全部 人工智能學(xué)科動(dòng)態(tài) 人工智能技術(shù)資訊 人工智能常見問題 技術(shù)問答

• • 

    什么是線性回歸?線性回歸有什么特征？

    線性回歸(Linear regression)是利用回歸方程(函數(shù))對(duì)一個(gè)或多個(gè)自變量(特征值)和因變量(目標(biāo)值)之間關(guān)系進(jìn)行建模的一種分析方式。特點(diǎn)：只有一個(gè)自變量的情況稱為單變量回歸，多于一個(gè)自變量情況的叫做多元回歸 查看全文>>

    人工智能技術(shù)資訊2021-05-04 |傳智教育 |什么是線性回歸

  • 

    什么是聚類算法?【機(jī)器學(xué)習(xí)入門】

    聚類算法是一種典型的無監(jiān)督學(xué)習(xí)算法，主要用于將相似的樣本自動(dòng)歸到一個(gè)類別中。在聚類算法中根據(jù)樣本之間的相似性，將樣本劃分到不同的類別中，對(duì)于不同的相似度計(jì)算方法，會(huì)得到不同的聚類結(jié)果，常用的相似度計(jì)算方法有歐式距離法。 查看全文>>

    人工智能技術(shù)資訊2021-04-30 |傳智教育 |什么是聚類算法

  • 

    boosting集成原理：什么是boosting?

    什么是boosting?隨著學(xué)習(xí)的積累從弱到強(qiáng)，簡(jiǎn)而言之：每新加入一個(gè)弱學(xué)習(xí)器，整體能力就會(huì)得到提升。代表算法：Adaboost，GBDT，XGBoost。 查看全文>>

    人工智能技術(shù)資訊2021-04-30 |傳智教育 |boosting集成原理

  • 

    什么是集成學(xué)習(xí)？集成學(xué)習(xí)算法簡(jiǎn)介？

    集成學(xué)習(xí)通過建立幾個(gè)模型來解決單一預(yù)測(cè)問題。它的工作原理是生成多個(gè)分類器/模型，各自獨(dú)立地學(xué)習(xí)和作出預(yù)測(cè)。這些預(yù)測(cè)最后結(jié)合成組合預(yù)測(cè)，因此優(yōu)于任何一個(gè)單分類的做出預(yù)測(cè)。 查看全文>>

    人工智能技術(shù)資訊2021-04-30 |傳智教育 |什么是集成學(xué)習(xí)

  • 

    K-近鄰算法(KNN)概念：什么是K-近鄰算法?

    K Nearest Neighbor算法又叫KNN算法，這個(gè)算法是機(jī)器學(xué)習(xí)里面一個(gè)比較經(jīng)典的算法， 總體來說KNN算法是相對(duì)比較容易理解的算法。 查看全文>>

    人工智能技術(shù)資訊2021-04-28 |傳智教育 |K-近鄰算法(KNN)

  • 

    AI人工智能——科技春晚暗藏的風(fēng)口行業(yè)

    2021年的春晚上，一首《牛起來》讓人分不清電視屏幕上的劉德華到底有沒有到現(xiàn)場(chǎng)，眾多節(jié)目酷炫的舞臺(tái)效果，將科技體現(xiàn)得淋漓盡致。春晚中出現(xiàn)的人工智能產(chǎn)品只是行業(yè)中的“冰山一角”，2020年一場(chǎng)疫情讓很多行業(yè)陷入停滯狀態(tài)，但是人工智能卻在2020年蓬勃發(fā)展。 查看全文>>

    人工智能學(xué)科動(dòng)態(tài)2021-02-22 |傳智教育 |AI人工智能,科技生活,央視春晚,科技春晚

  • 

    概率和似然有什么區(qū)別?

    概率和似然都是指可能性，但在統(tǒng)計(jì)學(xué)中，概率和似然有截然不同的用法。 查看全文>>

    人工智能常見問題2020-09-21 |傳智播客 |概率和似然有什么區(qū)別

  • 

    KNN和k-means聚類有什么不同？

    KNN算法主要是用于解決監(jiān)督學(xué)習(xí)中的分類問題;其數(shù)據(jù)集是由特征值和目標(biāo)值組成，使用的數(shù)據(jù)是已經(jīng)標(biāo)記過的數(shù)據(jù);KNN算法是一種懶惰算法，沒有明顯的前期訓(xùn)練過程;里面的K值表示把這個(gè)樣本點(diǎn)分到哪個(gè)類別的參考數(shù)據(jù)點(diǎn) 查看全文>>

    人工智能常見問題2020-09-21 |傳智播客 |KNN和k-means聚類有什么不同

  << < 1 ... 5 6 7 8 9 10 11 12 13 14 > >>