摘要：
我在做自由职业数据科学家的前三个月学到了什么 原文：towardsdatascience.com/what-i-learned-in-my-first-3-months-as-a-freelance-data-scientist-8e3417ff8165?source=collection_arch 阅读全文
posted @ 2026-10-17 13:19
绝不原创的飞龙
阅读(6)
评论(0)
推荐(0)
摘要：
如果 ChatGPT 实际上是来自另一个世界的导游呢？（第二部分） 原文：towardsdatascience.com/what-if-chatgpt-is-actually-a-tour-guide-from-another-world-part-2-fa0e50927f1d?source=col 阅读全文
posted @ 2026-10-17 13:19
绝不原创的飞龙
阅读(7)
评论(0)
推荐(0)
摘要：
专家系统发生了什么？ 原文：towardsdatascience.com/what-happened-with-expert-systems-aad399eab180 他们的灭亡原因可能会让你感到惊讶。 年轻人可能不熟悉这个术语，但“专家系统”是 20 世纪 80 年代和 90 年代的一项重大技术倡 阅读全文
posted @ 2026-10-17 13:19
绝不原创的飞龙
阅读(3)
评论(0)
推荐(0)
摘要：
什么构成了 AI？探索 GenAI 技术栈 原文：towardsdatascience.com/what-goes-into-ai-exploring-the-genai-technology-stack-7147d147997b?source=collection_archive 1 #2024- 阅读全文
posted @ 2026-10-17 13:19
绝不原创的飞龙
阅读(6)
评论(0)
推荐(0)
摘要：
什么是“Eval”，为什么产品经理需要关注它？ 原文：towardsdatascience.com/what-exactly-is-an-eval-and-why-should-product-managers-care-b596dca275a7?source=collection_archive 阅读全文
posted @ 2026-10-17 13:19
绝不原创的飞龙
阅读(6)
评论(0)
推荐(0)
摘要：
什么是算法？图灵机解释 原文：towardsdatascience.com/what-exactly-is-an-algorithm-turing-machines-explained-76a32fe71a37?source=collection_archive 7 #2024-04-25 图灵机简 阅读全文
posted @ 2026-10-17 13:19
绝不原创的飞龙
阅读(6)
评论(0)
推荐(0)
摘要：
“梦想无限”对 LinkedIn 数据科学创新的意义 原文：towardsdatascience.com/what-dream-big-meant-for-data-science-innovation-at-linkedin-ac4786aa546e “我感觉自己陷入了维护仪表板和分析 A/B 测 阅读全文
posted @ 2026-10-17 13:19
绝不原创的飞龙
阅读(5)
评论(0)
推荐(0)
摘要：
大型语言模型究竟“理解”什么？ 原文：towardsdatascience.com/what-do-large-language-models-understand-befdb4411b77?source=collection_archive 1 #2024-08-21 深入探讨理解的含义以及它如何 阅读全文
posted @ 2026-10-17 13:19
绝不原创的飞龙
阅读(7)
评论(0)
推荐(0)
摘要：
成为数据科学家的第一步需要做什么？ 原文：towardsdatascience.com/what-does-it-take-to-get-your-foot-in-the-door-as-a-data-scientist-500ec3002a49?source=collection_archive 阅读全文
