国产av日韩一区二区三区精品,成人性爱视频在线观看,国产,欧美,日韩,一区,www.成色av久久成人,2222eeee成人天堂

目錄
關(guān)鍵要點(diǎn)
機(jī)器學(xué)習(xí)的工作原理?
監(jiān)督學(xué)習(xí)
無監(jiān)督學(xué)習(xí)
強(qiáng)化學(xué)習(xí)
設(shè)置 Python 環(huán)境
步驟 1:定義問題
步驟 2:收集數(shù)據(jù)
步驟 3:拆分?jǐn)?shù)據(jù)集
步驟 4:構(gòu)建模型
步驟 5:評估模型
使用 Python 進(jìn)行機(jī)器學(xué)習(xí)的常見問題解答 (FAQ)
學(xué)習(xí)使用 Python 進(jìn)行機(jī)器學(xué)習(xí)的先決條件是什么?
Python 與其他機(jī)器學(xué)習(xí)語言相比如何?
我可以使用 Python 實(shí)現(xiàn)哪些常見的機(jī)器學(xué)習(xí)算法?
如何驗(yàn)證我的 Python 機(jī)器學(xué)習(xí)模型的性能?
我可以使用 Python 進(jìn)行監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)嗎?
如何處理機(jī)器學(xué)習(xí)模型中的過度擬合?
數(shù)據(jù)預(yù)處理在使用 Python 進(jìn)行機(jī)器學(xué)習(xí)中的作用是什么?
如何使用 Python 可視化機(jī)器學(xué)習(xí)模型的性能?
我可以使用 Python 進(jìn)行自然語言處理 (NLP) 嗎?
如何部署使用 Python 構(gòu)建的機(jī)器學(xué)習(xí)模型?
首頁 科技周邊 IT業(yè)界 Python的機(jī)器學(xué)習(xí)底漆

Python的機(jī)器學(xué)習(xí)底漆

Feb 10, 2025 pm 03:54 PM

A Primer on Machine Learning with Python

過去十年,機(jī)器學(xué)習(xí)已從科研實(shí)驗(yàn)室走向日常的網(wǎng)絡(luò)和移動(dòng)應(yīng)用程序。機(jī)器學(xué)習(xí)使您的應(yīng)用程序能夠執(zhí)行以前難以編程的任務(wù),例如檢測圖像中的物體和人臉、檢測垃圾郵件和仇恨言論,以及為電子郵件和消息應(yīng)用程序生成智能回復(fù)。

然而,執(zhí)行機(jī)器學(xué)習(xí)與經(jīng)典編程有著根本的不同。在本文中,您將學(xué)習(xí)機(jī)器學(xué)習(xí)的基礎(chǔ)知識(shí),并創(chuàng)建一個(gè)可以根據(jù)花朵測量結(jié)果預(yù)測花卉種類的基本模型。

關(guān)鍵要點(diǎn)

  • 機(jī)器學(xué)習(xí)已從科學(xué)研究實(shí)驗(yàn)室發(fā)展到日常的網(wǎng)絡(luò)和移動(dòng)應(yīng)用程序,使應(yīng)用程序能夠執(zhí)行以前難以編程的任務(wù)。
  • 機(jī)器學(xué)習(xí)依賴于經(jīng)驗(yàn),通過示例訓(xùn)練模型,而不是向其提供規(guī)則。機(jī)器學(xué)習(xí)算法有不同的類別,每種類別都可以解決特定問題:監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。
  • Python 由于其簡單性、可讀性和廣泛的生態(tài)系統(tǒng)(包括 Scikit-learn、TensorFlow 和 PyTorch 等庫和框架)而成為一種流行的機(jī)器學(xué)習(xí)語言。但是,理解 Python 編程、NumPy、Pandas 和 Matplotlib 等庫以及統(tǒng)計(jì)和概率的基本概念是前提條件。
  • 實(shí)施機(jī)器學(xué)習(xí)模型的過程包括定義問題、收集數(shù)據(jù)、將數(shù)據(jù)集拆分為訓(xùn)練集和測試集、構(gòu)建模型以及評估其性能。交叉驗(yàn)證和訓(xùn)練測試拆分等技術(shù),以及準(zhǔn)確性、精確率、召回率和 F1 分?jǐn)?shù)等指標(biāo),可用于驗(yàn)證模型的性能。

機(jī)器學(xué)習(xí)的工作原理?

