AIGC资讯 - 北大

北大计算机学硕分数线从320上涨到360分！北京大学智能学院

北京大学是中国top2大学之一，计算机学科评估A+，软件工程学科评估A，计算机实力在985大学中也是上游，实力很强。而这次，我们提到的是北京大学智能学院。智能学院比较有意思，官网上有这样一句话：“智能学科的诞生地”。这个智能是什么意思？看了一下院长致辞，我知道原来是人工智能：https://www.cis.pku.edu.cn/xygk/yzzc.htm这个学院也是2021年成立的新学院，之前我们也介绍过：朱松纯出任北京大学人工智能研究院院长，并领衔北大、清华联手开设的通用人工智能实验班。这一次北京大学新

北大清华人工智能

计算机与软件考研 2023-04-04

北大公开课-人工智能基础 59 机器学习的任务之降维

特征降维是机器学习中的一种技术，它可以将高维数据转换为低维数据，以便更好地进行分析和可视化。在机器学习中，特征降维可以帮助我们减少特征数量，从而提高模型的效率和准确性。例如，在图像识别中，我们可以使用特征降维来减少图像中的像素数量，从而使模型更快地处理图像数据。常见的特征降维方法包括主成分分析（PCA）、线性判别分析（LDA）和t-SNE等。这些方法可以帮助我们找到最重要的特征，并将其转换为低维空间中的向量。例如，在PCA中，我们可以使用奇异值分解（SVD）来找到最重要的特征，并将其转换为低维空间中的向量

北大人工智能机器学习

朝朝暮暮1895 2023-04-04

北大公开课-人工智能基础 58 机器学习的任务之排名

机器学习中的排名任务是指给定一个查询，根据相关性对文档进行排序。例如，搜索引擎中的搜索结果排序就是一个排名任务的例子。在这个例子中，查询是用户输入的搜索词，文档是搜索引擎索引的网页。排名任务的目标是将与查询相关性最高的文档排在前面。将两个节点互相按一定的规则互相比较，得到的无非三种结果，-1 低于排名0 排名相同+1 高于排名具体节点的互相排名计算，对于整体数据进行排名机器学习中的排名算法有很多，其中一些典型的算法包括：排序向量机（SVM）1、AdaRank 2、LambdaMART 3、RankBoos

北大人工智能机器学习

朝朝暮暮1895 2023-04-04

北大公开课-人工智能基础 57 机器学习的任务之聚类

简单来说，聚类就是将数据分成不确定的组（怎么分组，分成几组，用什么标准分组，都是基于具体的数据来确定的。）聚类没有训练数据。——无监督学习而分类是事先就想好分成特定的组，事先已经确定好分组的规则和目的。分类有训练数据。——有监督学习这样看，聚类比分类更难。聚类是机器学习中的一类无监督学习方法，其目标是将数据对象按照相似性分组的任务。聚类的形式化描述是：对于给定的数据集，将其划分为k个不相交的簇，使得每个簇内部的对象相似度较高，而不同簇之间的对象相似度较低123。例如，将一组人根据他们的年龄、性别、收入等特

北大人工智能机器学习

朝朝暮暮1895 2023-04-04

北大公开课-人工智能基础 56 机器学习的任务之回归

在机器学习中，回归任务是指预测连续值的预测性建模问题。回归任务的目标是建立一个函数，该函数可以将输入变量映射到连续的输出变量。回归任务通常用于预测数值型数据，例如房价、股票价格、销售额等。常见的回归算法包括线性回归、多项式回归、岭回归、Lasso回归等。123回归与分类的区别回归任务是机器学习中的一种监督学习算法，用于预测连续型变量的值。回归任务的形式化描述如下：给定一个输入向量x，回归任务的目标是预测一个实数值y，使得y与真实值y’之间的误差最小。常见的回归算法有线性回归、多项式回归、岭回归、Lasso

