AI算法与模型共82篇
AI算法与模型模块深入探讨机器学习、优化算法和深度学习等人工智能的核心技术。通过详细的理论讲解与实战案例，帮助学习者理解各种算法的原理和应用，掌握如何构建和优化AI模型。无论是监督学习、无监督学习，还是神经网络的实现与优化，这里都提供了系统的学习资料~
排序
机器学习简介
1 机器学习基础 1.1 机器学习的定义与核心概念 为了更深入地理解机器学习，我们可以从以下核心概念入手： 数据驱动：机器学习完全依赖于数据。这些数据既可以是结构化的，如表格，也可以是非结...
6个月前
扩散模型（Diffusion Model）
扩散模型的基本原理 Denoising Diffusion Probabilistic Models (DDPM) 是一种利用扩散过程来生成样本的深度学习模型。其主要的灵感来源于扩散过程，通过逐渐增加噪音来模糊一个初始的图像，并...
5个月前
基于价值的深度强化学习（DQN）
1 DQN介绍 要理解DQN，我们首先需要理解Q值。Q值是一个函数，Q(s, a)表示在状态s下执行动作a可以得到的预期奖励。直观上讲，Q值告诉智能体哪些动作在长期来看更有利。 Q学习的目标是找到最优的Q...
5个月前
基于策略的深度强化学习
1 算法介绍：基于策略的强化学习 想象一下，你正在教一个机器人学习如何走路。在基于策略的强化学习方法中，你直接告诉这个机器人在每一步该如何行动。这种指导是通过一个概率模型来实现的，即...
5个月前
强化学习基础概念
1 概念 在这个不断进步的技术世界中，强化学习（Reinforcement Learning, RL）作为机器学习的一个重要分支，正迅速发展成为理解人工智能（AI）和机器学习领域的关键。与传统的机器学习方法相比...
5个月前
变分自编码器（VAE）算法详解
VAE模型简明指导 VAE最想解决的问题是如何构造编码器和解码器，使得图片能够编码成易于表示的形态，并且这一形态能够尽可能无损地解码回原真实图像。 这似乎听起来与PCA（主成分分析）有些相似...
5个月前
Graph Sample and Aggregate Network（GraphSAGE）
不管是GraphSAGE，还是GCN，它们的核心思想其实与朴素的GNN思想一致，都是每个节点根据图的连接结构，通过聚合邻居信息来更新自身节点的信息，再把更新后的节点向量送入神经网络层做进一步的学...
5个月前
Graph Attention Networks（GAT）
本章来学习一下图注意力网络GAT，首先对标GCN，来谈谈它们的优缺点。 GCN是处理transductive任务的一把利器，transductive任务是指：训练阶段与测试阶段都基于同样的图结构，如下图所示。 ...
5个月前
Graph Convolutional Network（GCN）
这里先回顾一下之前讲解的朴素图神经网络，如下图： 朴素图神经网络 图中左上角方框部分可以看作图神经网络的初始状态。以 1 号节点为例, 在图神经网络中, 信息的传递是先汇聚一号节点的邻居节...
5个月前
遗传算法（Genetic Algorithm）
算法引言 遗传算法是一种模拟生物进化过程的搜索启发式算法。想象一下长颈鹿的进化过程：在古代，长颈鹿的祖先可能都有着不同长度的脖子。在食物竞争激烈的环境下，那些脖子较长、能够触及更高...
5个月前
图神经网络（GNN）
引言 图神经网络（Graph Neural Networks，GNNs）是一种专为图数据设计的深度学习模型。它们能够直接在图结构上操作，捕捉节点间的复杂关系和图的全局结构特征。图神经网络在多种任务中表现出色...
5个月前