經(jīng)典編程依賴于可以分解為不同的類、函數(shù)和 if-else 命令的明確定義的問題。另一方面,機(jī)器學(xué)習(xí)依賴于根據(jù)經(jīng)驗(yàn)發(fā)展其行為。您不是向機(jī)器學(xué)習(xí)模型提供規(guī)則,而是通過示例對其進(jìn)行訓(xùn)練。

機(jī)器學(xué)習(xí)算法有不同的類別,每種類別都可以解決特定問題。

監(jiān)督學(xué)習(xí)

監(jiān)督學(xué)習(xí)適用于您想要從輸入數(shù)據(jù)到結(jié)果的問題。所有監(jiān)督學(xué)習(xí)問題的共同特征是存在一個(gè)可以用來測試模型的真實(shí)情況,例如標(biāo)記的圖像或歷史銷售數(shù)據(jù)。

監(jiān)督學(xué)習(xí)模型可以解決回歸或分類問題?;貧w模型預(yù)測數(shù)量(例如銷售的商品數(shù)量或股票價(jià)格),而分類問題試圖確定輸入數(shù)據(jù)的類別(例如貓/狗/魚/鳥、欺詐/非欺詐)。

圖像分類、人臉檢測、股票價(jià)格預(yù)測和銷售預(yù)測是監(jiān)督學(xué)習(xí)可以解決的問題示例。

一些流行的監(jiān)督學(xué)習(xí)算法包括線性回歸和邏輯回歸、支持向量機(jī)、決策樹和人工神經(jīng)網(wǎng)絡(luò)。

無監(jiān)督學(xué)習(xí)

無監(jiān)督學(xué)習(xí)適用于您擁有數(shù)據(jù)但不是結(jié)果,而是尋找模式的問題。例如,您可能希望根據(jù)客戶的相似性將其分組為細(xì)分市場。這在無監(jiān)督學(xué)習(xí)中稱為聚類?;蛘?,您可能希望檢測偏離企業(yè)正?;顒?dòng)的惡意網(wǎng)絡(luò)流量。這稱為異常檢測,這是另一項(xiàng)無監(jiān)督學(xué)習(xí)任務(wù)。無監(jiān)督學(xué)習(xí)也可用于降維,這是一種通過去除無關(guān)特征來簡化機(jī)器學(xué)習(xí)任務(wù)的技巧。

一些流行的無監(jiān)督學(xué)習(xí)算法包括 K 均值聚類和主成分分析 (PCA)。

強(qiáng)化學(xué)習(xí)

強(qiáng)化學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支,其中智能體試圖通過與其環(huán)境交互來實(shí)現(xiàn)目標(biāo)。強(qiáng)化學(xué)習(xí)涉及動(dòng)作、狀態(tài)和獎(jiǎng)勵(lì)。未經(jīng)訓(xùn)練的強(qiáng)化學(xué)習(xí)智能體從隨機(jī)采取行動(dòng)開始。每個(gè)動(dòng)作都會(huì)改變環(huán)境的狀態(tài)。如果智能體發(fā)現(xiàn)自己處于所需狀態(tài),則會(huì)獲得獎(jiǎng)勵(lì)。智能體試圖找到產(chǎn)生最多獎(jiǎng)勵(lì)的動(dòng)作和狀態(tài)序列。

強(qiáng)化學(xué)習(xí)用于推薦系統(tǒng)、機(jī)器人技術(shù)和游戲機(jī)器人,例如谷歌的 AlphaGo 和 AlphaStar。

