人工智能ACA(四)--机器学习基础

零、参考资料

一篇文章完全搞懂正则化(Regularization)-CSDN博客

一、 机器学习概述

0. 机器学习的层次结构

  • 学习范式(最高层)  怎么学
    • 监督学习  
    • 无监督学习  
    • 半监督学习  
    •  强化学习  
  •  学习任务(中间层)  
    •  分类任务  
    •  回归任务  
    •  聚类任务  
    •  降维任务  
    •  其他任务  
  • 学习算法(底层)  用什么学
    • 基础算法  
    •  集成算法  
    •  深度学习算法  
    • 概率模型算法
学习方式数据特点主要任务典型算法
监督学习有标签数据分类、回归决策树、SVM
无监督学习无标签数据聚类、降维K-Means、PCA
半监督学习部分有标签分类、回归标签传播
强化学习奖励信号策略学习Q-learning

1. 人工智能、机器学习与深度学习的关系

  • 人工智能(AI)是最大的概念。它包含了所有让机器模拟人类智能行为的技术和方法。
  • 机器学习(ML)是人工智能的一个子集,是实现人工智能的一种重要方法。
  • 深度学习(DL)则是机器学习的一个分支,是一种特殊的机器学习方法。
  • 机器学习任务机器学习算法

2. 机器学习的定义与方向

  • 机器学习通过技术手段,利用已有的数据(经验)开发可以用来对新数据进行预测的模型。
  • 机器学习让计算机从数据中学习规律,而不是通过传统的硬编码规则来解决问题。
  • 机器学习主要研究产生模型的算法
2-1 机器学习按基于学习方式的分类

基于学习方式的划分:有监督学习、无监督学习、强化学习

学习方式定义主要任务/场景常用算法
监督学习 (Supervised Learning)使用已标记的数据进行训练

分类问题:- 垃圾邮件识别 - 图像识别

回归问题:- 房价预测 - 销量预测

• 决策树

• 支持向量机(SVM)

• 随机森林

• 逻辑回归

• 神经网络

无监督学习 (Unsupervised Learning)使用未标记的数据,基于数据本身去发现数据中的模式和特征

聚类:- 客户群体划分

降维:- 特征压缩

异常检测

关联分析

• K-means聚类

• 主成分分析(PCA)

• 自编码器

• DBSCAN

强化学习 (Reinforcement Learning)通过与环境交互来学习最优策略

• 游戏AI

• 机器人控制

• 自动驾驶

• Q-learning

• DQN

• DDPG

• PPO

半监督学习 (Semi-supervised Learning)同时使用标记和未标记数据进行训练适用场景:- 标记数据获取成本高 - 未标记数据丰富

• 自训练

• 协同训练

• 生成模型

有监督学习 与 无监督学习:有监督学习,数据被打上圆和×的tag,目的是找到圆和×的边界;无监督学习数据的tag是一样的(没有tag或标识),目的是找到数据聚合的特征,将数据根据特征聚类。

强化学习

无监督学习 与 强化学习的区别

  • 数据形式:无监督学习:静态数据点;                      强化学习:动态交互数据
  • 学习目标:无监督学习:发现数据模式;                   强化学习:最大化累积奖励
  • 反馈机制:无监督学习:无外部反馈;                       强化学习:环境提供奖励信号
  • 应用场景:无监督学习:数据分析和模式识别;        强化学习:决策制定和控制问题

有监督学习、无监督学习、强化学习的差异

比较维度监督学习无监督学习强化学习
训练数据有标记的数据(输入和正确答案配对)无标记数据(只有输入数据)无需预先准备的数据,通过与环境交互获得
学习目标学习输入到输出的映射关系发现数据内在的结构和模式学习在环境中获得最大奖励的策略
反馈方式即时反馈(知道预测是否正确)无外部反馈延迟反馈(通过奖励信号)
典型问题

• 分类(是/否判断)

• 回归(数值预测)