posted @ 2026-10-17 13:19
绝不原创的飞龙
阅读(4)
评论(0)
推荐(0)
摘要：
我从 2024 年构建 LLM 应用中学到了什么？——第一部分 原文：towardsdatascience.com/what-did-i-learn-from-building-llm-applications-in-2024-part-1-d299b638773b?source=collectio 阅读全文
posted @ 2026-10-17 13:19
绝不原创的飞龙
阅读(3)
评论(0)
推荐(0)
摘要：
情绪在法律上的定义是什么？这真重要吗？ 原文：towardsdatascience.com/what-are-emotions-legally-speaking-and-does-it-even-matter-4b5ebf8de058?source=collection_archive 9 #202 阅读全文
posted @ 2026-10-17 13:19
绝不原创的飞龙
阅读(5)
评论(0)
推荐(0)
摘要：
什么是数字孪生？ 原文：towardsdatascience.com/what-are-digital-twins-artificial-intelligence-65844333e25a 你听说过“数字孪生”这个术语吗？或者，自从在会议全体会议上遇到它以来，只有我一个人一直在听到它？ 在本质上，数 阅读全文
posted @ 2026-10-17 13:19
绝不原创的飞龙
阅读(5)
评论(0)
推荐(0)
摘要：
15 位顶级数据科学家的建议 原文：towardsdatascience.com/what-15-data-scientists-say-about-key-skills-79155813be5a 成为“优秀”或甚至“杰出”的数据科学家需要哪些基本技能？ 好吧，我询问了来自多个公司和行业的 15 位 阅读全文
posted @ 2026-10-17 13:19
绝不原创的飞龙
阅读(3)
评论(0)
推荐(0)
摘要：
《我在 Uber、Meta 和初创公司工作的 10 年，教会了我关于数据分析的经验》 原文：towardsdatascience.com/what-10-years-at-uber-meta-and-startups-taught-me-about-data-analytics-fd948b9125 阅读全文
posted @ 2026-10-17 13:19
绝不原创的飞龙
阅读(8)
评论(0)
推荐(0)
摘要：
Nvidia GTC 人工智能大会 2024 笔记（二） 回答（David）： 我分享一下我的想法，也许其他小组成员也有他们的想法。这与Geway刚才谈到的可访问性有关。模型很大、很重，推理需要很长时间。过去六个月出现了很多创新，现在似乎每周都有关于如何压缩它们、让它们运行更快、让训练更容易的新技术 阅读全文
posted @ 2026-10-17 13:17
绝不原创的飞龙
阅读(5)
评论(0)
推荐(0)
摘要：
Nvidia GTC 人工智能大会 2024 笔记（一） 001：变革AI - NVIDIA GTC 2024 黄仁勋主持的专题讨论会 在本节课中，我们将一起回顾NVIDIA GTC 2024大会上一个由CEO黄仁勋主持的重要专题讨论会。我们将了解现代计算的发展历程、加速计算的兴起，以及Transf 阅读全文
posted @ 2026-10-17 13:17
绝不原创的飞龙
阅读(8)
评论(0)
推荐(0)
摘要：
Nvidia CUDA 并行编程笔记（三） 注意事项： 需要处理数组大小非2的幂的情况（例如，在数组末尾填充0）。 当使用多个线程块时，需要先在各块内进行归约，然后再对块的结果进行归约，并可能使用grid.sync()或启动多个内核。 前缀和（Prefix Sum） 在学习了归约之后，我们来看一个与 阅读全文
posted @ 2026-10-17 13:17
绝不原创的飞龙
阅读(5)
评论(0)
推荐(0)
摘要：
Nvidia CUDA 并行编程笔记（二） 共享内存的本质：它是GPU上可由程序员控制的高速、片上内存，以线程块为单位进行分配和管理。 声明方法：使用 __shared__ 限定符在内核中声明变量或数组。 核心价值：用于数据重用以降低延迟，以及实现线程块内的线程间协作与通信。 关键挑战：并发访问共享 阅读全文