設(shè)置 Python 環(huán)境

在這篇文章中,我們將重點(diǎn)關(guān)注監(jiān)督學(xué)習(xí),因?yàn)樗亲盍餍械臋C(jī)器學(xué)習(xí)分支,并且其結(jié)果更容易評估。我們將使用 Python,因?yàn)樗哂性S多支持機(jī)器學(xué)習(xí)應(yīng)用程序的功能和庫。但是,一般概念可以應(yīng)用于任何具有類似庫的編程語言。

(如果您不熟悉 Python,freeCodeCamp 提供了一個(gè)很棒的速成課程,可以幫助您入門。)

通常用于數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)的 Python 庫之一是 Scikit-learn,它提供了流行機(jī)器學(xué)習(xí)算法的實(shí)現(xiàn)。Scikit-learn 不是基本 Python 安裝的一部分,您必須手動(dòng)安裝它。

macOS 和 Linux 預(yù)裝了 Python。要安裝 Scikit-learn 庫,請?jiān)诮K端窗口中鍵入以下命令:

<code>pip install scikit-learn</code>

或?qū)τ?Python 3:

<code>python3 -m pip install scikit-learn</code>

在 Microsoft Windows 上,您必須首先安裝 Python。您可以從官方網(wǎng)站獲取最新版本的 Windows Python 3 安裝程序。安裝 Python 后,在命令行窗口中鍵入以下命令:

<code>python -m pip install scikit-learn</code>

或者,您可以安裝 Anaconda 框架,其中包括獨(dú)立安裝的 Python 3 以及 Scikit-learn 和許多其他用于數(shù)據(jù)科學(xué)和機(jī)器學(xué)習(xí)的庫,例如 Numpy、ScipyMatplotlib。您可以在其官方網(wǎng)站上找到 Anaconda 免費(fèi)個(gè)人版的安裝說明。

步驟 1:定義問題

每個(gè)機(jī)器學(xué)習(xí)項(xiàng)目的第一個(gè)步驟是了解您想要解決的問題。定義問題將幫助您確定需要收集的數(shù)據(jù)類型,并讓您了解需要使用哪種機(jī)器學(xué)習(xí)算法。

在我們的例子中,我們想要?jiǎng)?chuàng)建一個(gè)模型,根據(jù)花瓣和萼片長度和寬度的測量結(jié)果來預(yù)測花的種類。

這是一個(gè)監(jiān)督分類問題。我們需要收集不同花卉標(biāo)本的測量列表及其相應(yīng)的物種。然后,我們將使用這些數(shù)據(jù)來訓(xùn)練和測試一個(gè)可以將測量結(jié)果映射到物種的機(jī)器學(xué)習(xí)模型。

步驟 2:收集數(shù)據(jù)

機(jī)器學(xué)習(xí)最棘手的部分之一是收集數(shù)據(jù)來訓(xùn)練您的模型。您必須找到一個(gè)可以收集訓(xùn)練模型所需數(shù)量數(shù)據(jù)的來源。您還需要驗(yàn)證數(shù)據(jù)的質(zhì)量,確保它代表模型將處理的不同情況,并避免收集包含隱藏偏差的數(shù)據(jù)。

幸運(yùn)的是,Scikit-learn 包含幾個(gè)玩具數(shù)據(jù)集,可以用來嘗試不同的機(jī)器學(xué)習(xí)算法。“鳶尾花數(shù)據(jù)集”恰好包含我們問題所需的確切數(shù)據(jù)。我們只需要從庫中加載它即可。

以下代碼加載住房數(shù)據(jù)集:

<code>pip install scikit-learn</code>

鳶尾花數(shù)據(jù)集包含 150 個(gè)觀測值,每個(gè)觀測值包含四個(gè)測量值 (iris.data) 和目標(biāo)花卉種類 (iris.target)。可以在 iris.feature_names 中看到數(shù)據(jù)列的名稱:

<code>python3 -m pip install scikit-learn</code>

iris.target 包含數(shù)據(jù)集中注冊的三個(gè)花卉種類之一的數(shù)字索引 (0-2)?;ɑ芊N類的名稱可在 iris.target_names 中找到:

<code>python -m pip install scikit-learn</code>

步驟 3:拆分?jǐn)?shù)據(jù)集

在開始訓(xùn)練之前,您必須將數(shù)據(jù)拆分為訓(xùn)練集和測試集。您將使用訓(xùn)練集來訓(xùn)練機(jī)器學(xué)習(xí)模型,并使用測試集來驗(yàn)證其準(zhǔn)確性。

這樣做是為了確保您的模型沒有過度擬合訓(xùn)練數(shù)據(jù)。過度擬合是指您的機(jī)器學(xué)習(xí)模型在訓(xùn)練示例上的表現(xiàn)良好,但在未見過的數(shù)據(jù)上的表現(xiàn)不佳。過度擬合可能是由于選擇了錯(cuò)誤的機(jī)器學(xué)習(xí)算法、對模型進(jìn)行了錯(cuò)誤的配置、訓(xùn)練數(shù)據(jù)不佳或訓(xùn)練示例太少而導(dǎo)致的。

根據(jù)您正在解決的問題類型和擁有的數(shù)據(jù)量,您必須確定要分配給測試集的數(shù)據(jù)量。通常,當(dāng)您擁有大量數(shù)據(jù)(大約數(shù)萬個(gè)示例)時(shí),即使只有大約 1% 的小樣本也足以測試您的模型。對于包含總共 150 條記錄的鳶尾花數(shù)據(jù)集,我們將選擇 75-25 分割。

Scikit-learn 有一個(gè) train_test_split 函數(shù),它將數(shù)據(jù)集拆分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集:

<code>from sklearn.datasets import load_iris

iris = load_iris()
</code>

train_test_split 獲取數(shù)據(jù)和目標(biāo)數(shù)據(jù)集,并返回用于訓(xùn)練 (X_train 和 y_train) 和測試 (X_test 和 y_test) 的兩對數(shù)據(jù)集。test_size 參數(shù)確定將分配給測試的數(shù)據(jù)百分比(介于 0 和 1 之間)。stratify 參數(shù)確保訓(xùn)練數(shù)組和測試數(shù)組包含來自每個(gè)類別的平衡樣本數(shù)。random_state 變量存在于 Scikit-learn 的許多函數(shù)中,用于控制隨機(jī)數(shù)生成器并實(shí)現(xiàn)可重復(fù)性。

步驟 4:構(gòu)建模型

現(xiàn)在我們的數(shù)據(jù)已準(zhǔn)備就緒,我們可以創(chuàng)建一個(gè)機(jī)器學(xué)習(xí)模型并在訓(xùn)練集上對其進(jìn)行訓(xùn)練。有許多不同的機(jī)器學(xué)習(xí)算法可以解決我們正在處理的分類問題。在我們的例子中,我們將使用“邏輯回歸”算法,它非??欤m用于簡單且不包含太多維度的分類問題。

Scikit-learn 的 LogisticRegression 類實(shí)現(xiàn)了此算法。實(shí)例化它之后,我們將通過調(diào)用 fit 函數(shù)在我們的訓(xùn)練集 (X_train 和 y_train) 上對其進(jìn)行訓(xùn)練。這將調(diào)整模型的參數(shù)以找到測量值和花卉種類之間的映射。

<code>pip install scikit-learn</code>

步驟 5:評估模型

現(xiàn)在我們已經(jīng)訓(xùn)練了模型,我們想要衡量它的準(zhǔn)確性。LogisticRegression 類有一個(gè) score 方法,它返回模型的準(zhǔn)確性。首先,我們將衡量模型在訓(xùn)練數(shù)據(jù)上的準(zhǔn)確性:

<code>python3 -m pip install scikit-learn</code>

這將返回大約 0.97,這意味著該模型準(zhǔn)確預(yù)測了 97% 的訓(xùn)練示例的類別,考慮到我們每個(gè)物種只有大約 37 個(gè)訓(xùn)練示例,這已經(jīng)相當(dāng)不錯(cuò)了。