• 聚类

• 降维

• 异常检测

• 决策制定

• 控制优化

• 策略学习

应用场景

• 图像识别

• 垃圾邮件过滤

• 疾病诊断

• 房价预测

• 客户分群

• 推荐系统

• 异常交易检测

• 特征提取

• 游戏AI

• 机器人控制

• 自动驾驶

• 资源调度

优点

• 准确度高

• 结果可控

• 容易评估

• 不需要标注数据

• 可发现未知模式

• 成本较低

• 能够自主决策

• 可以处理复杂环境

• 持续学习改进

缺点

• 需要大量标注数据

• 标注成本高

• 可能过拟合

• 结果不易评估

• 可解释性较差

• 效果不够精确

• 训练时间长

• 需要大量试错

• 收敛性不稳定

经典算法

• 决策树

• SVM

• 神经网络

• 逻辑回归

• K-means

• PCA

• DBSCAN

• 自编码器

• Q-learning

• DQN

• DDPG

• PPO

 2-2 机器学习按基于学习策略的分类

3. 分类和回归的定义与区别

3-1 分类
  • 分类是将不同的类别进行分开
  • 目标是预测离散的类别标签
  • 输出是类别,如:是/否、猫/狗/鸟、优/良/差
  • 例子:垃圾邮件检测(是/否)、图像识别(猫/狗)、疾病诊断(良性/恶性)
3-2 回归
  • 回归是找到一个空间,使得数据点尽可能落在空间上
  • 目标是预测连续的数值
  • 输出是具体的数值,如:价格、温度、身高
  • 例子:房价预测、温度预测、销售额预测
3-3 分类和回归的区别

4. 机器学习常见函数

4-1 损失函数
  • 用于衡量模型预测值与真实值之间的差距
  • 反映模型预测的好坏程度
  • 目标是最小化损失函数值
  • 职责:评估模型性能、提供优化目标、计算误差大小
4-2 优化函数
  • 目标:找到使损失函数最小的模型参数
  • 作用:指导模型如何调整参数以提高性能
  • 类比:就像在山谷中寻找最低点的过程
  • 职责:决定如何更新参数、控制学习速度、避免局部最小值
  • 优化函数相当于驾驶策略,参数相当于油门和方向盘。目标是到达目的地(最优解)
4-3 损失函数与优化函数的关系
  • 损失函数 = 地图(告诉你距离目标有多远)
  • 优化函数 = 导航策略(告诉你如何到达目标)
  • 损失函数告诉我们"差距有多大",优化函数告诉我们"如何缩小差距"
4-4 优化函数的执行过程

4-5 优化函数的种类

基础优化器

优化器特点优势劣势适用场景
BGD (批量梯度下降)使用全部数据计算梯度

- 稳定

- 准确

- 速度慢

- 内存消耗大

小数据集
SGD (随机梯度下降)每次使用单个样本

- 速度快

- 内存效率高

- 不稳定

- 容易震荡

大数据集

在线学习

Mini-batch GD使用小批量数据

- 平衡速度和稳定性

- 并行计算友好

- 需要调整批量大小最常用场景

改进优化器

优化器核心思想优势劣势适用场景
Momentum累积历史梯度

- 加快收敛

- 减少震荡

- 需要额外内存

- 可能过冲

有明显方向的优化
AdaGrad自适应学习率

- 适合稀疏数据

- 自动调整参数

- 后期学习过慢

稀疏数据

NLP任务

RMSprop指数衰减的梯度累积

- 解决学习率衰减

- 适应性好

- 需要设置衰减率

RNN训练

非凸优化

现代优化器

优化器原理优势劣势适用场景
Adam结合动量和自适应学习率

- 收敛快

- 参数自适应

- 稳定性好

- 计算开销大

- 可能不收敛

深度学习默认选择
AdaDelta自适应学习率无需设置

- 无需设置学习率

- 鲁棒性好

- 计算复杂对超参数敏感的任务
NadamAdam + Nesterov动量

- 收敛更快

- 更精确

- 计算开销更大需要快速收敛的任务

5. 机器学习常见评估指标

  • 评估模型性能、验证模型泛化能力、指导模型优化方向
  • 评估指标是对模型效果数值上的量化
  • 不同类型的机器学习 评估指标有差异
  • 评价指标是建立在不同的机器学习任务上的,主要分为三大类:分类、回归和无监督
5-1 不同学习任务的评估指标

