首页
学习
活动
专区
工具
TVP
发布

数据魔术师

专栏作者
290
文章
731843
阅读量
202
订阅数
数据魔术师带你体验全新的人工智能聊天机器人ChatGPT!
ChatGPT是OpenAI开发的一个大型预训练语言模型,凭借其强大的信息整合和对话能力震惊全球。这么强大的工具我们都想体验一下,那么 ChatGPT如何使用呢?本文将为你详细介绍。
用户1621951
2023-01-05
5.9K0
香港科技大学工业工程与决策分析系2023年PhD及MPhil提前招生正式启动!
香港科技大学 工业工程与决策分析系 IEDA HKUST Making Smart Decisions 香港科技大学工业工程与决策分析系 2023年PhD及MPhil提前招生正式启动! #1 关于HKUST IEDA 香港科技大学工业工程与决策分析学系在世界各种工业工程学科排名中名列前茅。例如在最新的泰晤士高等教育世界大学排名(Times Higher Education World University Rankings)和 QS 世界大学排名中,我系分别位列工程与技术学科全球第 28
用户1621951
2022-09-21
1.6K0
学术报告|数据魔术师运筹优化及人工智能系列讲座第36期(2022年8月27日 上午 9:00-11:00 )
腾讯会议参加人数上限为300人 打赏后的小伙伴,将会被邀请进入讲座临时腾讯会议群 打赏方式见文章末尾处 打赏后请联系“数据魔术师小助手(见文末二维码)”进群 数据魔术师 运筹优化及人工智能系列讲座第36期 【活动信息】 题目:‍决策相关模糊集下的多阶段分布式鲁棒优化 主 讲 人:  于弦  俄亥俄州立大学系统工程系助理教授 主 持 人:  程春  东北财经大学助理教授 活动时间: 2022年8月27日  上午9:00 - 11:00 讲座语言:中文 主办单位:数据魔术师 直播平台:通过数据魔术师粉
用户1621951
2022-08-25
4490
【通知】2022年第二届运筹优化及人工智能研讨会第二轮通知
2022年第二届运筹优化及 人工智能研讨会第二轮通知 PART ONE 会议介绍 各位专家、学者、同学:        感谢您对本届研讨会的持续关注!“第二届运筹优化及人工智能研讨会”将于2022年7月30日至8月1日在西安举办,由西北工业大学管理学院承办,研讨会聚焦运筹优化及人工智能技术和应用,旨在打造学界与业界交流合作平台,深度交流最新研究成果和前沿技术发展,探讨推动运筹优化及人工智能算法在交通运输、物流供应链、智能制造、智慧医疗和企业管理等领域中的应用。        本次会议特别邀请了一批在国
用户1621951
2022-07-18
1.5K0
学术报告|数据魔术师运筹优化及人工智能系列讲座第32期(2022年4月24日 下午14:30-17:30 )
腾讯会议参加人数上限为300人 打赏后的小伙伴,将会被邀请进入讲座临时腾讯会议群 打赏方式见文章末尾处 打赏后请联系“数据魔术师小助手(见文末二维码)”进群 数据魔术师 运筹优化及人工智能系列讲座第32期 【活动信息】 题目:整数规划建模及基于模型的算法设计 主 讲 人: 李延通  大连海事大学航运经济与管理学院副教授 主 持 人:  秦虎  华中科技大学管理学院教授 活动时间: 2022年4月24日 下午14:30 - 17:30 讲座语言:中文 主办单位:华中科技大学管理学院,数据魔术师 直
用户1621951
2022-03-21
5740
好书推荐 |《供应链调度》-作者陈志龙-美国马里兰大学商学院
书籍信息 名称:《Supply Chain Scheduling》(《供应链调度》) 作者:Zhi-Long Chen(陈志龙) 美国马里兰大学商学院,Nicholas Hall  美国俄亥俄大学商学院 出版社:Springer ISBN-13:  978-3030903725 ISBN-10:  3030903729 ” 简介 供应链调度是一个相对较新的研究领域,历时不到20年。它是两个传统领域的交叉点:供应链管理和调度。在本书中,作者全面介绍了供应链调度。本书涵盖了实际应用、解决相关问题的解决方案算法
用户1621951
2022-03-04
7080
MIT和亚马逊举办的路径优化比赛—— US$175000的解决方案分享
最后一公里配送问题,指的就是区域配送中心到末端设施这一段的配送问题。司机需要在配送中心装载好货物,按顺序访问多个末端设施进行收货或送货操作,最后回到配送中心。
用户1621951
2022-01-21
6480
运筹学教学|三种TSP问题算法的对比试验及分配问题和TSP问题求解速度对比
关于这三种算法的详细步骤,小编在这里就不再赘述啦,让我们直接进入正题~想要了解这些算法的同学可参考以下推文:
用户1621951
2021-03-16
2.8K0
强化学习DQN玩转FlappyBird|前景提要
强化学习是机器学习大家族中的一大类, 使用强化学习能够让机器学着如何在环境中拿到高分, 表现出优秀的成绩. 而这些成绩背后却是他所付出的辛苦劳动, 不断的试错, 不断地尝试, 累积经验, 学习经验。
用户1621951
2020-11-03
1.3K0
论文算法复现-推荐算法 | 考虑信任传播的概率矩阵分解
通常,在推荐系统中,我们有一组用户和一组项目。每个用户通过一些值对一组项目进行评分。推荐系统的任务是预测用户u在未评级项目i上的评级,或者通常根据已经存在的评级为给定用户u推荐一些项目。