posted @ 2026-10-17 13:17
绝不原创的飞龙
阅读(6)
评论(0)
推荐(0)
摘要：
Nvidia CUDA 并行编程笔记（一） 001：NVIDIA CUDA中的HelloWorld程序写法 🚀 在本节课中，我们将学习如何编写和运行CUDA程序。我们将从最简单的“Hello World”程序开始，逐步探索其不同变体，并了解如何执行多线程程序以及如何在GPU上分配内存。 概述 本节 阅读全文
posted @ 2026-10-17 13:17
绝不原创的飞龙
阅读(4)
评论(0)
推荐(0)
摘要：
英伟达 CUDA 入门笔记（一） 001：CUDA C++基础 概述 在本节课中，我们将开始学习如何编写语法正确的CUDA程序，并确保程序能给出正确的结果。这是任何编程学习的第一步，之后我们才会关注性能优化。 课程介绍 我是来自NVIDIA的Bob Corvello，是一名解决方案架构师。我的同事R 阅读全文
posted @ 2026-10-17 13:17
绝不原创的飞龙
阅读(4)
评论(0)
推荐(0)
摘要：
NUS CS1101S：SICP JavaScript 描述（八） 原文：SICP JavaScript 译者：飞龙 协议：CC BY-NC-SA 4.0 与元循环求值器中的eval_sequence不同，ev_sequence不需要检查是否求值了返回语句以终止序列求值。这个求值器中的“显式控制”允 阅读全文
posted @ 2026-10-17 13:17
绝不原创的飞龙
阅读(5)
评论(0)
推荐(0)
摘要：
NUS CS1101S：SICP JavaScript 描述（七） 原文：SICP JavaScript 译者：飞龙 协议：CC BY-NC-SA 4.0 c.使用这个来表达一个允许推导关系的规则 list(pair("great", $rel), $x, $y) 其中$rel是以"grandson 阅读全文
posted @ 2026-10-17 13:17
绝不原创的飞龙
阅读(4)
评论(0)
推荐(0)
摘要：
NUS CS1101S：SICP JavaScript 描述（六） 原文：SICP JavaScript 译者：飞龙 协议：CC BY-NC-SA 4.0 这几乎与第 4.1.1 节中evaluate的is_application子句相同。然而，对于惰性求值，我们调用apply并传入参数表达式，而不 阅读全文
posted @ 2026-10-17 13:17
绝不原创的飞龙
阅读(4)
评论(0)
推荐(0)
摘要：
NUS CS1101S：SICP JavaScript 描述（五） 原文：SICP JavaScript 译者：飞龙 协议：CC BY-NC-SA 4.0 现在我们可以如下定义整数： const integers = pair(1, () => add_streams(ones, integers) 阅读全文
posted @ 2026-10-17 13:17
绝不原创的飞龙
阅读(4)
评论(0)
推荐(0)
摘要：
NUS CS1101S：SICP JavaScript 描述（四） 原文：SICP JavaScript 译者：飞龙 协议：CC BY-NC-SA 4.0 如何保持两个帐户的本地状态不同？acc和acc2之间共享环境结构的哪些部分？ 更多关于块的内容 正如我们所看到的，sqrt中声明的名称的作用域是 阅读全文
posted @ 2026-10-17 13:17
绝不原创的飞龙
阅读(5)
评论(0)
推荐(0)
摘要：
NUS CS1101S：SICP JavaScript 描述（三） 原文：SICP JavaScript 译者：飞龙 协议：CC BY-NC-SA 4.0 a. 这两个函数对每棵树都产生相同的结果吗？如果不是，结果有何不同？这两个函数为图 2.16 中的树产生了什么列表？ b. 这两个函数在将具有n 阅读全文
posted @ 2026-10-17 13:17
绝不原创的飞龙
阅读(5)
评论(0)
推荐(0)
摘要：