5-2 分类学习任务的评估方法

混淆矩阵


 

5-3 分类学习任务的评估指标 

5-4 回归任务常见评估指标

6. 学习任务

机器学习的学习任务指的是机器学习算法在训练过程中学校要完成的具体目标。这个定义会直接影响到我们如何收集数据、选择算法和评估结果。

6-1 本质定义
  • 学习任务就是"要教会机器做什么"
  • 是机器需要通过数据学习来完成的具体工作目标
6-2 主要特点
  • 有明确的输入和期望的输出
  • 可以通过数据来学习规律
  • 有具体的评估标准来衡量性能
6-3 任务的构成要素
  • 输入空间:数据的特征
  • 输出空间:预测的目标
  • 假设空间:可能的模型集合
  • 评估准则:衡量模型好坏的标准
6-4 学习任务的作用
  • 明确问题的目标
  • 确定需要收集的数据类型
  • 选择合适的算法和模型
  • 设定合理的评估标准
6-5 举例
  • 预测房价就是一个学习任务

    • 输入:房屋的面积、位置、年份等特征
    • 输出:预测的房价
    • 评估标准:预测价格与实际价格的误差

二、机器学习经典算法介绍

1. 线性回归算法

1-1 定义
  • 线性回归是一种建立自变量(特征变量)和因变量(目标变量)之间线性关系统计方法
  • 核心思想是找到条直线(或超平面),使得所有数据点到这条线的距离的平方和最小

1-2 任务类型

分类维度任务类型特点示例
按变量数量简单线性回归

• 一个自变量

• 一个因变量

房屋面积预测房价
多元线性回归

• 多个自变量

• 一个因变量

用房屋面积、位置、年份等预测房价
按预测目标回归预测• 预测连续的数值预测温度、股票价格
概率预测• 预测事件发生的概率客户购买概率预测
按模型复杂度标准线性回归

• 无正则化项

• 直接最小化均方误差

基础的线性拟合
正则化线性回归

• Ridge回归(L2正则化)

• Lasso回归(L1正则化)

• 弹性网络(L1+L2正则化)

处理过拟合问题的高维数据建模
1-3 应用场景
  • 销售预测
  • 房价估算
  • 温度预测
  • 消费行为分析
  • 经济指标预测
  • 人口增长预测
1-4 线性回归的正则化模型
特性Ridge (L2)Lasso (L1)Elastic Net (L1+L2)
目标函数MSE + λΣθ²MSE + λΣ|θ|MSE + λ₁Σ|θ| + λ₂Σθ²
正则项形式平方和惩罚绝对值和惩罚同时包含L1和L2惩罚
参数效果参数变小但不为0参数可能变为0两种效果的结合
解的特点唯一解可能多个解唯一解

2. 逻辑回归算法

2-1 逻辑回归定义
  • 逻辑回归是一种广义线性回归,在线性回归的基础上添加非线性变化,使得逻辑回归输出值为离散型。
  • 逻辑回归是一种将现行模型与sigmoid函数相结合的分类算法。
  • 用于建立特征变量和二分类目标变量之间的非线性关系。
  • 核心思想是通过sigmoid函数将现行预测值映射到[0,1]区间。
2-2 数学模型
  • 线性部分:z = θ₀ + θ₁x₁ + θ₂x₂ + ... + θₙxₙ = θᵀx
  • Sigmoid函数:h(z) = 1 / (1 + e^(-z))
2-3 逻辑回归任务类型

分类

2-4 应用场景

考生成绩预测 雾霾天气预测

2-5 逻辑回归的多分类应用

策略类型原理优点缺点适用场景

一对多(OvR)

One-Vs-Rest

• 将N分类转化为N个二分类

• 每个类别对应一个分类器

• 实现简单

• 计算效率高

• 训练速度快

• 存在类别不平衡

• 决策边界可能重叠

• 类别数较少

• 计算资源有限

一对一(OvO)

