开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

如何找到两个不同大小的分布之间的相似性？

在云计算领域，要找到两个不同大小的分布之间的相似性，可以使用一些常见的统计方法和算法。以下是一种常见的方法：

直方图比较：将两个分布分别表示为直方图，然后比较它们之间的相似性。可以使用直方图相似性度量方法，如卡方检验、巴氏距离、相关系数等。这些方法可以衡量两个分布之间的差异程度。
核密度估计：通过将两个分布分别估计为核密度函数，然后比较它们之间的相似性。可以使用核密度估计方法，如高斯核密度估计、KDE（Kernel Density Estimation）等。这些方法可以衡量两个分布之间的重叠程度。
K-S检验：Kolmogorov-Smirnov（K-S）检验是一种常用的非参数检验方法，用于比较两个样本分布的相似性。该方法通过计算两个分布的累积分布函数（CDF）之间的最大差异来衡量相似性。在云计算中，可以将两个分布看作是样本分布，然后使用K-S检验来比较它们之间的相似性。
相关性分析：可以使用相关性分析方法，如皮尔逊相关系数、斯皮尔曼相关系数等，来衡量两个分布之间的相关性。这些方法可以判断两个分布是否具有相似的趋势或关联关系。
聚类分析：可以使用聚类分析方法，如K-means聚类、层次聚类等，将两个分布分别归类到不同的簇中，然后比较它们之间的相似性。聚类分析可以帮助发现两个分布之间的潜在模式或结构。

对于以上方法，腾讯云提供了一些相关产品和服务，如数据分析与挖掘平台（https://cloud.tencent.com/product/dap）、人工智能平台（https://cloud.tencent.com/product/ai）、大数据分析平台（https://cloud.tencent.com/product/cda）等，可以帮助用户进行数据分析和相似性比较。

相关搜索:两个不同DataFrame的列之间的余弦相似性如何在df中找到组合之间的相似性？找到用户标签之间的距离/相似性的算法？两个时间序列之间的相似性如何比较两个数值列之间的相似性 Matlab:两个不同大小的数组之间的差异如何找到不同大小列表的中位数两个音频序列之间的感知相似性如何在不同的屏幕大小之间切换列大小检测不同主题模型之间的文本相似性如何找到两个不同数据帧之间的最近距离如何计算包含列表的两个系列之间的相似性度量？如何在python中找到向量和矩阵(大小不同的矩阵)之间的相似距离？如何在spark中找到两个不同数据帧之间的优化连接如何找到设置和打印值的相似性 Subversion:如何找到两个标签之间的差异？如何找到两个面片之间的距离？如何找到两个文档之间的相似度如何找到两个git提交之间的合并？如何计算两个数据集分布之间的重叠

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

向量数据库｜一文全面了解向量数据库的基本概念、原理、算法、选型

向量数据库的原理和实现，包括向量数据库的基本概念、相似性搜索算法、相似性测量算法、过滤算法和向量数据库的选型等等。向量数据库是崭新的领域，目前大部分向量数据库公司的估值乘着 AI 和 GPT 的东风从而飞速的增长，但是在实际的业务场景中，目前向量数据库的应用场景还比较少，抛开浮躁的外衣，向量数据库的应用场景还需要开发者们和业务专家们去挖掘。

数据科学中 17 种相似性和相异性度量(下)

相信大家已经读过数据科学中 17 种相似性和相异性度量(上)，如果你还没有阅读，请戳👉这里。本篇将继续介绍数据科学中 17 种相似性和相异性度量，希望对你有所帮助。 ⑦ 皮尔逊相关距离相关距离量化了两个属性之间线性、单调关系的强度。此外，它使用协方差值作为初始计算步骤。但是，协方差本身很难解释，并且不会显示数据与表示测量之间趋势的线的接近或远离程度。为了说明相关性意味着什么，回到我们的 Iris 数据集并绘制 Iris-Setosa 样本以显示两个特征之间的关系：花瓣长度和花瓣宽度。具有两个特征测

02

论文阅读——Selective Search for Object Recognition

今天认真把Selective Search for Object Recognition这篇文章阅读完，想来写写自己的见解与想法。如果有错，希望得到大牛们的指点，谢谢！文章一开始就提出问题：如何判

LSH算法：高效相似性搜索的原理与Python实现II

局部敏感哈希（LSH）是一种高效的近似相似性搜索技术，广泛应用于需要处理大规模数据集的场景。在当今数据驱动的世界中，高效的相似性搜索算法对于维持业务运营至关重要，它们是许多顶尖公司技术堆栈的核心。

