算法
人工智能算法工程师(高级)课程10-强化学习之贝尔曼方程、蒙特卡罗方法、马尔可夫模型的介绍与代码详解
人工智能算法工程师(高级)课程10-强化学习之贝尔曼方程、蒙特卡罗方法、马尔可夫模型的介绍与代码详解 文章目录 一、 决策和规划 决策和规划是强化学习中的核心概念。在强化学习中，智能体需要在每个时间步根据当前状态选择最优动作，以最大化长期回报。这个过程可以表示为策略（Policy），即智能体在给定状态下选择动作的概率分布。 数学原理 设 π ( a ∣ s )
大前端
算法
人工智能算法工程师(高级)课程9-自然语言处理之词嵌入的介绍与代码详解
人工智能算法工程师(高级)课程9-自然语言处理之词嵌入的介绍与代码详解 引言 在自然语言处理（NLP）领域，词嵌入（Word Embedding）技术已成为预处理文本数据的重要手段。词嵌入将词汇映射为固定长度的向量，从而为计算机理解和处理自然语言提供了桥梁。本文将详细介绍词嵌入的相关概念、数学原理及PyTorch实现，带领大家深入探索这一技术。 二、词
算法
人工智能算法工程师(高级)课程8-图像分割项目之Mask-RCNN模型的介绍与代码详解
人工智能算法工程师(高级)课程8-图像分割项目之Mask-RCNN模型的介绍与代码详解 Mask R-CNN概述 Mask R-CNN是基于Faster R-CNN的扩展，它在原有的基础上增加了一个分支，用于生成目标的分割掩码。Mask R-CNN的架构如下： 特征提取：使用深度卷积神经网络（如ResNet）提取输入图像的特征。 区域建议网络（RPN）：在特征图上滑动一个小的卷积核，生成一系列候选区域（称为anchors）。 RoI Pooling：将候选区域映射到固定大小的特征图上。 分类和边界框回归：对RoI Pooling后的特征图进行分类和边界框回归。 Mask分割：对分类为目标的RoI进行分割掩码生成。
算法
人工智能算法工程师(高级)课程5-图像生成项目之对抗生成模型与代码详解
人工智能算法工程师(高级)课程5-图像生成项目之对抗生成模型与代码详解 文章目录 一、GAN模型 1. GAN模型的数学原理 生成对抗网络（GAN）由Goodfellow等人在2014年提出，主要由生成器（Generator）和判别器（Discriminator）两部分组成。生成器的任务是生成尽可能接近真实数据的样本，而判别器的任务是将生成器生成的样本与真实样本区分开来。 GAN的目标函数如下： V ( D , G
算法
人工智能算法工程师(高级)课程4-图像生成项目之自编码生成模型与代码详解
自编码生成模型与代码详解 文章目录 AE模型（Autoencoder） SAE模型（Sparse Autoencoder） DAE模型（Denoising Autoencoder） VAE模型（Variational Autoencoder） 一、AE模型（Autoencoder） AE模型原理 AE模型的目标是最小化输入数据x和重构数据x’之间的重构误差。损失函数通常采用均方误差（MSE）： L ( x , x' )
大前端
人工智能算法工程师(高级)课程3-多类目标识别之YOLO系列V1-V5模型介绍与对比
人工智能算法工程师(高级)课程3-多类目标识别之YOLO系列V1-V5模型介绍与对比 YOLO网络的详细介绍 1. 设计思想 传统的目标检测算法，如R-CNN系列，都采用了两步骤：首先生成候选区域，然后对这些区域进行分类。而YOLO则采取了“一次看完”的策略。它将目标检测任务看作一个回归问题，并直接在一个网络中完成边界框（bounding box）的预测和类别判断。 2. 网络结构 YOLO使用全卷积网络，并在最后引入全连接层进行预测。输入图像被分成SxS个网格，如果某个对象的中心落在网格内
算法
人工智能算法工程师(高级)课程2-多类目标识别之RCNN系列模型与代码详解
人工智能算法工程师(高级)课程2-多类目标识别之RCNN系列模型与代码详解 文章目录 一、引言 近年来，深度学习在计算机视觉领域取得了显著的成果，尤其是目标检测任务。RCNN系列模型作为目标检测领域的重要基石，其发展历程包括RCNN、SPP-Net、Fast-RCNN、Faster-RCNN等。本文将详细介绍这些模型的数学原理，并提供基于PyTorch的完整可运行代码，帮助读者掌握多类多目标项目的检测识别流程。 二、RCNN模型 1. 数学原理 RCNN（Regions with CNN features）模型首先使用选择性搜索算法提取候选区域，然后对每个候选区域进行缩放处理，使其满足CNN输入尺寸要求。接下来...