One-Vs-One

• 每两个类别训练一个分类器

• 共N(N-1)/2个分类器

• 分类器更专注

• 类别平衡性好

• 分类器数量多

• 计算开销大

• 类别数适中

• 计算资源充足

Softmax回归

• 直接多分类

• 输出概率分布

• 原理简单优雅

• 概率解释性强

• 计算复杂度高

• 收敛较慢

• 互斥类别

• 需要概率输出

 2-6 多分类应用:一对多 One-Vs-Rest

分类维度说明
核心思想将N个类别的多分类问题转化为N个二分类问题
实现方式为每个类别训练一个二分类器,将该类别作为正类,其他所有类别作为负类
决策规则选择概率最高的分类器作为最终预测结果

  2-6 多分类应用: 一对一 One-Vs-One

分类维度说明
核心思想在任意两个类别之间训练一个二分类器
分类器数量N(N-1)/2个分类器,N为类别数
决策方式投票机制或概率综合

2-7 多分类应用:Softmax

分类维度说明
核心思想直接将线性输出转换为多类别概率分布
数学本质将logistic回归推广到多分类的情况
概率输出所有类别的概率和为1,每个类别概率非负

3. 朴素贝叶斯算法

3-1 定义
  • 基于贝叶斯定理与特征条件独立假设的分类方法
  • 算法本质    基于贝叶斯定理的概率分类算法
  • 核心思想    假设特征之间相互独立,计算后验概率
  • 基本假设    条件独立假设(朴素假设)
3-2 任务类型

分类

3-3 应用场景

垃圾邮件 舆情分析

4.  k近邻算法 (KNN)

4-1 定义
  • K近邻即从训练集中找到与新实例最近的K个实例,根据k个实例来进行预测
  • 算法本质    基于实例的懒惰学习算法
  • 核心思想    物以类聚,通过邻近样本投票决定预测结果
  • 基本假设    相似的实例具有相似的特征和标签
  • 决策规则    K个最近邻居的多数投票或加权平均
4-2 任务类型

分类 回归

4-3 应用场景

约会匹配 商品推荐

4-4 K近邻算法:距离度量

5. 支持向量机算法 SVM

求使两虚线距离最远的直线就是求解最大边距超平面过程。直线是超平面的二维解释。

5-1 定义
  • 核心思想    寻找最优分离超平面,使两类样本间隔最大
  • 支持向量    距离分离超平面最近的样本点
  • 间隔    支持向量到分离超平面的距离
  • 核函数    将低维数据映射到高维空间的函数
5-2 任务类型
5-3 应用场景

心脏病预测 用户窃电识别

5-4 线性可分与线性不可分

5-5 核函数

6. 决策树算法

6-1 定义
  • 决策树是一种以树结构形式来表达的预测分析模型
  • 基本概念    一种树形结构的监督学习模型,通过一系列规则对数据进行分类或回归
  • 组成部分    根节点:起始点;内部节点:决策点;叶节点:结果;分支:决策路径
  • 决策过程    从根节点开始,根据特征值进行判断,直到达到叶节点得到结果
  • 模型特点    直观可解释、自动特征选择、处理混合数据类型、可处理缺失值
6-2 任务类型
类型说明特点评估指标
分类树预测离散类别叶节点表示类别;基尼指数/信息增益分裂准确率;F1分数;AUC-ROC
回归树预测连续值叶节点表示数值;均方差分裂MSE;MAE;R²
6-3 应用场景

银行贷款 动物识别

6-4 决策树结构

 6-4 决策树构建步骤

特征选择方法计算公式特点适用场景
信息增益IG(D,A) = H(D) - H(D|A)偏向多值特征ID3算法
信息增益比IGR(D,A) = IG(D,A)/H(A)克服多值特征偏好C4.5算法
基尼指数Gini(D) = 1 - Σ(pi)²计算简单高效CART算法
均方误差MSE = Σ(yi - ȳ)²/n适用连续值回归树

7. 集成算法

类型原理代表算法特点
Bagging并行集成,随机采样Random Forest, Bagging降低方差,防过拟合
Boosting串行集成,迭代提升AdaBoost, GBDT, XGBoost降低偏差,提高精度
Stacking多层集成,元学习Stacking, Blending综合多模型优
7-1 Bagging 集成学习算法
  • 对于分类任务:使用投票(voting)机制
  • 对于回归任务:才使用平均(averaging)