用户1621951
2020-04-24
1.7K1
最短路问题与标号算法(label setting algorithm)研究(1) - 开篇介绍
本系列推文重在从算法基本原理、复杂度分析、优缺点、代码实现、算法扩展等方面科普Label Correcting Algorithm(最短路算法重要分支),同时给出了下一步学习内容建议。
用户1621951
2020-04-24
1.9K0
如何正确初始化神经网络的权重参数
近几年,随着深度学习的大火,越来越多的人选择去入门、学习、钻研这一领域,正确初始化神经网络的参数对神经网络的最终性能有着决定性作用。如果参数设置过大,会出现梯度爆炸的现象,导致网络训练过程发散;而如果参数设置过小,会出现梯度消失的现象,导致收敛极其缓慢。本文是作者拜读Xavier Glorot于2016年在ICML上发表的《Understanding the difficulty of training deep feedforward》及Katanforoosh & Kunin的“Initializing neural networks”后的读书笔记。
用户1621951
2020-02-28
3.2K0
实战演练 | 基于深度学习训练模型正确识别肺炎X光图片
肺炎是由多种病源菌引起的肺充血,水肿,炎性细胞浸润和渗出性病变,是生活中较为常见的一种疾病。早期感冒咳嗽如果护理不当,既有可能转化为肺炎。临床常见且可发生于任何人群。临床表现主要有发热,咳嗽,咳痰,呼吸困难等。
用户1621951
2019-11-14
2.1K0
强化学习读书笔记(14)| 资格迹 Eligibility Traces(上)
资格迹与TD error的结合提供了一个高效增量形式的在MC和TD算法之间转换和选择的方式。第七章介绍的n步算法也能做到,但是eligibility trace方法更加通用,学习速度更快而且共不同计算复杂度的选择。
用户1621951
2019-11-08
1.5K0
强化学习读书笔记(13)| Off-policy Methods with Approximation(下)
TDC on Baird’s counterexample 问题描述见 Off-policy Methods with Approximation(上)。
用户1621951
2019-11-05
7520
干货 | 关于数学规划求解器lp_solve 超全面超详细的教程
Mixed Integer Linear Programming (MILP) solver lp_solve solves pure linear, (mixed) integer/binary, semi-cont and special ordered sets (SOS) models.lp_solve is written in ANSI C and can be compiled on many different platforms like Linux and WINDOWS
用户1621951
2019-10-18
1.7K0
干货 | 嘿,快递,这里有份数学规划求解器SCIP超详细的使用教程,请你收下
小伙伴们大家好呀!继上次lp_solve规划求解器的推文出来以后,大家都期待着更多求解器的具体介绍和用法。小编哪敢偷懒,这不,赶在考试周之际,又在忙里偷闲中给大家送上一篇SCIP规划求解的推文教程。快一起来看看吧。
用户1621951
2019-10-18
3.3K0
强化学习读书笔记(10)| On-policy Prediction with Approximation(下)
本讲将继续学习使用on-policy的数据对状态值函数进行逼近,也就是在策略π下估计值函数vπ。
用户1621951
2019-10-09
7320
强化学习读书笔记(9)| On-policy Prediction with Approximation(上)
从本讲开始进入第二部分,我们扩展了第一部分中介绍的tabular方法,以适用于任意大的状态空间的问题。在我们想要应用强化学习的许多任务中,状态空间是组合的和巨大的。在这种情况下,即使在无限时间和数据的限制下,我们也不能期望找到最优策略或最优值函数; 我们的目标是使用有限的计算资源找到一个好的近似解决方案。
用户1621951
2019-10-09
9170
强化学习读书笔记(7)| n步自举(n-step Bootstrapping)
由于蒙特卡洛算法(MC)和一步差分算法(one-step TD) 都了采取比较极端的形式,所以这两种方法都不可能永远是最优的,最佳的方法往往就是介于TD和MC之间。n步Bootstrapping是MC和TD(0)的综合。随着对参数n的调整,我们可以看到TD是如何过渡到MC的。
用户1621951
2019-09-09
2.1K0
点击加载更多
社区活动
腾讯技术创作狂欢月
“码”上创作 21 天,分 10000 元奖品池!
Python精品学习库
代码在线跑,知识轻松学
博客搬家 | 分享价值百万资源包
自行/邀约他人一键搬运博客,速成社区影响力并领取好礼
技术创作特训营·精选知识专栏
往期视频·千货材料·成员作品 最新动态
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档