接下來,我們將檢查模型在測試集上的準(zhǔn)確性:

<code>python -m pip install scikit-learn</code>

這將給我們大約 95% 的結(jié)果,略低于訓(xùn)練準(zhǔn)確性,這是很自然的,因?yàn)檫@些是模型從未見過的示例。通過創(chuàng)建更大的數(shù)據(jù)集或嘗試另一種機(jī)器學(xué)習(xí)算法(例如支持向量機(jī)),我們或許能夠進(jìn)一步提高模型的準(zhǔn)確性,并彌合訓(xùn)練和測試性能之間的差距。

最后,我們想看看如何在新的示例上使用我們訓(xùn)練好的模型。LogisticRegression 類有一個(gè) predict 函數(shù),它以觀測值數(shù)組作為輸入,并返回預(yù)測的類別。在我們的花卉分類器模型的情況下,我們需要向它提供四個(gè)測量值的數(shù)組(萼片長度、萼片寬度、花瓣長度、花瓣寬度),它將返回一個(gè)整數(shù),表示花的類別:

<code>from sklearn.datasets import load_iris

iris = load_iris()
</code>

恭喜!您創(chuàng)建了您的第一個(gè)機(jī)器學(xué)習(xí)模型。我們現(xiàn)在可以將其組合到一個(gè)應(yīng)用程序中,該應(yīng)用程序從用戶那里獲取測量結(jié)果并返回花卉種類:

<code>print(iris.feature_names)
'''
['sepal length (cm)',
 'sepal width (cm)',
 'petal length (cm)',
 'petal width (cm)']
'''
</code>

希望這是您成為機(jī)器學(xué)習(xí)大師的第一步。從這里開始,您可以繼續(xù)學(xué)習(xí)其他機(jī)器學(xué)習(xí)算法,學(xué)習(xí)更多關(guān)于機(jī)器學(xué)習(xí)基本概念的知識(shí),并繼續(xù)學(xué)習(xí)更高級(jí)的主題,例如神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)。通過一些學(xué)習(xí)和實(shí)踐,您將能夠創(chuàng)建能夠檢測圖像中的物體、處理語音命令并與用戶進(jìn)行對話的非凡應(yīng)用程序。

使用 Python 進(jìn)行機(jī)器學(xué)習(xí)的常見問題解答 (FAQ)

學(xué)習(xí)使用 Python 進(jìn)行機(jī)器學(xué)習(xí)的先決條件是什么?

要開始學(xué)習(xí)使用 Python 進(jìn)行機(jī)器學(xué)習(xí),您需要對 Python 編程有基本的了解。熟悉 NumPy、Pandas 和 Matplotlib 等庫也很有益。此外,對統(tǒng)計(jì)和概率的基本了解至關(guān)重要,因?yàn)樗鼈儤?gòu)成了機(jī)器學(xué)習(xí)算法的核心。

Python 與其他機(jī)器學(xué)習(xí)語言相比如何?

由于其簡單性和可讀性,Python 是最流行的機(jī)器學(xué)習(xí)語言之一。它擁有廣泛的庫和框架,例如 Scikit-learn、TensorFlow 和 PyTorch,這些庫和框架簡化了機(jī)器學(xué)習(xí)模型的開發(fā)。R 和 Java 等其他語言也用于機(jī)器學(xué)習(xí),但 Python 廣泛的生態(tài)系統(tǒng)使其成為許多人的首選。

我可以使用 Python 實(shí)現(xiàn)哪些常見的機(jī)器學(xué)習(xí)算法?

Python 的 Scikit-learn 庫提供了各種機(jī)器學(xué)習(xí)算法的實(shí)現(xiàn)。一些常用的算法包括線性回歸、邏輯回歸、決策樹、隨機(jī)森林、支持向量機(jī)和 k 近鄰。對于深度學(xué)習(xí),您可以使用 TensorFlow 和 PyTorch 等庫。

如何驗(yàn)證我的 Python 機(jī)器學(xué)習(xí)模型的性能?