7-2 Boosting 集成学习算法

7-3 Stacking 集成学习算法

8. 用于聚类任务的机器学习算法

8-1 聚类
  • 聚类是学习任务的一种;
  • 聚类属于无监督学习的一种。

9. 机器学习算法的 欠拟合 和 过拟合

9-1 欠拟合(Underfitting)
  • 定义:模型太过简单,无法捕捉数据中的基本规律
  • 特征:
    • 训练误差大
    • 测试误差大
    • 预测效果差
  • 原因:
    • 训练样本数量少
    • 模型复杂度过低
    • 参数还未收敛就停止循环
  • 解决办法
    • 增加模型复杂度
    • 增加有效特征
    • 减少正则化强度
9-2 过拟合
  • 定义:模型过于复杂,不仅学习了数据的真实规律,还学习了训练数据中的噪声
  • 特征:
    • 训练误差小
    • 测试误差大
    • 泛化能力差
  • 原因:
    • 数据噪声太大
    • 特征太多
    • 模型太复杂
  • 解决办法:
    • 清洗数据
    • 减少模型参数,降低模型复杂度
    • 增加惩罚因子(正则化),保留所有的特征,但是减少参数的大小(magnitude)
9-3 欠拟合与过拟合对比
特征欠拟合适当拟合过拟合
模型复杂度过于简单适中过于复杂
训练误差中等
测试误差中等
偏差适中
方差适中
泛化能力
 9-4 欠拟合与过拟合的预防
  • 数据处理

    • 增加训练数据量
    • 清理噪声数据
    • 特征选择和工程
  • 模型选择

    • 选择合适复杂度的模型
    • 使用集成学习方法
    • 采用交叉验证
  • 训练策略

    • 使用正则化技术
    • 采用早停法
    • 使用dropout等技术(深度学习)
9-5 图示

10. 机器学习中的泛化能力

10-1 机器学习中泛化能力的定义
  • 模型在未见过的新数据上的表现能力
  • 从训练数据中学到的规律应用到新数据的能力
  • 对新样本的预测准确程度
10-2 评估指标
指标类型具体指标说明
准确性指标• 准确率<br>• 精确率<br>• 召回率模型预测的正确程度
误差指标• MSE<br>• MAE<br>• RMSE预测值与真实值的偏差
稳定性指标• 方差<br>• 标准差预测结果的稳定程度
10-3 影响泛化能力的关键因素
因素正面影响负面影响
数据量充足的训练数据数据不足
数据质量高质量、代表性数据噪声数据、偏差数据
模型复杂度适当的复杂度过于简单或复杂
特征选择有效特征无关特征、冗余特征
训练方法合适的训练策略训练不充分或过度

11 正则化

一篇文章完全搞懂正则化(Regularization)-CSDN博客

11-1 正则
  • 对模型施加约束或限制
  • 使模型更加"规范"或"合理"
  • 防止模型"任性"(过度拟合训练数据)
  • 新的目标 = 原始目标 + 约束条件
11-2 正则化定义:
  • 是指为解决适定性问题或过拟合而加入额外信息的过程。
  • 正则项往往被加在目标函数当中。
  • 一种防止模型过拟合的技术
  • 通过添加惩罚项来控制模型复杂度
  • 使模型更简单、更具泛化能力

三、机器学习PAI平台简单实现

缩写全称主要功能用途总结
PAI-DesignerPlatform for Artificial Intelligence - Designer

• 可视化拖拽建模工具

• 无代码开发环境

• 内置算法组件

• 机器学习流程搭建

可视化建模
PAI-DSWPlatform for Artificial Intelligence - Data Science Workshop

• Jupyter Notebook环境

• 支持Python/R等语言

• 交互式开发

• 数据分析和建模

开发环境
PAI-DLCPlatform for Artificial Intelligence - Deep Learning Container

• 深度学习环境

• 支持TensorFlow/PyTorch

• 深度学习模型训练

• 容器化部署

深度学习
PAI-EASPlatform for Artificial Intelligence - Elastic Algorithm Service

• 模型在线服务

• API接口调用

• 弹性伸缩能力

• 在线预测服务

模型部署

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/web/63771.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

