语言 自然语言 机器 自然
机器学习——含并行连结的网络GoogLeNet
Inception块 在GoogLeNet中，基本的卷积块被称为Inception块（Inception block）。具体结构如下图： 这四条路径都使用合适的填充来使输入与输出的高和宽一致，最后我们将每条线路的输出在通道维度上连结，并构成Inception块的输出。在Inception块中，通常调 ......
NLP机器翻译全景：从基本原理到技术实战全解析
机器翻译是使计算机能够将一种语言转化为另一种语言的技术领域。本文从简介、基于规则、统计和神经网络的方法入手，深入解析了各种机器翻译策略。同时，详细探讨了评估机器翻译性能的多种标准和工具，包括BLEU、METEOR等，以确保翻译的准确性和质量。 关注TechLead，分享AI全维度知识。作者拥有10+ ......
C语言 数据类型
基本数据类型 它们是算术类型，包括整型(int)、字符型(char)、浮点型(float)和双精度浮点型(double)。 Compiler Windows vc12 Lniux gcc-5.3.1 Target win32 x64 i686 x86_64 char 1 1 1 1 short 2 ......
深度解析自然语言处理之篇章分析
在本文中，我们深入探讨了篇章分析的概念及其在自然语言处理（NLP）领域中的研究主题，以及两种先进的话语分割方法：基于词汇句法树的统计模型和基于BiLSTM-CRF的神经网络模型。 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、团队管理经验，同济本复旦硕， ......
R语言用GARCH模型波动率建模和预测、回测风险价值 (VaR)分析股市收益率时间序列|附代码数据
原文链接：http://tecdat.cn/?p=26897 最近我们被客户要求撰写关于GARCH的研究报告，包括一些图形和统计输出。 风险价值 (VaR) 是金融风险管理中使用最广泛的市场风险度量，也被投资组合经理等从业者用来解释未来市场风险 风险价值 (VaR) VaR 可以定义为资产在给定时间 ......
R语言EG(Engle-Granger)两步法协整检验、RESET、格兰杰因果检验、VAR模型分析消费者价格指数CPI和生产者价格指数PPI时间序列|附代码数据
全文链接：http://tecdat.cn/?p=31108 原文出处：拓端数据部落公众号 作为衡量通货膨胀的基本指标，消费者价格指数CPI和生产者价格指数PPI的作用关系与传导机制一直是宏观经济研究的核心问题。 对此问题的研究显然具有重要的学术价值与现实意义:当PPI先行地引导着CPI的变动，则意 ......
机器学习——深度卷积神经网络AlexNet
AlexNet相对于LeNet的主要优势包括: 1. 更深的网络结构 AlexNet有8层结构,而LeNet只有5层。网络更加深入有利于学习更抽象的高级特征。 2. 使用ReLU激活函数 AlexNet使用ReLU激活函数,避免梯度消失问题,使得深层网络的训练更加容易。 3. 引入Dropout操作 ......
机器学习——使用块的网络VGG
VGG块 虽然AlexNet证明深层神经网络卓有成效，但它没有提供一个通用的模板（例如VGG块）来指导后续的研究人员设计新的网络。 在下面的几个章节中，我们将介绍一些常用于设计深层神经网络的启发式概念。 经典卷积神经网络的基本组成部分是下面的这个序列： 带填充以保持分辨率的卷积层； 非线性激活函数， ......
机器学习——网络中的网络NiN
NiN块 回想一下，卷积层的输入和输出由四维张量组成，张量的每个轴分别对应样本、通道、高度和宽度。 另外，全连接层的输入和输出通常是分别对应于样本和特征的二维张量。 NiN的想法是在每个像素位置（针对每个高度和宽度）应用一个全连接层。 如果我们将权重连接到每个空间位置，我们可以将其视为1*1卷积层， ......
如何制作微信机器人程序编程，需要掌握那些技巧
创建微信机器人通常涉及以下步骤和技能： 技能要求： 编程语言知识： 掌握至少一种编程语言，如Python、JavaScript等。 了解微信API： 熟悉微信公众平台开发，了解微信公众号API，特别是消息管理、用户管理等接口。 网络编程基础： 理解HTTP协议，能够处理网络请求和响应。 服务器配置能 ......