01

深度学习500问——Chapter10：迁移学习（1）

找到目标问题的相似性，迁移学习任务就是从相似性出发，将旧领域（domain）学习过的模型应用在新领域上。

01

目标跟踪基础：两张图片相似度算法

不管是传统的目标跟踪中的生成模型和判别模型，还是用深度学习来做目标跟踪，本质上都是来求取目标区域与搜索区域的相似度，这就是典型的多输入。

03

浙大蔡登团队：基于序列对比学习的长视频逐帧动作表征

浙大蔡登团队携手微软亚洲研究院，提出了一个新的对比动作表征学习（CARL）框架，以自监督的方式学习逐帧动作表征，尤其是针对长视频；它考虑了时空上下文来提取逐帧表征，是一种基于Transformer的简单而高效的视频编码器。

02

PNAS：几何重正化揭示了多尺度人体连接组的自相似性

大脑的结构连通性通常是通过将其观察减少到单一的空间分辨率来研究的。然而，大脑拥有一个组织在多个尺度上彼此连接丰富的架构。我们利用五种不同分辨率重建的健康受试者数据集探索了人类连接组的多尺度组织。我们发现，当观察的分辨率随着解剖区域的分级粗粒化而逐渐降低时，人类大脑的结构仍然是自相似的。引人注目的是，一个距离不是欧几里德的几何网络模型预测了连接组的多尺度特性，包括自相似性。该模型依赖于几何重正化(GR)协议的应用，该协议通过粗粒度和在短的相似距离上平均来降低分辨率。

04

打破单模态局限，LoRS在多模态数据提炼上的突破！

数据集蒸馏能够在保留其基本信息和模型训练性能的同时，合成一个更小且更紧凑的数据集。由于它具有很高的压缩比，在机器学习和大规模模型数据的背景下尤其值得关注。然而，当前的算法在图像领域的应用受到限制，很少有研究涉及到其他单一模态的数据，如文本（Li和Li，2021年）、视频（Wang等人，2023年）或图形数据（Xu等人，2023b年）。随着视觉-语言预训练模型（VLP）和多模态大型语言模型（MLLM）（Li等人，2023年；Liu等人，2023a年）变得占主导地位，作者将注意力转向配对的图像-文本数据。

01

tcR包：T细胞受体和免疫球蛋白数据进行高级分析和可视化（二）

免疫球蛋白(IG)和T细胞受体(TR)在适应性免疫应答过程中起着关键的抗原识别作用。上一次我们介绍到tcR包：T细胞受体和免疫球蛋白数据进行高级分析和可视化（一）。今天小编继续为大家介绍分析T细胞受体库的R包：tcR包，可以对TR序列进行多样性评估、共享T细胞受体序列识别、基因usage统计计算等。

03

SimD：自适应相似度距离策略提升微小目标检测性能！

凡本公众号注明“来源：XXX（非集智书童）”的作品，均转载自其它媒体，版权归原作者所有，如有侵权请联系我们删除，谢谢。

01

CVPR 2022 | 二阶相似性测度，让传统配准方法取得比深度学习更好的性能，并达到深度学习的速度

针对3D点云配准中的误匹配消除任务，来自华中科技大学的研究团队提出了一种基于二阶空间兼容性度量的点云配准方法。具体来说，算法提出了一种二阶空间兼容性度量来计算匹配对之间的相似度，考虑了匹配对之间的全局兼容性而不是局部一致性，从而能够更加准确地度量正确匹配和错误匹配之间的差异。

02

迁移学习

迁移学习(Transfer Learning)是一种机器学习方法，就是把为任务 A 开发的模型作为初始点，重新使用在为任务 B 开发模型的过程中。迁移学习是通过从已学习的相关任务中转移知识来改进学习的新任务，虽然大多数机器学习算法都是为了解决单个任务而设计的，但是促进迁移学习的算法的开发是机器学习社区持续关注的话题。迁移学习对人类来说很常见，例如，我们可能会发现学习识别苹果可能有助于识别梨，或者学习弹奏电子琴可能有助于学习钢琴。

01

关于机器学习的面试题，你又了解多少呢?

