<机器学习实战>读书笔记--朴素贝叶斯

优点：在数据较少的情况下仍然有效，可以处理多类别问题。缺点：对于输入数据的准备方式较为敏感。适用数据类型：标称型数据。使用朴素贝叶斯进行文档分类，步骤：获取原始数据集（语句）和相应标签（文档的分类）将原始数据集进行分词处理（英文以空格为分割），处理掉标点等其它符号，生成单词数组通过单词数组生成词汇表（统计所有单词，除去重复，并生成列表）将原始数据集通过词汇表转换为文档向量（向量长度为词汇表长度，语...

第四章4.朴素贝叶斯法（naive Bayes）4.1朴素贝叶斯的学习与分类4.1.1 基本方法4.1.2 分类器模型证明4.2参数估计4.2.1 极大似然估计4.2.2贝叶斯估计 一切为了数据挖掘的准备 4.朴素贝叶斯法（naive Bayes） 朴素贝叶斯是基于贝叶斯定理与特征条件独立假设的分类方法 生成模型 判别模型 4.1朴素贝叶斯的学习与分类 4.1.1 基本方法 表达：输入空间...

读书笔记-统计学习方法-朴素贝叶斯法 朴素贝叶斯法的学习与分类 输入空间：X⊆Rn\mathcal{X}\sube R^nX⊆Rn 输出空间：Y={c−1,c2,...,cK}\mathcal{Y}=\{c-1,c_2,...,c_K\}Y={c−1,c2​,...,cK​} 输入为特征向量：x∈Xx \in \mathcal{X}x∈X 输出类标记：y∈Yy\in \mathcal{Y}y∈Y XXX是定义在输入空间上的随机向量 YYY是定义在输出空间上的随机向量 P(X,Y)P(X,Y)P(X,Y)是X

机器学习周志华学习笔记-第7章<贝叶斯分类器>

【机器学习读书笔记】朴素贝叶斯分类三、朴素贝叶斯分类 朴素贝叶斯是基于概率论的分类方法，不像之前给出的K-近邻和决策树会硬性的将输入分到一个类别中。朴素贝叶斯分类算法只给出该数据属于某一类别的可能性或者说概率。最终的类别标签会以较大概率的标签为准。 朴素贝叶斯在贝叶斯的基础上给出了条件独立性假设，我们也知道这个假设非常简单，这也是它称为朴素的原因。 算法思路 贝叶斯定理 我们先看看wi

前几天上课，老师布置作业时抛出了一个问题，是计算机算法中的概率问题。具体问题较为复杂，现不赘述。然后，我突然联想到贝叶斯公式，（其实上概率论课时我是囫囵吞枣的）但是总是对贝叶斯公式停留在一个印象：前后概率。我其实什么都不太懂，但就是感觉贝叶斯公式的应用就是对前后概率的处理从而得出决策。（PS：我没看资料哈！）但是我找了半天资料，也发现不了这个公式的作用。因为，三个概率我只知其一，难道剩下的两个都要...

这次实验最大的收获是：与其在规则里“猜”爬虫长什么样，不如把判断逻辑外置到一个能持续学习的边缘节点。群联的清洗中心提供了实时封禁 API，让我们可以把模型结果直接落地，而不用改一行业务代码——这比传统“先打日志、再人工加黑名单”的节奏快了整整一个量级。

门控循环单元（GRU, Gated Recurrent Unit）是循环神经网络（RNN）的一种改进结构，由 Cho 等人在 2014 年提出。它和 LSTM 一样，旨在解决RNN 的梯度消失和梯度爆炸问题，同时能够建模长距离依赖信息。与 LSTM 相比，GRU 结构更简洁，参数更少，计算效率更高。GRU 是 LSTM 的简化版，在很多任务上能取得相似甚至更好的效果。优点：计算效率高、参数量少、适合大规模训练。缺点：缺少独立记忆单元，在极长序列任务中可能稍逊于 LSTM。在实际应用中，

本文记录了基于HuggingFace Transformers最新master分支对Qwen2模型的学习过程。主要内容包括：1) 开发环境搭建（Python 3.11、PyTorch CPU版）；2) 模型测试代码实现，通过调参创建轻量级配置；3) 核心架构分析，包括分词编码、DecoderLayer处理流程（RMSNorm归一化、自注意力机制、前馈网络）和分组查询注意力机制；4) Qwen2的三大优化点：RMSNorm计算优化、RoPE位置编码和GQA注意力机制；5) 开发中遇到的版本依赖问题及解决方法。

从基础功能到自主决策：Agent 开发进阶之路

正文详见：7.3 使用 LangChain 搭建本地 RAG 应用。

数据库审计

本文介绍了在Paddle3D中使用PETRv1模型进行3D物体检测的完整流程。首先通过Docker配置标准测试环境，安装Paddle3D并下载预训练权重。然后准备NuScenes迷你数据集，生成所需的注解文件。接着对原始模型进行精度测试，获取mAP、NDS等关键指标。最后将训练好的模型导出为推理格式，便于后续部署。文章详细说明了每个步骤的操作命令和参数含义，特别对精度测试结果中的各项指标进行了专业解读，帮助读者理解模型性能评估标准。整个流程涵盖了从环境搭建到最终模型导出的全链路操作，为3D目标检测任务提供了

在人工智能的浪潮中，“深度学习” 无疑是最热门的词汇之一。从手机里的人脸识别到语音助手，从自动驾驶汽车到医疗影像诊断，深度学习技术正悄然改变着我们的生活。

五类车辆分别是： [汽车、公共汽车、卡车、摩托车、自行车] 三种方向类型分别是： [前、后、侧] 因此车辆方向数据集共有 15 类车辆，其方向为 car_back、car_front、car_side、bus_back、bus_front 等。每行包含图像中车辆的类和边界框坐标。车辆方向数据集中 的所有车辆都标有车辆类别（五个类别）及其方向（三种类型）。将vehicle.part01.rar-vehicle.part24.rar放置再同一目录下，双击vehicle.part01.rar即可进行自动解压。

现在大模型依旧如火如荼，大模型训练和推理都少不了AI服务器，常见的就是英伟达GPU服务器，比如A100等。国产AI服务器也有很多，比如华为昇腾，这些服务器的算力如何，和英伟达的对比怎么样，作为大模型应用开发人员，需要有个了解，这样对部署的大模型性能有个大致判断。作为一个大模型应用工程师，了解国产AI服务器的指标，有利于掌握AI服务器的选型，也有利于在部署模型时，清楚模型运行的性能，知道优化模型性能的方向。