您可以使用交叉驗(yàn)證和訓(xùn)練測試拆分等技術(shù)來驗(yàn)證模型的性能。Python 的 Scikit-learn 庫為此提供了函數(shù)。此外,您可以使用準(zhǔn)確性、精確率、召回率和 F1 分?jǐn)?shù)等指標(biāo)來進(jìn)行分類問題,并使用均方誤差或 R 平方來進(jìn)行回歸問題。

我可以使用 Python 進(jìn)行監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)嗎?

是的,Python 支持監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)??梢允褂?Scikit-learn 等庫來實(shí)現(xiàn)回歸和分類等監(jiān)督學(xué)習(xí)算法。對于無監(jiān)督學(xué)習(xí),您可以使用 K 均值、層次聚類和 DBSCAN 等聚類算法。

如何處理機(jī)器學(xué)習(xí)模型中的過度擬合?

可以使用正則化、提前停止和神經(jīng)網(wǎng)絡(luò)的 dropout 等技術(shù)來處理過度擬合。您還可以使用 bagging 和 boosting 等集成方法來減少過度擬合。

數(shù)據(jù)預(yù)處理在使用 Python 進(jìn)行機(jī)器學(xué)習(xí)中的作用是什么?

數(shù)據(jù)預(yù)處理是機(jī)器學(xué)習(xí)中的一個(gè)關(guān)鍵步驟。它包括清理數(shù)據(jù)、處理缺失值、編碼分類變量和縮放特征。Python 提供了 Pandas 和 Scikit-learn 等庫,可以進(jìn)行高效的數(shù)據(jù)預(yù)處理。

如何使用 Python 可視化機(jī)器學(xué)習(xí)模型的性能?

您可以使用 Matplotlib 和 Seaborn 等庫來可視化模型的性能。這些庫提供了繪制混淆矩陣、ROC 曲線和學(xué)習(xí)曲線等圖形的函數(shù)。

我可以使用 Python 進(jìn)行自然語言處理 (NLP) 嗎?

是的,Python 提供了 NLTK 和 SpaCy 等庫用于自然語言處理。這些庫提供了標(biāo)記化、詞性標(biāo)注、命名實(shí)體識(shí)別和情感分析等功能。

如何部署使用 Python 構(gòu)建的機(jī)器學(xué)習(xí)模型?

您可以使用 Flask 或 Django 等 Web 框架來部署機(jī)器學(xué)習(xí)模型。對于大規(guī)模部署,您可以使用 AWS、Google Cloud 或 Azure 等云平臺(tái)。它們提供模型部署、擴(kuò)展和監(jiān)控的服務(wù)。

以上是Python的機(jī)器學(xué)習(xí)底漆的詳細(xì)內(nèi)容。更多信息請關(guān)注PHP中文網(wǎng)其他相關(guān)文章!

本站聲明
本文內(nèi)容由網(wǎng)友自發(fā)貢獻(xiàn),版權(quán)歸原作者所有,本站不承擔(dān)相應(yīng)法律責(zé)任。如您發(fā)現(xiàn)有涉嫌抄襲侵權(quán)的內(nèi)容,請聯(lián)系admin@php.cn

熱AI工具

Undress AI Tool

Undress AI Tool

免費(fèi)脫衣服圖片

Undresser.AI Undress

Undresser.AI Undress

人工智能驅(qū)動(dòng)的應(yīng)用程序,用于創(chuàng)建逼真的裸體照片

AI Clothes Remover

AI Clothes Remover

用于從照片中去除衣服的在線人工智能工具。

Clothoff.io

Clothoff.io

AI脫衣機(jī)

Video Face Swap

Video Face Swap

使用我們完全免費(fèi)的人工智能換臉工具輕松在任何視頻中換臉!

