《机器学习：算法视角（原书第2版）》 —3.4.3　有用的领悟

　图3-11　左图：不可分的二维数据集；右图：添加了第三个坐标x1×x2的相同数据集，使得问题成为可分的至此，可以充分地指出，如果你想使用线性的感知器去处理非线性的问题，那么没有什么能阻止你使用非线性的变量。举个例子，图3-11给出了同一个数据集的两个版本。左图的坐标为x1和x2

Colaboratory：手把手教你使用Google免费的云端IDE进行深度学习(免费的GPU加速)的详细攻略

Colaboratory：手把手教你使用Google免费的云端IDE进行深度学习(免费的GPU加速)的详细攻略     目录 Colaboratory简介 Colaboratory使用步骤 (1)、首先登陆谷歌云盘 (3)、然后取名为ipython notebook

《神经网络与PyTorch实战》

想了解人工智能、机器学习、神经网络、深度学习等热门技术的人士；* 想运用人工智能、机器学习、神经网络、深度学习解决实际问题的人士。　　你也许没有学过编程，或是英语不太好，或是好久没有用数学了，没关系—本书将以简单易懂的方式，给出所有必要的知识。只要你有兴趣，就能轻松快乐地学会神经网络。本书主要内容　　全书逻辑上分为三个部分。*

华为数通学习

认真理解OSI七层协议

多分类学习

三种拆分策略：一对一（OvO）一对其余（OvR）多对多（MvM）一对一 将类别两两配对生成 \frac {N(N-2)}{2} 个分类器一对其余 每次将一个类别视为正例，其余视为反例，因此一共会生成 N 个分类器但是，一对一的 训练开销 通常小于 一对其余，因为一对一只用到了两个

机器学习开发平台

TensorFlow，Pytorch，Caffe等，作为初学者，用哪个平台比较合适？有什么推荐没，谢谢

好像坚持打卡学习

但是时间不允许

【转载】集成学习-GBDT

华为数通学习

认真理解OSI七层协议

【机器学习】————分类（2）

How human classify(1NN)?        Step 1: represent the testing data point (x) in the vector space whose elements denote the "features"        Step

【转载】机器学习分类

人工智能学习—方法论

        关于学习一门新技能或新知识，学习方法很重要，好的学习方法可以少走弯路。首先，学习前需要先明确两个问题：是什么？怎么学？这两个问题概括说就是：学习目标与学习计划。学习目标比较清楚，就是踏入AI领域这个门，可以从事AI相关工作。学习计划就是对学习内容及过程的设计与执行

初级前端必须要学习的12个知识点，你都会了吗？

JavaScript JavaScript 是一种高级编程语言，用于创建交互式网页和动态效果。JavaScript 在前端开发中扮演着非常重要的角色，因此学习 JavaScript 对于初级前端工程师来说非常必要。 JavaScript 可以通过 DOM（文档对象模型）和 BOM（浏览器对象模型

DL之AlexNet：AlexNet算法的架构详解、损失函数、网络训练和学习之详细攻略

DL之AlexNet：AlexNet算法的架构详解、损失函数、网络训练和学习之详细攻略     相关文章Dataset：数据集集合(CV方向数据集)——常见的计算机视觉图像数据集大集合(建议收藏，持续更新)DL之CNN(paper)：关于CNN(卷积神

AT框架学习——从开始到放弃

本来抱着学习源码的态度，看了几天的AT框架的代码，现在实在是泪奔了，现在给大家总结一下吧：1、如果仅仅是使用LiteOS 的SDK快速接入平台，不建议去看AT的源码，模仿demo凭经验修改下驱动就好了2、AT框架现在仅有简单的介绍，没有详细资料，看起来很费事3、目前的AT框架，使用到了LiteOS

机器学习--方差和偏差、Bagging、Boosting、Stacking

假设每次采样都是从有噪声ε的函数f(x)中采样数据用于学习f_hat通过学习使得f_hat与 真实的f 尽可能的相近（这是个回归问题可以用最小MSE（均方误差）来实现）我们学习到之后需要通过 泛化误差 来衡量它；在统计学习中，我们想通过学习来使得模型能泛化到没有学习过的样本，所以我们需要优先优化 [y-f(x)_hat]^2

数据结构从入门到精通（第六篇） ：堆的应用和深度解析（解决Top-K问题）

如果只是数据比较少的，我们可以排序找到前几的数据，但是实际应用中我们时常都会面对海量的数据，大到内存无法全部加载，这就需要我们用数据结构中的堆来解决 基本思路 用数据集合中前K个元素来建堆 前k个最大的元素，则建小堆 前k个最小的元素，则建大堆 用剩余的N-K个元素依次与堆顶元素来比较，不满足则替换堆顶元素

学习笔记 - 图像中不规则文本的检测与识别

之前在学习ModelArts的过程中，对图像中的文本标注和检测都是基于规矩的图形，即矩形框，去划分文字部分的区域，那么对于图像中不规则的文本如何去检测和识别呢？介绍一篇论文，可以学习了解下大致的思路：ECCV2018的一篇论文《Mask TextSpotter: An End-to-End

21天转型AI实战营课程-要学习AI技术还是实战才是王道

            课程简介本课程主要内容包括：机器学习、深度学习、图引擎、图像识别、OCR文字识别、人脸识别、视频识别等前沿AI技术。 课程目标通过本课程的学习，使学员：1、系统、完整的了解多项前沿AI技术理论；2、学习华为云AI服务的功能和特点；3、基于华为云AI技术进行开发实操。 课程大纲第1章

Python生成器深度解析：构建强大的数据处理管道

元素时再生成这些元素，而不是在开始时就生成所有元素。它在处理大规模数据集、实现节省内存的算法和构建复杂的迭代器模式等多种情况下都有着广泛的应用。在本篇文章中，我们将从理论和实践两方面来探索Python生成器的深度用法。 生成器的定义和基本操作 生成器是一种特殊的迭代器，它们的创建