豆包MarsCode:小U的数字插入问题

问题描述 问题分析 问题的核心是找到将数字 b 插入到数字 a 的某个位置后&#xff0c;使形成的数字尽可能大。需要仔细分析以下几个要点&#xff1a; 1. 分析数字的特性 输入的两个数字&#xff1a; a 是一个正整数&#xff08;例如 76543&#xff09;。b 是一个非负整数&am…

【Cadence射频仿真学习笔记】IC设计中电感的分析、建模与绘制(EMX电磁仿真,RFIC-GPT生成无源器件及与cadence的交互)

一、理论讲解 1. 电感设计的两个角度 电感的设计可以从两个角度考虑&#xff0c;一个是外部特性&#xff0c;一个是内部特性。外部特性就是把电感视为一个黑盒子&#xff0c;带有两个端子&#xff0c;如果带有抽头的电感就有三个端子&#xff0c;需要去考虑其电感值、Q值和自…

基础元器件的学习

1、二极管 1.1二极管的符号 ZD是稳压二极管 VD、V、D是普通二极管的符号。 1.2二极管的反向恢复时间 首先交流电为上正下负&#xff0c;然后下正上负。当二极管接到反向电压&#xff0c;二极管存在寄生电容&#xff0c;电压不能立刻突变&#xff0c;当输入频率变高时&#…

EdgeX物联网平台

一、概述 EdgeX Foundry是一个由Linux基金会支持的边缘计算开源平台。它的定位是作为通用工业物联网边缘计算通用框架,部署在路由器和交换机等边缘设备上。EdgeX Foundry为各种传感器、设备或其他物联网器件提供即插即用功能,并管理它们,进一步收集和分析它们的数据,或者导…

Linux之帮助命令

一、man帮助命令 语法&#xff1a; man 你要查找的命令例如&#xff1a;man ls 即可得到你要的命令说明&#xff0c;按q退出 二、内置命令和外部命令 一部分基础功能的系统命令是直接内嵌在shel中的&#xff0c;系统加载启动之后会随着shll一起加载&#xff0c;常驻系统内存中…

MONI后台管理系统-swagger3(springdoc-openapi)集成

springdoc-openapi Java 库有助于使用 Spring Boot 项目自动生成 API 文档。springdoc-openapi 通过在运行时检查应用程序来根据 Spring 配置、类结构和各种注释推断 API 语义。 该库会自动生成 JSON/YAML 和 HTML 格式的页面文档。生成的文档可以使用swagger-api注释进行补充。…

GFPS扩展技术原理(七)-音频切换消息流

音频切换消息流 Seeker和Provider通过消息流来同步音频切换能力&#xff0c;触发连接做切换&#xff0c;获取或设置音频切换偏好&#xff0c;通知连接状态等等。为此专门定义了音频切换消息流Message Group 为0x07&#xff0c;Message codes如下&#xff1a; MAC of Audio s…

LiteFlow决策系统的策略模式,顺序、最坏、投票、权重

个人博客&#xff1a;无奈何杨&#xff08;wnhyang&#xff09; 个人语雀&#xff1a;wnhyang 共享语雀&#xff1a;在线知识共享 Github&#xff1a;wnhyang - Overview 想必大家都有听过或做过职业和性格测试吧&#xff0c;尤其是现在的毕业生&#xff0c;在投了简历之后经…

【计算机视觉基础CV-图像分类】02-入门详解图像分类、经典数据集、比赛与冠军图像模型演进史

前言 图像分类&#xff08;Image Classification&#xff09;是计算机视觉&#xff08;Computer Vision&#xff09;中一项基础且核心的任务。简单来说&#xff0c;就是让计算机从给定的类别集合中&#xff0c;为一张输入图片分配一个正确的类别标签。这个过程听起来直观&…

嵌入式驱动开发详解20(IIO驱动架构)

文章目录 前言IIO子系统简介主要结构体主要API函数 IIO子系统实现SPI框架IIO框架IIO通道详解通道结构体分析通道命名分析icm20608设备通道实现 读取函数写入函数 测试测试效果命令行读取应用程序读取 后续参考文献 前言 IIO 全称是 Industrial I/O&#xff0c;翻译过来就是工业…

