导数 机器
机器学习-无监督机器学习-高斯混合模型-22
目录1.2. GMM 算法的一般流程3. 使用模型 1. 假设不同的簇数据来自于不同的高斯分布。或者换句话说，高斯混合模型就是当成数据集是由多个高斯分布混合而成的。这是这个模型的核心思想. 一维的gauss分布： 多变量（比如d个变量）高斯分布的概率密度函数： μ是一个n维向量， 对应着分布的均值 ......
【Python微信机器人】第六七篇: 封装32位和64位Python hook框架实战打印微信日志
目录修整 目前的系列目录(后面会根据实际情况变动): 在windows11上编译python 将python注入到其他进程并运行 注入Python并使用ctypes主动调用进程内的函数和读取内存结构体 调用汇编引擎实战发送文本和图片消息(支持32位和64位微信) 允许Python加载运行py脚本且支 ......
抖音直播机器人浏览器插件
这是我开发的一款浏览器插件，可以实现在直播间定时发送话术，以及监听直播间评论，对接AI客服系统进行自动回复。 实现效果 可以实时监听评论区内容，包括用户来了和点赞，以及用户发送的评论文本。调用我客服系统的接口，获取AI回复结果，再自动回复发送。 监听到的评论： 插件的配置页面： 可以设置忽略监听的昵 ......
某宝上搞来的电子书，经典的量化投资书籍，《Advances in Financial Machine Learning》—— 《金融机器学习的进展》、《量化投资与机器学习》、《金融机器学习研究进展》
英文书名： 《Advances in Financial Machine Learning》 经典的量化投资书籍，某宝上6元搞来的电子版： ......
从规则到神经网络：机器翻译技术的演化之路
在本文中，我们深入探讨了机器翻译的历史、核心技术、特别是神经机器翻译（NMT）的发展，分析了模型的优化、挑战及其在不同领域的应用案例。同时，我们还提出了对未来机器翻译技术发展的展望和潜在的社会影响。 关注TechLead，分享AI全维度知识。作者拥有10+年互联网服务架构、AI产品研发经验、团队管理 ......
每日导数18
重要放缩与观察配凑数列 函数\(f(x)=a\ln x+\dfrac{1}{2}x^2-(a+1)x+\dfrac{3}{2}(a>0)\) \((1)\)求函数单调区间 \((2)\)当\(a=1\)时，\(f(x_1)+f(x_2)=0\)证明：\(x_1+x_2\geq 2\) \((3)\) ......
机器学习-无监督机器学习-图聚类-21
目录1. AP聚类算法2. Spectral Clustering 谱聚类 1. AP聚类算法 affinity 相似度 propgaption 传播 exemplars 模范 代表 Affinity Propagation Clustering特别适合高维、多类数据快速聚类，相比传统的聚类算法，该 ......
机器学习笔记（三）简单手写识别
目标 实现一个简单的手写识别的脚本，同样的，流程分五步走： 读入数据 初始化模型 训练模型 训练样本集乱序 校验数据有效性 前期准备 前期需要将库导入，还需要进行一些初始化操作 数据处理部分之前的代码，加入部分数据处理的库 点击查看代码 #加载飞桨和相关类库 import paddle from p ......
每日导数17
很难的放缩：对数均值不等式 已知函数\(f(x)=-2x-2\sin x+2m\ln x,m>0\)若存在\(f(x_1)=f(x_2)(x_1\neq x_2)\) \((1)\)判断\(2(x-\sin x)\)的单调性 \((2)\)证明:\(x_1+x_2>1+\ln m\) 解 \((1) ......
AIKit v4.11.0 – WordPress AI 自动编写器、聊天机器人、写作助手和内容重定向器 / OpenAI GPT 插件
AIKit v4.11.0：WordPress的AI革命 一、引言 AIKit v4.11.0是一款为WordPress用户精心设计的强大插件，该插件集成了OpenAI的GPT-3技术，为用户提供了前所未有的AI写作和聊天机器人功能。此版本的推出，将WordPress的功能扩展到了全新的领域，利用人 ......
机器学习-无监督机器学习-层次聚类-20
目录1.凝聚聚类 Agglomerative Clustering2. 分裂聚类3. BIRCH 1.凝聚聚类 Agglomerative Clustering 在不同层次上对数据集进行划分，形成树状的聚类结构。AggregativeClustering是一种常用的层次聚类算法。 最初将每个样本点看 ......
机器学习-无监督机器学习-密度聚类DBSCAN-19
目录1. DBSCAN2. OPTICS2. MeanShift 1. DBSCAN Density based clustering DBSCAN不要求我们指定cluster簇的数量，避免了异常值，并且在任意形状和大小的cluster簇中工作得非常好。它没有质心，聚类簇是通过将相邻的点连接在一起的 ......
Microsoft Azure AI 机器学习笔记-1
机器学习的基本内容学习笔记-01，学习链接：https://learn.microsoft.com/zh-cn/training/paths/get-started-with-artificial-intelligence-on-azure/ ......
每日导数16
含参问题常用三种思想 已知函数\(f(x)=ax\ln x-x+1\)，若\(x\in(1,+\infty)\)时，\(f(x)>0\),求\(a\)的取值范围 解 法一：直接讨论 \(f^{\prime}(x)=a(\ln x+1)-1\)，\(f^{\prime}(x)\)为增函数，并且\(f^ ......
【用户案例】走进南海法院：点赞数字机器人，见证审执“加速度”
11月27日下午3时，在南海法院一间办公室内，几台无人操作的电脑竟自动模拟人对鼠标键盘的操作，先自动读取办案人员提供的案件列表，一步步地生成文书，后对相应的案件发起财产查询。 这是数字机器人的应用状态。2023佛山口碑榜“品质口碑市民体验游”观察团实地参观南海法院数字机器人管理中心等建设成果，市民们 ......