怎么写一个微信自动回复机器人，如何实现呢
编写一个微信自动回复机器人的关键步骤通常包括设置微信公众号、创建服务器后端以处理请求、编写自动回复逻辑以及部署和测试你的机器人。以下是一个基于Python使用Flask框架创建简单的自动回复机器人的大致步骤： 1. 注册微信公众号 你需要有一个微信公众号才能创建机器人。可以在微信公众平台注册，并申请 ......
PYTHON银行机器学习:回归、随机森林、KNN近邻、决策树、高斯朴素贝叶斯、支持向量机SVM分析营销活动数据|数据分享
全文下载链接：http://tecdat.cn/?p=26219 最近我们被客户要求撰写关于银行机器学习的研究报告，包括一些图形和统计输出。 该数据与银行机构的直接营销活动相关，营销活动基于电话。通常，需要与同一客户的多个联系人联系，以便访问产品（银行定期存款）是否会（“是”）或不会（“否”）订阅 ......
2023-11-08：用go语言，字符串哈希原理和实现 比如p = 233, 也就是课上说的选择的质数进制 “ 3 1 2 5 6 ...“ 0 1 2 3 4 hash[0] = 3 * p的0
2023-11-08：用go语言，字符串哈希原理和实现 比如p = 233, 也就是课上说的选择的质数进制 " 3 1 2 5 6 ..." 0 1 2 3 4 hash[0] = 3 * p的0次方 hash[1] = 3 * p的1次方 + 1 * p的0次方 hash[2] = 3 * p的2 ......
[机器学习复习笔记] 岭回归、LASSO回归
岭回归、LASSO回归 1. 岭回归 1.1 岭回归 L2正则化 在之前的 中，使用 最小二乘法求解线性回归问题 时，讨论到了 \(X^TX\) 是否可逆。 最小二乘法得到的解析解为： \[\theta = (X^TX)^{-1}X^Ty \]此时只有 \(X\) 列满秩 才有解，即 \(\text ......
[机器学习复习笔记] BGD, SGD, MBGD
BGD, SGD, MBGD 1. BGD 批量梯度下降法（Batch Gradient Descent） 1.1 批量梯度下降法介绍 在 梯度下降法 每次迭代中，将 所有样本 用来进行参数 \(\theta\) （梯度）的更新，这其实就是 批量梯度下降法。 批量梯度下降法 的 损失函数表达式： \ ......
[机器学习复习笔记] Grandient Descent 梯度下降法
Grandient Descent 1. 梯度下降法 1.1 梯度与梯度下降 对于 一元函数 来说，梯度就是函数的导数；对于 多元函数 来说，梯度是一个由函数所有 偏微分 组成的向量。 梯度下降 是通过一步步迭代，使得所有 偏微分 的值达到最低。 可以以简单的 一元二次函数 \(y = (x - 1 ......
Python 既是解释型语言，也是编译型语言
哈喽大家好，我是咸鱼 不知道有没有小伙伴跟我一样，刚开始学习 Python 的时候都听说过 Python 是一种解释型语言，因为它在运行的时候会逐行解释并执行，而 C++ 这种是编译型语言 不过我今天看到了一篇文章，作者提出 Python 其实也有编译的过程，解释器会先编译再执行 不但如此，作者还认 ......
C语言变量分类
按照变量的定义位置分类，在函数外部定义的变量为 全局变量 或者 外部变量；在函数内部定义的变量为 局部变量。 在不加修饰\(^*\)的情况下，全局变量的作用域是定义以下的整个文件，局部变量的定义域是定义以下的所在函数体。在函数内访问变量时，优先查找局部变量，所以如果局部变量与全局变量同名，局部变量会 ......
C语言笔记4
格式输出函数printf(格式控制串，输出列表） 功能：从标准输出设备上，按指定的格式书输对应变量的值，或输出一行字符串。 函数说明： (1)格式控制符串由双引号括起来，由“%”和格式符以及普通字符组成。 （2）输出表列是需要输出的一些数据，可以是常量、变量或表达式，一条输出语句可以输出多个·数据。 ......
