目录
• 第1章 为什么需要集成学习
• 1.1 混合训练数据
• 1.2 混合模型
• 1.3 混合组合
• 1.4 本章小结
• 第2章 混合训练数据
• 2.1 决策树
• 2.2 数据集采样
• 2.2.1 不替换采样（WOR）
• 2.2.2 替换采样（WR）
• 2.3 Bagging（装袋算法）
• 2.3.1 k重交叉验证
• 2.3.2 分层的k重交叉验证
• 2.4 本章小结
• 第3章 混合模型
• 3.1 投票集成
• 3.2 硬投票
• 3.3 均值法/软投票
• 3.4 超参数调试集成
• 3.5 水平投票集成
• 3.6 快照集成
• 3.7 本章小结
• ...
目录
• 讲义1 AI与人类能够对话吗
• 机器人会说话吗
• AI如何进行翻译
• RNN输出答案前的思考机制
• 学习指的是“区分”
• 图灵测试与“中文房间试验”
• 不会感到疲劳的人无法理解“疲劳”一词的意思吗
• AI能够理解“猫”吗
• 小朋友只能理解亲眼看到的东西吗
• 使用语言就是分解信息
• 讲义2 人脑和AI的区别是什么
• 人脑机能与AI学习法的相似性
• 短期记忆与长期记忆
• 出现错误时追踪溯源——误差反向传播法的机制
• 日本人不能发好“L”音和“R”音的原因
• 过拟合——AI不能应对的时候
• 人脑之谜与AI的进化
• 世界和人都是层级结构
• AI能够具...
目录
• 第1章 引言
• 1.1 目标
• 1.2 历史
• 1.3 应用
• 1.4 生物学启示
• 1.5 扩展阅读
• 第2章 神经元模型与网络结构
• 2.1 目标
• 2.2 理论与例子
• 2.2.1 McCulloch - Pitts神经元模型
• 2.2.2 线性联想器
• 2.2.3 神经网络结构
• 2.3 小结
• 2.4 例题
• 2.5 结束语
• 2.6 习题
• 第3章 一个说明性的例子
• 3.1 目标
• 3.2 理论与例子
• 3.2.1 问题描述
• 3.2.2 感知机
• 3.2.3 Hamming网络
• 3.2.4 Hopfield网络
• ...
目录
• 第1章 时间序列预测概述
• 1.1 时间序列预测的机器学习方法
• 1.2 时间序列预测的监督学习
• 1.3 基于pandas的时间序列预测
• 1.4 时间序列预测的实验设置
• 1.5 总结
• 第2章 如何在云上设计一个端到端的时间序列预测解决方案
• 2.1 时间序列预测模板
• 2.1.1 业务理解和性能度量
• 2.1.2 数据源提取
• 2.1.3 数据探索与理解
• 2.1.4 数据预处理和特征工程
• 2.1.5 模型的创建和选择
• 2.2 需求建模技术概述
• 2.2.1 模型开发
• 2.2.2 模型部署
• 第3章 时间序列数据的准备
• 3.1 ...
以下是一个使用 Autogen（An Open-Source Programming Framework for Agentic AI）搭建软件开发团队的方案：
以下是一篇关于 “Autogen: An Open-Source Programming Framework for Agentic AI” 的技术分析报告：
一、引言
随着人工智能技术的迅速发展，Agentic AI 作为一种新兴的范式，旨在赋予智能体（agents）自主决策、交互协作以及执行复杂任务的能力，以实现更加智能和高效的系统。Autogen 作为一个开源的编程框架，为 Agentic AI 的开发提供了有力的支持和工具，本报告将深入分析其技术特点、架构设计、功能实现以及潜在的应用领域和未来发展方向。
二、技术概述
Autogen 是一个专注于...
以下是一份关于股票推荐系统的需求说明书示例：
随着金融市场的不断发展和投资者对股票投资的需求增加，一个能够根据特定选股策略智能推荐股票，并提供买点和卖点参考的系统具有重要的实用价值。本股票推荐系统旨在帮助投资者在日交易模式下，做出更明智的投资决策，提高投资收益的可能性。
要精通Autogen，你可以从以下几个方面提出问题来深入学习和理解：
Nginx 作为一款高性能的 HTTP 和反向代理服务器，广泛应用于各类 Web 服务架构中。然而，在实际使用过程中，可能会遇到诸如 504 错误这样的问题。本文将深入探讨 Nginx 504 错误的成因，并详细介绍与之相关的重要配置参数，帮助读者更好地理解和解决这类问题，优化 Nginx 的性能和稳定性。
当客户端向 Nginx 服务器发起请求时，如果长时间未得到响应，最终可能会收到一个 504 Gateway Time-out 错误。这意味着 Nginx 在充当代理服务器时，无法...
在当今数字化时代，运维工作面临着前所未有的挑战与机遇。随着信息技术的飞速发展，企业的 IT 基础设施日益复杂，包含海量的服务器、存储设备、网络组件以及多样化的软件应用系统。传统的运维模式主要依赖于人工经验和手动操作，在面对如此庞大且复杂的运维环境时，逐渐暴露出诸多局限性，例如故障排查效率低下、问题定位不准确、难以提前预测潜在风险等。而智能诊断技术的出现，为运维领域带来了创新性的解决方案，它借助先进的人工智能、大数据分析、机器学习等技术手段，能够对运维数据进行深度挖掘与分析，实现自动化、智能化的故障诊断与预测，显著提升运维工作的效率、准确性...