前面已经陆续分享了几篇关于机器学习的博客，相信刚接触这个领域的朋友们肯定是比较感兴趣的，那么本篇博客让博主为大家介绍一些关于机器学习常见的面试题吧~

03

计算相似度

在机器学习中，经常要度量两个对象的相似度，例如k-最近邻算法，即通过度量数据的相似度而进行分类。在无监督学习中，K-Means算法是一种聚类算法，它通过欧几里得距离计算指定的数据点与聚类中心的距离。在推荐系统中，也会用到相似度的计算（当然还有其他方面的度量）。

01

【NLP CS224N笔记】Lecture 2 - Word Vector Representations: word2vec

那么在计算机中是如何获取一个word的meaning的呢？常见的解决办法是使用像WordNet之类的数据集，它包含了同义词(synonym)组和上位词(hypernyms)组。这种表示方法属于Discrete representation

02

迁移学习(Transfer)，面试看这些就够了！(附代码)

版权声明：本文为博主原创文章，遵循 CC 4.0 by-sa 版权协议，转载请附上原文出处链接和本声明。

08

基础聚类算法：K-means算法

一、算法简介：俗话说：“物以类聚，人以群分”，聚类算法不同于分类算法，对于一个分类器，通常需要你告诉它“这个东西被分为某某类”这样一些例子，理想情况下，一个分类器会从它得到的训练集中进行“学习”，从而具备对未知数据进行分类的能力，这种提供训练数据的过程通常叫做监督学习，而在聚类的时候，我们并不关心某一类是什么，我们需要实现的目标只是把相似的东西聚到一起，因此，一个聚类算法通常只需要知道如何计算相似度就可以开始工作了，因此聚类算法通常并不需要使用训练数据进行学习。以一句话来说明K-means算法的思路

05

CS224n 笔记2-词向量表示：Word2vec1. 单词含义的表示2. Word2Vec的主要思路3. 更多Word2Vec细节4 .梯度的推导5. 损失/目标函数相关推荐阅读

1. 单词含义的表示我们如何表示一个单词的意思下面是意思的定义：用词语，语句表示的想法或观点人们使用词汇，符号来表达的想法在一篇文章和艺术品表达的观点最常见的意思语言学表现形式：符号⟺

08

【计算机视觉——RCNN目标检测系列】一、选择性搜索详解

在刚刚过去的一个学期里，基本水逆了一整个学期，这学期基本没干什么活，就跟RCNN杠上了。首先是看论文，然后是网上找tensorflow写好的源码。但是，可惜的是网上给出的源码基本上是RCNN的主要作者Ross Girshick大神的代码，不同数据集换了下。因此为了理解源码，RCNN的处理过程，费劲去装了个ubuntu和win10的双系统并在Ubuntu上安装caffe，这就花费了近2周的时间。快速研究完RCNN的caffe源码之后，才转过来手写Fast RCNN的tensorflow版本的代码，这也花费了大量的时间，从踩坑到填坑再到踩坑。RCNN不是很好实现，SVM至今还没怎么看懂。接下来将会陆续更新RCNN->Fast RCNN->Faster RCNN系列的文章。在这篇文章中，主要讲解RCNN与Fast RCNN中获取图片中物体真实目标检测框的算法——选择性搜索算法。

01

MIMOSA: 用于分子优化的多约束分子采样

今天给大家介绍一篇佐治亚理工学院Tianfan Fu等人发表在AAAI 2021上的文章“MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization”。分子优化促进药物发现，其目标是产生新的有效分子，使药物特性最大化，同时保持与输入分子的相似性。现有的生成模型和强化学习方法在同时优化多种药物属性方面仍面临一定困难。为此，本文提出多约束分子采样框架—MIMOSA，使用输入分子作为初始采样框架，并从目标分布中采样分子。MIMOSA首先预先训练两个属性不可知图神经网络（GNN），分别用于分子拓扑和子结构类型预测，其中子结构可以是原子或单环。MIMOSA用GNN进行迭代预测，并且采用三种基本的子结构操作（添加、替换、删除）来生成新的分子和相关的权重。权重可以编码多个约束，包括相似性约束和药物属性约束，在此基础上选择有前途的分子进行下一次预测。MIMOSA能够灵活地对多种属性和相似性约束进行编码，且高效地生成满足各种属性约束的新分子，在成功率方面比最佳基线改进高达49.6%。

04

常见距离度量方法优缺点对比！

许多算法，不管是有监督的还是无监督的，都会使用距离测量。这些度量方法，如欧氏距离或余弦相似度，经常可以在KNN、UMAP、HDBSCAN等算法中找到。

03

EEG频谱模式相似性分析:实用教程及其应用(附代码)

人脑通过神经激活模式编码信息。虽然分析神经数据的常规方法侧重对大脑(去)激活状态的分析，但是多元神经模式相似性有助于分析神经活动所代表的信息内容。在成年人中，已经确定了许多与表征认知相关的特征，尤其是神经模式的稳定性、独特性和特异性。然而，尽管随着儿童时期认知能力的增长，表征质量也逐步提高，但是发育研究领域特别是在脑电图(EEG)研究中仍然很少使用基于信息的模式相似性方法。在这里，我们提供了一个全面的方法介绍和逐步教程——频谱脑电图数据的模式相似性分析，包括一个公开可用的资源和样本数据集的儿童和成人的数据。

