词向量是现代自然语言处理（NLP）最基础、最核心的语义表征单元，也是知识表示、语义推理、文本分类、机器翻译等下游任务不可或缺的底层基础工具。计算机无法直接理解人类自然语言文字，必须先将离散文字转化为可参与矩阵运算的数值向量，而词向量正是解决这一转化问题的核心方案。 本文将从文字数字化的基础方案演进脉络入手，依次讲解字典序编码、独热编码的固有缺陷，引出分布式词嵌入（Word Embeddin...
SIRLIS
取消
人工智能（自然语言处理-词向量）
人工智能（目标检测）
目标检测是计算机视觉领域的基础任务，旨在通过算法自动检测图像中包含的目标类别信息和位置信息。本文将详细介绍基于锚框（Anchor）的目标检测算法，并介绍其原理和实现方法。 1. 目标检测基础 1.1. 基于锚框的目标检测 1.2. 非锚框的目标检测 1.3. 目标检测的主要指标 1.3.1. 置信...
人工智能（图像分类）
图像分类是计算机视觉领域的基础任务，旨在通过算法自动识别图像中包含的目标类别。卷积神经网络（CNN）凭借其强大的特征提取能力，已成为图像分类的主流方法。本文将详细介绍CNN用于图像分类的原理、典型网络架构及实践要点。 1. 图像分类基础 1.1. 任务定义 1.2. 性能指标 1.2.1. 准确率 ...
人工智能（搜索策略）
搜索算法是人工智能领域的核心基础，为智能系统提供了在复杂问题空间中寻找可行解或最优解的能力。从简单的迷宫寻路到复杂的游戏决策，搜索算法构成了许多人工智能应用的基石。 本文系统性地介绍了人工智能中四大类搜索算法：无信息搜索、有信息搜索、$A^\star$ 搜索和蒙特卡罗树搜索。无信息搜索包括枚举搜索、广度优先搜索和深度优先搜索，它们不利用任何领域知识，通过系统性的空间探索来寻找解。有信息搜索...
人工智能（知识表示与推理）
在人工智能与知识管理领域，对知识的系统性认知与高效表示是实现智能推理和决策的基础。本文将从知识的本质出发，首先剖析知识的基本概念，明确其定义与分类，为后续探讨知识的表示与推理奠定理论基石；继而深入解析基于符号逻辑的多种知识表示方法，包括一阶谓词逻辑、产生式规则、框架式表示等经典范式，揭示逻辑推理的内在机制；同时，结合语义网技术，阐述以 RDF 为核心的知识表示体系及其在语义建模中的应用。通过...
人工智能（绪论）
绪论。 1. 什么是人工智能 1.1. 人工智能 1.2. 机器学习 1.3. 深度学习 1.4. 模式识别 1.5. 关系图 2. 人工智能的发展历史 2.1. 萌芽与理论探索期 2.1.1. 图灵测试 ...
模式识别（卷积神经网络）
卷积神经网络是一种专门用于处理网格状数据（如图像、视频）的深度学习模型，其核心思想是通过局部感受野、权值共享和层次化特征提取来自动学习数据的空间或时序模式。 1. 基础概念 1.1. 输入 1.2. 基本结构 1.3. 输出 2. 卷积层 2.1. 卷积操作 ...
模式识别（经典神经网络）
本文介绍了经典的人工神经网络，以及基于神经网络的分类器。人工神经网络（Artificial Neural Network，ANN）是模拟生物神经网络系统的一种计算模型，由大量计算节点（神经元）层层连接构成。通过改变神经元间的连接权重，ANN 可以对大量数据中的复杂映射关系进行建模。对于给定的任务，通过迭代训练进行计算节点权重参数更新，ANN 最终能够实现任务目标。 1. 神经...
模式识别（无监督分类器）
本文介绍了无监督分类器的设计原理和方法。不同于前面章节介绍的分类器，无监督分类器旨在没有类别标签的情况下完成样本的分类。由于样本的类别标签位置，无监督分类器具有一定的学习能力，因此相关分类方法又被称为无监督学习。聚类（Clustering）分析是最典型的无监督学习方法。 1. 聚类 1.1. 相似性测度 1.1.1....
模式识别（特征选择与特征提取）
本文介绍了模式识别中特征的概念，包括颜色特征、形状特征、纹理特征、空间关系特征。然后介绍了常用的特征选择与特征提取方法，包括类别可分性准则、最优搜索、次优搜索、启发式搜索、线性特征提取、非线性特征提取等。 1. 特征 1.1. 颜色特征 1.1.1. 颜色直方图 1.1.2. 颜色矩 ...