人工智能 - sdk社区 | 技术至上

更多

热门最新

3 个月前 / 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

339 阅读

收藏
1 个月前 / 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

248 阅读

收藏
1 个月前 / 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

234 阅读

收藏
3 个月前 / Nexus_G / 学渣的机器学习之路

机器学习菜鸟的学习笔记（2）

2. 模型与代价函数2.1 模型展示x(i) 表示输入变量 (在本示例中为居住区域) y(i) 表示预测的输出或目标变量 (在本示例中为价格) (x(i), y(i) ) 被称为训练示例 x(i) (i = 1, . . . , m )被称为训练集。注意，符号中的上标（i）只是训练集中的一个索引，与幂运算无关。使用X表示输入值的空间，并使用Y表示输出值的空间。在此示例中，X = Y = ℝ当要预测的目标变量是连续的时（例如在住房示例中）为回归问题。当y只能采用少量离散值时

226 阅读

收藏
3 个月前 / 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

227 阅读

收藏
3 个月前 / 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

216 阅读

收藏
3 个月前 / Nexus_G / 学渣的机器学习之路

机器学习菜鸟的学习笔记（1）

1.一些关于机器学习的介绍1.1 什么是机器学习？此处提供机器学习的两种定义。 Arthur Samuel 将其描述为：“研究领域使计算机无需进行明确编程即可学习。” 这是一个较旧的非正式定义。Tom Mitchell 提供了一个更现代的定义：“如果某计算机程序在T任务中的性能（由P衡量）随着经验E的提高而提高，则可以说它是从经验E中学习有关某类任务T和性能度量P的。”例如：如何让电脑玩好快乐风男E = 大量亚索玩家游戏的经验T = 让电脑每场都使用这个英雄P = 电脑使用亚索取胜的概率通常，

212 阅读

收藏
3 个月前 / 老齐 / Python语言

Python初学者应该了解的星号（*）

作者：mingrammer翻译：老齐与本文相关的图书推荐：《Python大学实用教程》与其他编程语言相比，Python语言的操作类型更多样化。特别是星号（*），在Python中是一个用途广泛的操作符，而不仅仅用于两个数字相乘的运算之中。在本文中，我们将讨论星号的多种用途。这里总结了4种星号的应用场景：作为乘法和乘方的运算符表示序列中元素的重复用于收集参数（可以称之为“打包”）用于容器类对象的解包下面逐一进行说明。乘法或乘方的运算符对此你一定不陌生，像乘法一样，Python中也内置了乘方运算符。>

200 阅读

收藏
2 个月前 / 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，

194 阅读

收藏
3 个月前 / 老齐 / Python语言

用4个简单的函数提升for循环

作者：Yong Cui, Ph.D.翻译：老齐与本文相关的图书推荐：《Python大学实用教程》本书适合初学者使用，面向零基础学习者，详细讲述了Python语言的有关知识，并秉承面向对象这种主流开发思想。此外，书中配有大量的练习，学习者通过这些练习，更能体验到开发实践中的应用。概要在Python中，for循环经常被用于获得序列或者容器类的元素，比较让人熟知的就是针对可迭代对象的循环。for循环的基本语法如下：for item in iterable: # do something here

162 阅读

收藏
2 个月前 / king

用 AI 生成山水画！开发者竟然是个没毕业的大学生

外国人画中国山水画不稀奇，AI 作画也不新鲜。但是外国学生用 AI 生成中国山水画可是新鲜事。中国人一直对“手工”有着特殊的感情，如果一幅画是机器创作的，那它似乎就少了那么点味道。但是，一个来自普林斯顿大学的姑娘却成功的用她开发的 AI 模型骗过了一半以上看过这些画的人。AI 与中国传统艺术结合，居然让中国人难辨真假用 AI 创作画作已经不是什么新鲜事了，英伟达的 GauGAN、MIT 和 IBM 联合发布的 AI Portraits Ars 都是现在被广泛使用的 AI 图像生成工具。利用 Ga

156 阅读

收藏
3 个月前 / Keyboarder

谷歌推荐系统框架 (二) —— 协同过滤算法

候选集生成算法1：基于物品的协同过滤算法基于内容的过滤使用项目功能根据其先前的操作或明确的反馈来推荐其他与用户喜欢的项目类似的项目。为了演示基于内容的过滤，让我们为Google Play商店手动设计一些功能。下图显示了一个功能矩阵，其中每一行代表一个应用程序，每一列代表一个功能。功能可能包括类别（例如，教育，休闲，健康），应用程序的发布者等。为简化起见，假设此功能矩阵是二进制的：非零值表示应用程序具有该功能。还可以在同一要素空间中代表用户。一些与用户相关的功能可以由用户明确提供。例如，

155 阅读

收藏
3 个月前 / Nexus_G / 学渣的机器学习之路

机器学习菜鸟的学习笔记（4）

机器学习必要的矩阵运算知识矩阵的概念矩阵的基本运算矩阵乘法单位矩阵与逆矩阵

153 阅读

收藏
3 个月前 / Keyboarder

谷歌推荐系统框架 (三) —— 深度模型推荐

深度模型推荐矩阵分解的一些限制包括：使用辅助功能（即查询ID /项目ID以外的任何功能）的难度。结果，只能使用训练集中存在的用户或项目来查询模型。推荐的相关性。正如您在第一个Colab中所看到的那样，倾向于向所有人推荐热门商品，尤其是在使用点积作为相似性度量时。最好捕获特定的用户兴趣。深度神经网络（DNN）模型可以解决矩阵分解的这些限制。 DNN可以轻松地合并查询功能和项目功能（由于网络输入层的灵活性），这可以帮助捕获用户的特定兴趣并提高建议的相关性。Softmax DNN推荐一种可能的D

149 阅读

收藏
3 个月前 / Nexus_G / 学渣的机器学习之路

机器学习菜鸟的学习笔记（3）

3. 参数学习3.1 梯度下降 Gradient Descent现在，我们有了假设函数，并且有了一种方法来衡量它与数据的拟合程度。现在需要做的是估计假设函数中的参数。在此引入梯度下降。当代价函数位于图中凹坑的最底部时，即当其值最小，我们就成功了。红色箭头显示图中的最小点。方法是计算代价函数的导数（函数的切线）。切线的斜率是该点的导数，它提供一个方向。我们沿下降最陡的方向逐步降低代价函数。每个步骤的大小由参数α（称为学习率）确定。例如，上图中每个 “X” 之间的距离代表由参数α确定的步长。较小

142 阅读

收藏

加载中...