03

还在用PCA降维？快学学大牛最爱的t-SNE算法吧（附Python/R代码）

假设你有一个包含数百个特征（变量）的数据集，却对数据所属的领域几乎没有什么了解。你需要去识别数据中的隐藏模式，探索和分析数据集。不仅如此，你还必须找出数据中是否存在模式－－用以判定数据是有用信号还是噪音？

02

章节/情景式学习并非必需？用于少样本学习的联合双路度量

原文：Wang Z , Zhao Y , Li J , et al. Cooperative Bi-path Metric for Few-shot Learning[C]// MM '20: The 28th ACM International Conference on Multimedia. ACM, 2020.

02

【Embedding】LINE：大规模信息网络的潜入方法

今天的这篇论文是 MSRA 的同学在 2015 年的工作——《LINE: Large-scale Information Network Embedding》，截至目前共有 1900 多引用，主要的是如何在大尺度网络中应用 Embedding 技术。

02

利用 Pytorch-BigGraph 从知识图中提取知识详解

机器学习使我们能够训练一个模型，该模型可以将数据行转换为标签，从而使相似的数据行映射到相似或相同的标签。

07

机器学习各种熵：从入门到全面掌握

作者：黄海安编辑：陈人和概述信息熵是信息论和机器学习中非常重要的概念，应用及其广泛，各种熵之间都存在某些直接或间接的联系，本文试图从宏观角度将各种熵穿插起来，方便理解。本文首先讲解机器学习算法中常用的各种熵的概念、公式、推导，并且联系机器学习算法进行说明熵的应用，最后是简单总结。希望通过本文能够全面的梳理熵的各方面知识，由于本人水平有限，如写的不好地方，敬请原谅！机器学习常用熵定义熵是什么？熵存在的意义是啥？为什么叫熵？这是3个非常现实的问题。

NWD-Based Model | 小目标检测新范式，抛弃IoU-Based暴力涨点(登顶SOTA)

小目标在许多现实世界的应用中无处不在，包括驾驶辅助、大规模监控和海上救援。尽管由于深度神经网络的发展，目标检测取得了显著的进展，但大多数都是用于检测正常大小的目标。而小目标(AI-TOD数据集中小于像素)往往表现出极其有限的外观信息，增加了识别特征的学习难度，导致小目标检测失败的案例非常多。

04

【陆勤践行】机器学习中距离和相似性度量方法

在机器学习和数据挖掘中，我们经常需要知道个体间差异的大小，进而评价个体的相似性和类别。最常见的是数据分析中的相关分析，数据挖掘中的分类和聚类算法，如 K 最近邻（KNN）和 K 均值（K-Means）等等。根据数据特性的不同，可以采用不同的度量方法。一般而言，定义一个距离函数 d(x,y), 需要满足下面几个准则： d(x,x) = 0 // 到自己的距离为0 d(x,y) >= 0 // 距离非负 d(x,y) = d(y,x) // 对称性: 如果 A 到 B 距离是 a，那么 B 到 A 的距离也应该

08

【算法】相似度计算方法原理及实现

小编邀请您，先思考： 1 相似度如何计算？ 2 相似度有什么应用？温馨提示：加入圈子或者商务合作，请加微信：luqin360 在数据分析和数据挖掘以及搜索引擎中，我们经常需要知道个体间差异的大小，进而评价个体的相似性和类别。常见的比如数据分析中比如相关分析，数据挖掘中的分类聚类（K-Means等）算法，搜索引擎进行物品推荐时。相似度就是比较两个事物的相似性。一般通过计算事物的特征之间的距离，如果距离小，那么相似度大；如果距离大，那么相似度小。比如两种水果，将从颜色，大小，维生素含量等特征进行比较相似性。

06

什么？你竟然还不知道t-SNE降维算法！

在科学研究中处理高维数据的童鞋们，常常会遇到这种问题：我们明明知道自己的数据具有很好的内部特征，却无法找到合适的降维算法展示出来。由于每一个样品特征内都可能会存在一些离散点，线性降维例如PCA、PCoA常常难以有效的区分不同的样品特征，而且忠实于相互距离的线性算法往往难以获得满意的排序结果。这时候，你就需要更新自己的算法库啦！