Linux 网络维护相关命令简介

目录 零. 概要一. ping二. ip命令2.1 ip address2.2 ip route2.3 ip neighbour 三. traceroute四. DNS查询4.1 nslookup4.2 dig 五. ss 查看网络连接状态 零. 概要 ⏹在Linux系统中有2套用于网络管理的工具集 net-tools 早期网络管理的主要工具集&#xff0c;缺乏对 IPv6、网…

Jenkins持续集成部署——jenkins安装

前言 Jenkins 是一个开源的自动化服务器&#xff0c;主要用于持续集成&#xff08;CI&#xff09;和持续交付&#xff08;CD&#xff09;。它为软件开发团队提供了一个易于使用的平台来自动化构建、测试和部署应用程序的过程。 Jenkins 主要功能 1. 持续集成 (CI) 自动构建…

PYG - Cora数据集加载 (自动加载+手动实现)

本文从Cora的例子来展示PYG如何加载图数据集。 Cora 是一个小型的有标注的图数据集&#xff0c;包含以下内容&#xff1a; data.x&#xff1a;2708 个节点&#xff08;即 2708 篇论文&#xff09;&#xff0c;每个节点有 1433 个特征&#xff0c;形状为 (2708, 1433)。data.ed…

机器学习基础算法 (二)-逻辑回归

python 环境的配置参考 从零开始&#xff1a;Python 环境搭建与工具配置 逻辑回归是一种用于解决二分类问题的机器学习算法&#xff0c;它可以预测输入数据属于某个类别的概率。本文将详细介绍逻辑回归的原理、Python 实现、模型评估和调优&#xff0c;并结合垃圾邮件分类案例进…

BiTCN-BiGRU基于双向时间卷积网络结合双向门控循环单元的数据多特征分类预测(多输入单输出)

Matlab实现BiTCN-BiGRU基于双向时间卷积网络结合双向门控循环单元的数据多特征分类预测&#xff08;多输入单输出&#xff09; 目录 Matlab实现BiTCN-BiGRU基于双向时间卷积网络结合双向门控循环单元的数据多特征分类预测&#xff08;多输入单输出&#xff09;分类效果基本描述…

51c大模型~合集94

我自己的原文哦~ https://blog.51cto.com/whaosoft/12897659 #D(R,O) Grasp 重塑跨智能体灵巧手抓取&#xff0c;NUS邵林团队提出全新交互式表征&#xff0c;斩获CoRL Workshop最佳机器人论文奖 本文的作者均来自新加坡国立大学 LinS Lab。本文的共同第一作者为上海交通大…

【大学英语】英语范文十八篇,书信,议论文,材料分析

关注作者了解更多 我的其他CSDN专栏 过程控制系统 工程测试技术 虚拟仪器技术 可编程控制器 工业现场总线 数字图像处理 智能控制 传感器技术 嵌入式系统 复变函数与积分变换 单片机原理 线性代数 大学物理 热工与工程流体力学 数字信号处理 光电融合集成电路…

一起学Git【第一节:Git的安装】

Git是什么&#xff1f; Git是什么&#xff1f;相信大家点击进来已经有了初步的认识&#xff0c;这里就简单的进行介绍。 Git是一个开源的分布式版本控制系统&#xff0c;由Linus Torvalds创建&#xff0c;用于有效、高速地处理从小到大的项目版本管理。Git是目前世界上最流行…

【day11】面向对象编程进阶(继承)

概述 本文深入探讨面向对象编程的核心概念&#xff0c;包括继承、方法重写、this和super关键字的使用&#xff0c;以及抽象类和方法的定义与实现。通过本文的学习&#xff0c;你将能够&#xff1a; 理解继承的优势。掌握继承的使用方法。了解继承后成员变量和成员方法的访问特…

随手记:小程序兼容后台的wangEditor富文本配置链接

场景&#xff1a; 在后台配置wangEditor富文本&#xff0c;可以文字配置链接&#xff0c;图片配置链接&#xff0c;产生的json格式为&#xff1a; 例子&#xff1a; <h1><a href"https://uniapp.dcloud.net.cn/" target"_blank"><span sty…