暂时未有相关云产品技术能力~
国内互联网圈知名博主、人工智能领域优秀创作者,全球最大中文IT社区博客专家、CSDN开发者联盟生态成员、中国开源社区专家、华为云社区专家、51CTO社区专家、Python社区专家等,曾受邀采访和评审十多次。仅在国内的CSDN平台,博客文章浏览量超过2500万,拥有超过57万的粉丝。
High&NewTech:一文了解计算机思维、数学思维的本质区别,以及算法和程序的认知比较
High&NewTech:一文了解计算机思维、数学思维的本质区别,以及算法和程序的认知比较
Dataset之MNIST:MNIST(手写数字图片识别+csv文件)数据集简介、下载、使用方法之详细攻略
BC之SC:区块链之智能合约——与传统合约的比较以及智能合约模型部署原理、运行原理相关配图
BC之SC:区块链之智能合约——与传统合约的比较以及智能合约模型部署原理、运行原理相关配图
TF学习——TF之API:TensorFlow的高级机器学习API—tf.contrib.learn的简介、使用方法、案例应用之详细攻略
Py之skflow:skflow的简介、安装、使用方法、代码实现之详细攻略
Competition——AI:国内外人工智能比赛平台以及竞赛类型、竞赛题目、举行时间等之详细攻略(最全+ing)
Competition——AI:国内外人工智能比赛平台以及竞赛类型、竞赛题目、举行时间等之详细攻略(最全+ing)
High&NewTech之Job:关于人工智能领域专业的公司求职数据分析(最全)
【干货每周壹分享】:关于CSDN的人工智能课程免费教学视频教程分享
ML之RF&DT:利用RF(RFR)、DT(DTR)两种算法实现对boston(波士顿房价)数据集进行训练并预测
ML之DT:利用DT(DTC)实现对iris(鸢尾花)数据集进行分类并可视化DT结构
Ubuntu之make:make命令行工具的简介、安装、使用方法之详细攻略
Python:Python技巧之80个经典题——课程笔记
Python:Python技巧之80个经典题——课程笔记
Python:Python技巧之80个经典题——课程笔记
Python:Python技巧之80个经典题——课程笔记
Python:Python技巧之80个经典题——课程笔记(一)
ML之Medicine:利用机器学习研发药物—《Machine Learning for Pharmaceutical Discovery and Synthesis Consortium》
Go:go语言的认识理解、安装应用、语法使用之详细攻略
Py之lightgbm:lightgbm的简介、安装、使用方法之详细攻略
Py之lightgbm:lightgbm的简介、安装、使用方法之详细攻略
Python语言学习:Python语言的前世今生(简介、常用IDE(开发环境)、ML常用库、发展、应用、未来前景)
Python语言学习:Python语言的前世今生(简介、常用IDE(开发环境)、ML常用库、发展、应用、未来前景)
EL之GB(GBC):利用GB对多分类问题进行建模(分层抽样+调1参)并评估
EL之RF(RFC):利用RF对多分类问题进行建模并评估(六分类+分层抽样)
EL之GB(GBC):利用GB对二分类问题进行建模并评估
EL之RF(RFC):利用RF对二分类问题进行建模并评估
Competition——互联网比赛(编程相关):国内外各种互联网比赛举办时间、条件、细节等详细攻略
TF之NN:利用DNN算法(SGD+softmax+cross_entropy)对mnist手写数字图片识别训练集(TF自带函数下载)实现87.4%识别
AI:机器学习、深度学习在实际应用(工业应用)中的步骤流程框架、实际场景(案例)之详细攻略
DL之GoogleNet:GoogleNet(InceptionV1)算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之GoogleNet:GoogleNet(InceptionV1)算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
EL之GB(GBM):利用GB对回归(性别属性编码+调2参)问题(整数值年龄预测)建模
成功解决AttributeError: 'GradientBoostingRegressor' object has no attribute 'staged_decision_function'
EL之RF(RFR):利用RF对回归(性别属性编码)问题(整数值年龄预测)建模
EL之Bagging(DTR):利用Bagging对回归问题(实数值评分预测)建模(调2参)
EL之GB(GBR):利用GBR对回归问题(实数值评分预测)建模
EL之RF(RFR):利用RandomForestRegressor对回归问题(实数值评分预测)建模(调2参)
EL之RF(随机性的Bagging+DTR):利用随机选择属性的bagging方法解决回归(对多变量的数据集+实数值评分预测)问题
EL之Boosting之GB(DTR):利用梯度提升法解决回归(对多变量的数据集+实数值评分预测)问题
EL之Boosting之GB(DTR):简单回归问题使用梯度提升法(DIY数据集+DTR模型+调两参)
EL之Bagging:利用Bagging算法实现回归预测(实数值评分预测)问题
EL之Bagging(DTR):利用DIY数据集(预留30%数据+两种树深)训练Bagging算法(DTR)
成功解决File "f:\program files\python\python36\lib\re.py", line 142, in <modul
ML之SSL:Semi-Supervised Learning半监督学习的简介、应用、经典案例之详细攻略
ML之DT:基于简单回归问题训练决策树(DIY数据集+七种{1~7}深度的决策树{依次进行10交叉验证})
ML之DT:基于简单回归问题训练决策树(DIY数据集+三种深度的二元DT性能比较)
DayDayUp:2018年末施瓦辛格热血演讲《关于成功·成功的真谛》—YouTuBe播放量超1个亿!—学习英文