算法
人工智能算法工程师(高级)课程1-单类目标识别之人脸检测识别技术MTCNN模型介绍与代码详解
人工智能算法工程师(高级)课程1-单类目标识别之人脸检测识别技术MTCNN模型介绍与代码详解 文章目录 一、引言 人脸检测与识别技术在安防、金融、社交等领域具有广泛的应用。近年来，深度学习技术的发展极大地推动了人脸检测识别技术的进步。本文将详细介绍人脸检测识别技术中的关键模型和算法，包括MTCNN、Siamese network以及多种损失函数，并使用PyTorch搭建完整可运行的代码，帮助读者掌握单类多目标项目的检测识别流程。 二、MTCNN模型 1. 数学原理 MTCNN（Multi-task Cascaded Convolutional Networks）是一种用于人脸检测和特征点定位的网络模型。它由三个级联的网络组成：PNet、RNet和ONet。
大前端
机器学习实战20-利用AnoSVGD算法探索多指标的异常检测的应用
机器学习实战20-利用AnoSVGD算法探索多指标的异常检测的应用 AnoSVGD算法介绍 AnoSVGD是一种用于异常检测的非参数贝叶斯方法。它通过映射变换，使用已知数据的概率密度函数（PDF），多次迭代估计未知数据的概率密度函数（PDF）。在每次迭代中，基于前一次的结果，加上一个小的步长和下降方向，通过梯度下降找到最快的下降方向，从而进行迭代。这样，模型能够快速地找到未知数据的分布，并在达到目标后停止迭代。 AnoSVGD算法的数学原理 AnoSVGD（Anomaly Detection using Stein Variational Gradient Descent）是一种基于Stein变分梯度下降的非参数贝叶斯方法，用于异常检测。这种方法通过Stein变分梯度下降来近似数据生成分布，进而识别出那些与正常数据分布不一致的异常点。 AnoSVGD的基本数学原理和公式过程如下：
算法
深度学习实战80-基于大模型的RAG新思路，构建多种RAG的应用，包括PlanRAG、RichRAG、Multi-Meta-RAG、R^2AG、InstructRAG、SynCheck.
深度学习实战80-基于大模型的RAG新思路 文章目录 一、各种RAG技术的介绍 RAG的应用 RAG的优势和不足 RAG在文本摘要任务的应用 一、各种RAG技术的介绍 PlanRAG PlanRAG是一种基于计划的检索增强生成技术，它强调在生成答案之前先规划检索策略。这种方法通常涉及到对用户查询的深入理解，以及对可用知识库的分析，以确定最有可能包含所需信息的文档。PlanRAG的核心思想是通过预设的检索计划来提高检索的准确性和效率，从而生成更高质量的回答。 二、RAG的应用 三、RAG的优势和不足 RAG的优势 提高了检索的准确性和效率 生成更高质量的回答 RAG的不足 还未详细说明 四、RAG在文本摘要任务的应用
算法
机器学习实战19-利用机器学习模型与算法实现销售数据的归因分析与图形生成
机器学习实战19-利用机器学习模型与算法实现销售数据的归因分析与图形生成 归因分析的基本概念 归因分析的目的是识别哪些因素对结果产生了显著影响。在市场营销领域，例如，可以通过归因分析来确定哪些广告渠道或营销活动对销售增长贡献最大。在医学研究中，可以通过归因分析来确定哪些因素对疾病发病率有显著影响。 归因分析的方法 在Python中，可以使用多种方法进行归因分析，包括： 风险比率（Risk Ratios）：比较不同因素下的成功或失败的比例，以确定哪个因素的影响更大。 概率比率（Rate Ratios）：类似于风险比率，但考虑了事件发生的总体概率。 机会比率（Odds Ratios）：比较不同因素下事件发生的机会，通常用于替代风险比率和概率比率。 线性回归：通过构建线性模型来预测结果，并分析不同因素的系数大小来确定它们的贡献程度。
大模型
GPT-4o炸裂登场！
AI大模型风暴：从ChatGPT到GPT-4o 一、引言 从一年前ChatGPT突然爆火，到不久前文生视频大模型Sora以霸屏之势吸引全球舆论，再到近日OpenAI发布的王炸GPT-4，与AI大模型相关的议题越来越多地被大众所讨论。如果说2023年的大模型风暴还集中在“对话”上，那么，今年AI带来的亿点点震撼，就突破了文字乃至图像的范畴！ 二、前沿热点 大模型相关内容之所以那么火，与其相结合的技术原理绝对不容忽视。 三、课程推荐 为了能让大家更能进一步了解时下大模型相关前沿热点，我们特邀QS前50博导、大厂算法研究员等多位大牛打造了大模型系列课程。附论文代码讲解。