R语言Copula模型分析股票市场板块相关性结构|附代码数据
原文链接：http://tecdat.cn/?p=25804 原文出处：拓端数据部落公众号 最近我们被客户要求撰写关于Copula的研究报告，包括一些图形和统计输出。 这篇文章是关于 copulas 和重尾的。在全球金融危机之前，许多投资者是多元化的。看看下面这张熟悉的图： 黑线是近似正态的。红线代 ......
字符串复健（c语言）
目录 目录目录字符串的声明和初始化字符串的内存表示字符串的输入输出输入输出字符串相关函数总结 字符串的声明和初始化 在 C 语言中，字符串实际上是使用空字符 \0 结尾的一维字符数组。 声明和初始化一个abc字符串： char site[4] = {'a', 'b', 'c', '\0'}; 简化： ......
学习c语言的一天（1）
打印地址使用%p 输出int（整型）二维数组时，发现地址每次＋4，是因为一个整型占4个字节，同理输出char（字符型）二维数组占1个字节，所以存储地址每次+1 #define _CRY_SECURE_NO_WARNINGS#include <stdio.h> int main (){ int arr ......
Java语言基础知识全总结
一．Java的优点 1. 跨平台性。一次编译，到处运行。Java编译器会将Java代码编译成能在JVM上直接运行的字节码文件，C++会将源代码编译成可执行的二进制代码文件，所以C++执行速度快 2. 纯面向对象。Java 所有的代码都必须在类中书写。C++兼具面向对象和面向过程的特点？ 3. Jav ......
Python 机器学习入门：数据集、数据类型和统计学
机器学习是通过研究数据和统计信息使计算机学习的过程。机器学习是迈向人工智能（AI）的一步。机器学习是一个分析数据并学会预测结果的程序。 数据集 在计算机的思维中，数据集是任何数据的集合。它可以是从数组到完整数据库的任何东西。 数组的示例： [99,86,87,88,111,86,103,87,94, ......
【Cpp 语言基础】C++中的 getline() 函数
一、string类的getline函数（全局函数） getline(cin,str)函数是处理string类的函数。第二个参数为string类型的变量。读入时第二个参数为string类型，而不是char*，要注意区别 getline（）函数的定义如下所示 1. istream& getline ( ......
机器学习之使用seaborn绘制各类图形
使用seaborn绘制单双变量，类别散点图，箱型图，小提琴图去更直观的观察数据的分布情况 在单变量图中使用displot,参数如下 双变量关系图使用joinplot，参数如下图 类别散点图使用stripplot(),参数如下 小提琴图和箱型图类似，一个使用violinplot(),另一个使用boxp ......
机器学习——汇聚层
最大汇聚层和平均汇聚层 填充和步幅 多个通道 汇聚层的目的 1. 降低卷积层对位置的敏感性 卷积层的输出特征图对目标的位置是很敏感的。池化可以减少这种位置敏感性。比如我们做2x2最大池化,输出特征图的值就仅依赖于输入特征图2x2的区域,不再过于依赖位置信息。 2. 降低对空间采样表示的敏感性 卷积层 ......
Python语言的特点
Python语言的设计非常优雅，明确，简单。 语法简洁：实现相同语言的代码行数，是其他语言的1/5或者1/10，编写起来更加简单 与平台无关：Python程序可以在如何安装了Python解释器的计算机的环境上运行 粘性拓展：能够整合各种代码，被称为胶水语言 开源理念：为语言发展奠定了坚实的群众基础 ......
Base64编码、解码 C语言例子（使用OpenSSL库）
#include <stdio.h> #include <string.h> #include <unistd.h> #include <openssl/pem.h> #include <openssl/bio.h> #include <openssl/evp.h> int base64_encod ......
机器学习——多输入多输出通道
多输入通道 多输出通道 1*1卷积核 当以每像素为基础应用时，1*1卷积层相当于全连接层。 1*1卷积层通常用于调整网络层的通道数量和控制模型复杂性。 ......