北大人工智能机器学习

朝朝暮暮1895 2023-04-04

北大公开课-人工智能基础 55 机器学习的任务之分类

机器学习的典型任务包括：分类 (classification)、回归 (regression)、聚类 (clustering)、排序 (ranking)、密度估计 (density estimation)、特征降维 (dimensionality reduction)等1。其中，分类是指将数据分成不同的类别，回归是指预测数值型数据，聚类是指将数据分成不同的组，排序是指将数据按照某种规则进行排序，密度估计是指根据样本数据估计概率密度函数，特征降维是指将高维数据转化为低维数据1。在机器学习中，分类任务是指针对

北大人工智能机器学习

朝朝暮暮1895 2023-04-04

北大公开课-人工智能基础 54 研读机器学习的视角之机器学习的应用和术语

在机器学习中，样本特征是指用来描述样本的各种属性，比如说，对于一张图片，它的特征可以是像素值、颜色、纹理等等。在机器学习中，我们需要将样本的特征提取出来，然后通过对这些特征进行分析和处理，来实现对样本的分类、回归等任务。因此，特征提取是机器学习中非常重要的一环1。在机器学习中，手工式特征是指人工设计的特征，这些特征通常是基于对数据的先验知识和经验的总结，比如说，对于一张图片，我们可以设计出它的颜色、纹理、形状等特征。手工式特征的优点是可以提高模型的泛化能力，缺点是需要人工设计，费时费力，并且可能会忽略掉一

北大人工智能机器学习

朝朝暮暮1895 2023-04-03

北大公开课-人工智能基础 53 研读机器学习的视角之机器学习的三个视角

七个典型的机器学习任务典型的通过机器学习要解决的具体问题，可以分为七类分类任务是指将数据分为不同的类别，分类前已知要分为几类（如下面的信用评分的二分类，将所有的客户分为优质客户和普通客户）回归任务是指预测数值型数据，聚类任务是指将数据分为不同的簇，分类前不知道要分几类。以数据的实际情况来决定最后如何分类，分几类。排名，数据按固有的排名重新排序密度估计是指在机器学习任务中，通过已有的数据，估计出数据的概率密度函数，从而对新的数据进行分类或者回归1。常见的密度估计方法有参数估计和非参数估计两种2。其中，非参数

北大人工智能机器学习

朝朝暮暮1895 2023-04-03

北大公开课-人工智能基础 52 研读机器学习之为什么要用不同的视角

学习、理解机器学习的难点在于，如何直觉性地，经验性地，选择最适合的机器学习算法机器学习的本质：通过经验或与环境交互，来改善性能改善性能是机器学习的最终目标。三个视角：要解决什么问题？——机器学习的任务要应用在什么场景？——机器学习的范式要通过什么手段实现？——机器学习的模型机器学习的学习任务指的是机器学习算法所要解决的问题，包括分类、回归、聚类、降维等。其中，分类任务是指将数据分为不同的类别，回归任务是指预测数值型数据，聚类任务是指将数据分为不同的簇，降维任务是指将高维数据映射到低维空间中。机器学习算法的

北大人工智能机器学习

朝朝暮暮1895 2023-04-03

北大公开课-人工智能基础 51 研读机器学习的视角之机器学习的历史

【Reinforcement leraning】强化学习是一种机器学习方法，用于描述和解决智能体（agent）在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题1。强化学习是智能体（Agent）以“试错”的方式进行学习，通过与环境进行交互获得的奖赏指导行为，目标是使智能体获得最大的奖赏2。强化学习不同于连接主义学习中的监督学习，主要表现在强化信号上，强化学习中由环境提供的强化信号是对产生动作的好坏作一种评价（通常为标量信号），而不是告诉强化学习系统如何去产生正确的动作2。【SVM】支持向

北大人工智能机器学习

朝朝暮暮1895 2023-04-03

下一页

AIGC重要产品

AI对话：类ChatGPT产品体验

好用的AI绘画工具

火热的AIGC产品

AIGC近期要闻

大公司发布的大模型产品都有哪些？

政府对AIGC的扶持政策

AIGC对就业的影响：我们会失业吗？

AIGC产业影响

AIGC对内容创作的影响

AIGC对绘画设计领域的影响

AIGC对各行各业的影响

Copyright © 2025 aigcdaily.cn  北京智识时代科技有限公司  版权所有  京ICP备2023006237号-1