NUS CS1101S：SICP JavaScript 描述（二） 原文：SICP JavaScript 译者：飞龙 协议：CC BY-NC-SA 4.0 来近似三次方程x³+ax²+bx+c的零点。 练习 1.41 声明一个函数double，它以一个参数的函数作为参数，并返回一个应用原始函数两次的 阅读全文
posted @ 2026-10-17 13:17
绝不原创的飞龙
阅读(4)
评论(0)
推荐(0)
摘要：
NUS CS1101S：SICP JavaScript 描述（一） 原文：SICP JavaScript 译者：飞龙 协议：CC BY-NC-SA 4.0 前言 原文：Foreword 译者：飞龙 协议：CC BY-NC-SA 4.0 我有幸在我还是学生的时候见到了了不起的 Alan Perlis， 阅读全文
posted @ 2026-10-17 13:17
绝不原创的飞龙
阅读(5)
评论(0)
推荐(0)
摘要：
台湾大学林轩田机器学习笔记（二） 课程中还介绍了一个AdaBoost-Stump在人脸识别方面的应用： 总结 本节课主要介绍了Adaptive Boosting。首先通过讲一个老师教小学生识别苹果的例子，来引入Boosting的思想，即把许多“弱弱”的hypotheses合并起来，变成很强的预测模型 阅读全文
posted @ 2026-10-17 13:17
绝不原创的飞龙
阅读(4)
评论(0)
推荐(0)
摘要：
台湾大学林轩田机器学习笔记（一） 机器学习基石 9 -- Linear Regression 上节课，我们主要介绍了在有noise的情况下，VC Bound理论仍然是成立的。同时，介绍了不同的error measure方法。本节课介绍机器学习最常见的一种算法：Linear Regression. 一 阅读全文
posted @ 2026-10-17 13:17
绝不原创的飞龙
阅读(6)
评论(0)
推荐(0)
摘要：
NPTEL 深度学习计算机视觉笔记（五） \(\sigma(X_t, t)\) 是扩散系数，代表每个时间步的随机波动或噪声。 \(dW_t\) 是维纳过程的增量。 SDE用于描述通常具有噪声的系统的动态，例如金融市场、物理过程和生物系统。 DDPM的基础 DDPM基于随机微分方程，用于对具有随机扰动 阅读全文
posted @ 2026-10-17 13:17
绝不原创的飞龙
阅读(7)
评论(0)
推荐(0)
摘要：
NPTEL 深度学习计算机视觉笔记（四） 分类、定位和检测之间的区别如下： 分类：给定一张包含猫的图像，目标是判断图像中有一只猫。 定位：除了判断有一只猫，还需要用一个边界框框出猫在图像中的位置。 目标检测：更进一步，检测给定图像中属于你类别集合的所有可能出现的物体，并对它们进行定位。 在定位任务中 阅读全文
posted @ 2026-10-17 13:17
绝不原创的飞龙
阅读(5)
评论(0)
推荐(0)
摘要：
NPTEL 深度学习计算机视觉笔记（三） 损失：分类交叉熵损失。 对比学习：近期主流方法 最近一年，自监督学习领域主要由基于对比学习的方法主导。其总体目标是通过对比正样本和负样本来学习表示。 核心思想 目标是学习一个编码器，使得图像与其相似样本之间的相似度得分，大于该图像与不相似样本之间的得分。如果 阅读全文
posted @ 2026-10-17 13:17
绝不原创的飞龙
阅读(6)
评论(0)
推荐(0)
摘要：
NPTEL 深度学习计算机视觉笔记（二） 如果你有一个多对多RNN，你只会稍微改变这一点，因为现在你将在每个时间步都有输出，而我们在前面看到的RNN中没有。你现在可以有一个从多对多RNN出来的输出 L1，这最终是作为输出给用户的。你也可以考虑组合所有这些 L1, L2, L3, ..., Lt 来给 阅读全文
posted @ 2026-10-17 13:17
绝不原创的飞龙
阅读(5)
评论(0)
推荐(0)
摘要：
NPTEL 深度学习计算机视觉笔记（一） 038：解释CNN - 可视化方法 在本节课中，我们将学习如何理解、可视化和解释卷积神经网络（CNN）或其他神经网络的模型预测。我们将从可视化方法开始，探讨CNN中不同卷积核或滤波器、特定层的激活值以及其他相关技术。本讲内容主要基于斯坦福大学CS 231N课 阅读全文
posted @ 2026-10-17 13:17
绝不原创的飞龙
阅读(4)
评论(0)
推荐(0)
浙公网安备 33010602011771号