根据数据集中的多个特征进行训练，使得网络模型根据特征可以预测气温。

Titanic数据集主要包含两部分,训练集(train.csv)和测试集(test.csv)。其中训练集中包含乘客的基本信息和最终在事故中的存活情况,测试集只包含乘客的基本信息, 不包含存活情况。 目的:通过对训练集中乘客的基本信息和存活情况的分析,找到背后隐藏的某种规律,去推断测试集中的乘客是否遇难。

人力资源分析数据集汇聚了对大量员工的信息数据统计，包括企业因素（如部门）、员工行为相关因素（如参与过项目数、每月工作时长、薪资水平等）、以及工作相关因素（如绩效评估、工伤事故），这些因素都有很好的分析价值。1 satisfaction_level Float 员工满意程度：0-不满意，1-满意 2 last_evaluation Float 国家 3 number_project Integer 在职期间完成的项目数量 4 average_montly_hours Integer 每月平均工作时长（hr） 5 time_spend_company Integer 工龄（年） 6 work_accident Integer 是否有工伤：0-没有，1-有 7 left Integer 是否离职：0-在职，1-离职 8 promotion_last_5years Integer 过去5年是否有升职：0-没有，1-有 9 sales String 工作部门 10 salary String 工资的相对等级 基于证书 CC0: Public Domain 发布。

目前的自动驾驶系统由摄像机，激光雷达等传感器，控制器，GPS定位系统，数字地图，算法等多个部件构成，在这里我们重点介绍算法部分，尤其是机器学习技术在其中的应用情

1.Transformer背景介绍 2.Transfromer整体架构 3.Transformer输入部分 4.Transfromer的编码器 5.Transfromer的解码器 6.Transformer输出部分 7.Transfromer其他部分 1.GPT-1 和 Bert 2.GPT-2 3.GPT-3 Transformer在深度学习环境下背景： 17年自Attention is all you need提出后，开始在NLP（自然语言处理）领域大放异彩 20年后，开始在CV领域发光，到现在基本一统天下了 其在NLP和CV领域下的许多分类、分割、检测等任务下均刷榜 总结一下Transformer模型。 从论文本身来看，其最大的创新在于提出的注意力机制，即多头注意力层，并嵌入到一个模块化可堆叠的模型结构中。一开始Transformer被用于机器翻译，但它也能够用在几乎所有的NLP任务上。自它之后，整个深度学习重心开始转向NLP方面。 4..InstructGPT和ChatGPT 1.VIT 2.Clip与DallE-1 3.DiffusionModel和DallE-2

MegEngine 是一个快速、可拓展、易于使用且支持自动求导的深度学习框架，具备训练推理一体、超低硬件门槛和全平台高效推理 3 大核心优势，可帮助企业与开发者大幅节省产品从实验室原型到工业部署的流程，真正实现小时级的转化能力。作为旷视新一代 AI 生产力平台 Brain++的最核心组件，MegEngine 在 2020 年 3月正式向全球开发者开源。

机器学习 深度学习 人工智能代码（python）用SVM实现人脸识别 附带结果

OPT（Omni-Perception Pre-Trainer）是全场景感知预训练模型的简称，中文名字叫紫东太初，是中科院自动化和华为联合研发的多模态预训练模型，本仓是紫东太初十亿参数级别模型的MindSpore版本代码，包含预训练模型及多个下游任务模型。

Omega-AI：基于java打造的深度学习框架，帮助你快速搭建神经网络，实现训练或测试模型，支持多线程与GPU运算。

IEEE CEC，全称是IEEE Congress on Evolutionary Computation，可以翻译为，IEEE进化计算会议。自2005年开始，每年举办一次。IEEE CEC benchmarks，是主办方发布的标准测试算例（以下简称，CEC算例）。 CEC2014年及CEC2017年测试集，matlab版本； 该测试集是用于演化算法性能测试的基准函数，CEC2014的函数组成可参见CEC2014的介绍文档“Definitions of CEC2014 benchmark suite Part A”，调用方法可参照CEC2014 MATLAB示例代码。