Steam验证后提示“您对 CAPTCHA 的响应似乎无效。请在下方重新验证您不是机器人”
解决方法： 用手机l登录此网址：https://store.steamchina.com/join/?snr=1_4_4__more-content-login，进行验证即可 注意：用流量 ......
机器学习-无监督机器学习-kmeans衍生的算法-18
目录1. k-Medoids2. 二分KMEANS3. KMeans++4. elkan KMeans5. min batch KMeans算法6.小结： 1. k-Medoids 之前的kmeans算法 对于异常点数据特别敏感，更新中心点的时候，是对于该簇的所有样本点求平均，这种方式对于异常样本特 ......
机器学习-无监督机器学习-kmeans-17
目录1. 什么是聚类2. 代码实现 1. 什么是聚类 无监督机器学习的一种 输入数据只有X 没有y 将已有的数据 根据相似度 将划分到不同的簇 （花团锦簇） 步骤： 随机选择k个簇的中心点 样本根据距离中心点的距离分配到不同的簇 重新计算簇的中心点 重复 2-3直到所有样本 分配的簇不再发生改变 距 ......
用C#也能做机器学习？
前言✨ 说到机器学习，大家可能都不陌生，但是用C#来做机器学习，可能很多人还第一次听说。其实在C#中基于ML.NET也是可以做机器学习的，这种方式比较适合.NET程序员在项目中集成机器学习模型，不太适合专门学习机器学习，本文我将基于ML.NET Model Builder（低代码、入门简单）构建一个 ......
微积分 A(1) —— 导数与微分
107 导数与微分 内容：\(\newcommand{\eps}{\varepsilon}\) \(\newcommand{\bs}{\backslash}\) \(\newcommand{\e}{\mathrm{e}}\) \(\newcommand{\d}{\mathrm{d}}\) \(\ne ......
机器学习-线性分类-支持向量机SVM-合页损失-SVM输出概率值-16
目录1. SVM概率化输出2. 合页损失 1. SVM概率化输出 标准的SVM进行预测 输出的结果是： 是无法输出0-1之间的 正样本 发生的概率值 sigmoid-fitting 方法： 将标准 SVM 的输出结果进行后处理，转换成后验概率 A,B 为待拟合的参数， f 为样本 x 的无阈值输出。 ......
机器学习笔记（二）使用paddlepaddle，再探波士顿房价预测
目标 用paddlepaddle来重写之前那个手写的梯度下降方案，简化内容 流程 实际上就做了几个事： 数据准备：将一个批次的数据先转换成nparray格式，再转换成Tensor格式 前向计算：将一个批次的样本数据灌入网络中，计算出结果 计算损失函数：以前向计算的结果和真是房价作为输入，通过算是函数 ......
机器学习笔记（一）从波士顿房价预测开始，梯度下降
从波士顿房价开始 目标 其实这一章节比较简单，主要是概念，首先在波士顿房价这个问题中，我们假设了一组线性关系，也就是如图所示 我们假定结果房价和这些参数之间有线性关系，即: 然后我们假定这个函数的损失函数为均方差，即： 那么就是说，我们现在是已知y和x，来求使得这个损失函数Loss最小化的一个w和b ......
自然语言处理：通过API调用各大公司的机器翻译开放平台
国内大公司做机器翻译做的比较好的有讯飞和百度，这里给出这两个公司机器翻译的开放平台API的介绍： 讯飞开放平台： 链接：https://www.xfyun.cn/doc/nlp/xftrans_new/API.html#%E6%8E%A5%E5%8F%A3%E8%AF%B4%E6%98%8E 百度翻 ......
每日导数15
放缩与必要性探路(端点效应) 已知函数\(f(x)=-\dfrac{x^2}{e^x}+(b-1)x+a\)在\(x=0\)处的切线与\(y\)轴垂直. 证明：\(\forall x\in[0,+\infty)\)，不等式\(2[e^xf(x)-\cos x]>\ln(1+x)\)恒成立，求实数\( ......
机器学习-线性分类-支持向量机SVM-SMO算法代码实现-15
1. alpha2 的修剪 if y1 != y2 : α1 - α2 = k # 不用算k的具体大小 if k > 0: # 上图的左 下这条线 α2 的区间 (0, c-k) k < 0 : # 上图的左 下这条线 α2 的区间 （-k, C） 所以： L = max(0, -k) # k>0 ......
机器学习中集成学习的概念及其一些典型算法
1.集成学习的概念 集成学习是一种机器学习范式，在这种范式中，多个学习者被训练和组合起来一起解决同一个问题。通过使用多个学习者，就可以把整个模型的泛化能力提高很多倍 所以说，集成学习的泛化能力比单个学习者强得多得多，所以叫：“集思广益”。 2.集成学习的具体流程 一个问题出来，数据集丢给若干模型进行 ......
每日导数14
极值点偏移:对数均值不等式 已知\(a\in\mathbb{R}\),函数\(f(x)=\dfrac{a}{x}+\ln x,g(x)=ax-\ln x-2\).若\(f(x_1)=f(x_2)=2(x_1\neq x_2)\) (1)求出\(a\)的取值范围 (2)证明:\(\dfrac{1}{x ......
python钉钉机器人运维脚本监控实例
面是关于“Python钉钉机器人运维脚本监控实例”的完整攻略: 目录 介绍 使用步骤 配置机器人 运行脚本 示例说明 监控服务器CPU使用率 监控服务器磁盘空间 总结 介绍 钉钉机器人是钉钉提供的一种形式化的通信渠道，可以通过代码来调用钉钉机器人的API，实现以机器人的形式向钉钉群组发送消息。本篇攻 ......