熱工具

記事本++7.3.1

記事本++7.3.1

好用且免費(fèi)的代碼編輯器

SublimeText3漢化版

SublimeText3漢化版

中文版,非常好用

禪工作室 13.0.1

禪工作室 13.0.1

功能強(qiáng)大的PHP集成開發(fā)環(huán)境

Dreamweaver CS6

Dreamweaver CS6

視覺化網(wǎng)頁開發(fā)工具

SublimeText3 Mac版

SublimeText3 Mac版

神級(jí)代碼編輯軟件(SublimeText3)

熱門話題

SaaS的5個(gè)最佳支付門戶:您的最終指南 SaaS的5個(gè)最佳支付門戶:您的最終指南 Jun 29, 2025 am 08:28 AM

付款網(wǎng)關(guān)是付款過程的關(guān)鍵組成部分,使企業(yè)能夠在線接受付款。它充當(dāng)客戶與商人之間的橋梁,安全地傳輸付款信息并促進(jìn)交易。 為了

用于購買SSL證書的經(jīng)濟(jì)有效的轉(zhuǎn)售商平臺(tái) 用于購買SSL證書的經(jīng)濟(jì)有效的轉(zhuǎn)售商平臺(tái) Jun 25, 2025 am 08:28 AM

在一個(gè)在線信任不可談判的世界中,SSL證書對于每個(gè)網(wǎng)站都至關(guān)重要。 SSL認(rèn)證的市場規(guī)模在2024年價(jià)值56億美元,并且由于電子商務(wù)業(yè)務(wù)的激增而推動(dòng)了強(qiáng)勁的增長

新研究聲稱AI比我們更好地'理解”情緒。特別是在情感上充滿電的情況下 新研究聲稱AI比我們更好地'理解”情緒。特別是在情感上充滿電的情況下 Jul 03, 2025 pm 05:48 PM

在我們認(rèn)為人類始終超越機(jī)器的領(lǐng)域的另一個(gè)挫折中,研究人員現(xiàn)在建議AI比我們更好地理解情感。研究人員發(fā)現(xiàn)人工智能證明了一個(gè)

由于新的Microsoft AI型號(hào) 由于新的Microsoft AI型號(hào) Jul 05, 2025 am 12:44 AM

一種新的人工智能(AI)模型已經(jīng)證明了比幾個(gè)使用最廣泛使用的全球預(yù)測系統(tǒng)更快,更精確地預(yù)測重大天氣事件的能力。該名為Aurora的模型已接受過培訓(xùn)。

您的設(shè)備喂養(yǎng)AI助手并收集個(gè)人數(shù)據(jù),即使他們睡著了。這是如何知道您分享的內(nèi)容。 您的設(shè)備喂養(yǎng)AI助手并收集個(gè)人數(shù)據(jù),即使他們睡著了。這是如何知道您分享的內(nèi)容。 Jul 05, 2025 am 01:12 AM

不管喜歡與否,人工智能已成為日常生活的一部分。許多設(shè)備(包括電動(dòng)剃須刀和牙刷)已成為AI驅(qū)動(dòng)的“使用機(jī)器學(xué)習(xí)算法來跟蹤一個(gè)人的使用方式,Devi的方式

高級(jí)AI型號(hào)的CO&#8322;回答相同問題時(shí)的排放量比更常見的LLM 高級(jí)AI型號(hào)的CO&#8322;回答相同問題時(shí)的排放量比更常見的LLM Jul 06, 2025 am 12:37 AM

根據(jù)最近的一項(xiàng)研究,我們試圖使AI模型的功能越精確,其碳排放量就越大 - 某些提示產(chǎn)生的二氧化碳比其他提示高達(dá)50倍。

威脅AI聊天機(jī)器人,它將撒謊,作弊和'讓您死”以阻止您,并警告 威脅AI聊天機(jī)器人,它將撒謊,作弊和'讓您死”以阻止您,并警告 Jul 04, 2025 am 12:40 AM

根據(jù)一項(xiàng)新的研究,人工智能(AI)模型在模型的目標(biāo)和用戶決定之間發(fā)生沖突時(shí)可能會(huì)威脅和勒索人類。

See all articles