将==偏向于减少最大的误差==。例如，误差为

3735 阅读

收藏
3 年前 / 搬运工2号

python深度学习之GA（遗传算法）优化LSTM神经网络

上次优化完bp神经网络后，发现用matlab优化高级的神经网络太慢了，于是用tensorflow继续学习GA优化部分。1.项目概述本文采用的是python编程，使用的数据集是mnist手写数据集，该数据集主要是对0-9的手写数字体识别，虽然说图像识别方面用CNN识别率较高，但这里LSTM也可以获取较高的准确率。2.优化参数本文优化的是LSTM的层数参数和各层神经元参数，其中包含了lstm层和Dense层，其中我们规定了神经网络的层数不超过3层，每层的神经元个数在[32,256]之间。3.注意事项

3457 阅读

收藏
3 年前 / SDK社区_运营团队

欢迎资深程序员老齐入驻sdk.cn

老齐，真名齐伟，苏州研途教育科技有限公司技术总监，多年从事网站开发、数据分析和机器学习等工作，拥有较丰富的工作经验。曾经受聘于浙江大学现代教育质量监测与服务研究所副研究员，专门从事有关数据统计分析工作，并主持研发相关的网络应用系统。老齐已经针对 Python 出了《跟老齐学 Python：轻松入门》、《跟老齐学 Python：Django 实战》、《跟老齐学 Python：数据分析》一系列图书和《AI 基础课|跟着老齐学 Python3（一）：入门系列》、《AI 基础课|跟着老齐学 Pyt

3354 阅读

收藏
3 年前 / Nexus_G / 学渣的推荐算法学习之路

推荐算法菜鸟的学习笔记（1）—— 推荐系统的简单介绍

推荐系统 Recommender system1. 背景它是根据用户的信息需求、兴趣等，将用户感兴趣的信息、产品等推荐给用户的个性化信息推荐系统。和搜索引擎相比推荐系统通过研究用户的兴趣偏好，进行个性化计算，由系统发现用户的兴趣点，从而引导用户发现自己的信息需求。一个好的推荐系统不仅能为用户提供个性化的服务，还能和用户之间建立密切关系，让用户对推荐产生依赖。2. 定义推荐系统有3个重要的模块：用户建模模块、推荐对象建模模块、推荐算法模块。通用的推荐系统模型流程如图。推荐系统把用户模型中兴趣需求信

3332 阅读

收藏
3 年前 / Keyboarder

谷歌推荐系统框架 (一) —— 基本架构

推荐系统框架基本模式候选集生成在第一阶段，==系统从潜在的庞大语料库开始，并生成更小的候选集==。例如，YouTube中的候选生成器将数十亿个视频减少到数百或数千。考虑到语料库的庞大规模，该模型需要快速评估查询。给定模型可以提供多个候选生成器，每个候选生成器都指定候选的不同子集评分接下来，==另一个模型对候选者进行评分和排名==，以便选择要显示给用户的项目集（大约10个）。由于此模型评估的是项目的相对较小子集，因此系统可以依靠其他查询来使用更精确的模型。重排序最后，系统必须考虑最终排名的

3327 阅读

收藏
3 年前 / Keyboarder

LightFM推荐模型库

LightFM模型库简介：混合矩阵分解模型通常，大多数推荐模型可以分为两类：基于内容的模型协同过滤模型基于内容的模型基于项目和/或用户的描述/元数据/配置文件的相似性来推荐。另一方面，协同过滤模型计算用户和项目的潜在因素基于这样的假设：如果一群人对某个物品表达相似的意见，那么这些人在其他物品上往往会有相似的意见。两种模型之间的选择主要取决于数据的可用性。例如，当已经为一组用户和项目记录了足够的评分/反馈时，通常采用协同过滤模型并且该模型有效。但是，如果缺少评分，则可以使用基于内容的模型，

3294 阅读

收藏
1 年前 / 聚合小助手

智慧角第五期

智慧角第五期

2907 阅读

收藏
3 年前 / Keyboarder

FaceBook向量计算加速引擎Faiss简介

在推荐的召回阶段会产生大量的用户和物品向量，系统需要借助向量之间的计算关系来完成协同过滤等推荐算法。对于海量的向量数据，如何快速高效的完成向量计算是工业界推荐比较关注的问题。为此，Facebook提出了一个向量计算加速引擎---Faiss。向量操作Faiss可以处理固定维度d的向量集合, 向量集合被保存在矩阵中。我们假设行主存储, Faiss只能使用32位浮点矩阵, 主要需要以下两个矩阵： xb 为语料库向量集合。xq 为查询的向量集合。下面例子，我们将学习在d=64维空间中向量，是0-1均匀分

2853 阅读

收藏
3 年前 / Keyboarder

基于图网络的序列推荐系统（一）

序列推荐本质是根据用户在时序上的行为进行下一次物品推荐预测的任务，由于用户偏好和行为的动态性，在时序上完成精准预测和营销是相当困难的。为了获得准确的项目嵌入和考虑项目的复杂转换，AAAI 2019会议上提出了一种新的方法，即基于图神经网络的会话推荐系统，SR-GNN为简写。在该方法中，会话序列被建模为图形结构数据。基于会话图，GNN可以捕获复杂的物品的转换，这是以往传统顺序方法难以揭示的。然后，每一个会话（Session）都用一个注意力网络表示全局偏好和该会话当前兴趣的组成。论文在两个真实数据集

2802 阅读

收藏
3 年前 / Keyboarder

工业界常用的推荐框架(一)---基本召回模型

常见的基本召回模型主要有以下三种：模型召回用户行为序列召回用户多兴趣拆分召回下面对这些方法进行简要的介绍模型召回主要根据用户部分特征，从海量的物品库里，快速找回一小部分用户潜在感兴趣的物品常用的召回策略：一般都用Embedding的思想，生成物品和用户的向量，计算其相似性上图是一个工业界通用的模型召回框架：将用户和物品分开打Embedding，利用FaceBook提供的Faiss框架进行高效的存取。（FM/FFM/DNN等双塔模型）小Trick：==几个环节（召回、粗排、精排、重排）优化目标（l

2751 阅读

收藏

加载中...