03

两次差异分析结果交集需要有多大才算是一致呢

同样的实验设计的两个项目，尽管测序的都是肿瘤和正常组织的转录组，但结果非常不一，样可能有多种原因，其中一些常见的原因包括：

03

基于典型相关分析的词向量

本文为 seaboat 为 AI 研习社撰写的独家稿件，得到了其指点和审核，AI 研习社在此表示感谢。在NLP领域中，为了能表示人类的语言符号，一般会把这些符号转成一种数学向量形式以方便处理，我们把语言单词嵌入到向量空间中就叫词嵌入（word embedding）。比如有比较流行的谷歌开源的 word2vec ，它能生成词向量，通过该词向量在一定程度上还可以用来度量词与词之间的相似性。word2vec采用的模型包含了连续词袋模型（CBOW）和Skip-Gram模型，并通过神经网络来训练。但这篇文章不

05

词向量因何存在：一段往计算机输入文字的历史

往计算机输入文字，是整个自然语言处理（NLP）领域的宏大故事的一部分，而 NLP 则是人工智能的重要分支研究领域。

01

【通俗理解】RBF网络

在SVM中引入Gaussian Kernel就能在无限多维的特征转换中得到一条“粗壮”的分界线（或者高维分界平面、分界超平面）。从结果来看，Gaussian SVM其实就是将一些Gaussian函数进行线性组合，而Gaussian函数的中心就位于Support Vectors上，最终得到预测模型gsvm(x)。

02

通俗易懂讲解RBF网络

之前我们介绍过，在SVM中引入Gaussian Kernel就能在无限多维的特征转换中得到一条“粗壮”的分界线（或者高维分界平面、分界超平面）。从结果来看，Gaussian SVM其实就是将一些Gaussian函数进行线性组合，而Gaussian函数的中心就位于Support Vectors上，最终得到预测模型gsvm(x)。

02

【AIDL专栏】操龙兵：非独立同分布学习

大数据分析（big data analytics）就像是“盲人摸象”，要解决的问题是如何让“盲人”识别“象”，不管“象”大还是小。我们分析很多数据时会面临这种“we don’t know what we don’t know”的问题，其中一个最基本的问题可能就是学习问题所基于的基本假设，其中之一就是独立同分布假设（independent and identically distributed - IID）。

03

从香农熵到手推KL散度：一文带你纵览机器学习中的信息论

选自Medium 作者：Frank Preiswerk 机器之心编译参与：Nurhachu Null、蒋思源信息论与信息熵是 AI 或机器学习中非常重要的概念，我们经常需要使用它的关键思想来描述概率分布或者量化概率分布之间的相似性。在本文中，我们从最基本的自信息和信息熵到交叉熵讨论了信息论的基础，再由最大似然估计推导出 KL 散度而加强我们对量化分布间相似性的理解。最后我们简要讨论了信息熵在机器学习中的应用，包括通过互信息选择决策树的特征、通过交叉熵衡量分类问题的损失和贝叶斯学习等。信息论是应用数学的

使用Facebook Pytorch的BigGraph从知识图谱中提取知识

机器学习使我们能够训练一个可以将数据转换为标签的模型，从而把「相似的」数据映射到「相似」或相同的标签。

02

AAAI 2020 | CORE：利用复制和改进策略自动优化分子

分子优化是在输入分子X的基础上产生具有更理想性质的分子Y。目前最先进的方法是将分子划分成一组大的子结构集S，并通过迭代预测从S中选择子结构添加来产生新的分子结构。然而，由于可用子结构S集很大，这样的迭代预测任务往往是不准确的，特别是对于训练数据中不常见的子结构。

02

距离和相似性度量在机器学习中的使用统计

作者：daniel-D 来源：http://www.cnblogs.com/daniel-D/p/3244718.html 在机器学习和数据挖掘中，我们经常需要知道个体间差异的大小，进而评价个体的相似性和类别。最常见的是数据分析中的相关分析，数据挖掘中的分类和聚类算法，如 K 最近邻（KNN）和 K 均值（K-Means）等等。根据数据特性的不同，可以采用不同的度量方法。一般而言，定义一个距离函数 d(x,y), 需要满足下面几个准则： 1) d(x,x) = 0

03

数据分析和机器学习的11个高级可视化图表介绍

可视化是一种强大的工具，用于以直观和可理解的方式传达复杂的数据模式和关系。它们在数据分析中发挥着至关重要的作用，提供了通常难以从原始数据或传统数字表示中辨别出来的见解。

02

常用距离算法 (原理、使用场景、Python实现代码)

来源：DeepHub IMBA本文约1700字，建议阅读5分钟本文为你介绍常用的距离度量方法、它们的工作原理、如何用Python计算它们以及何时使用它们。距离度量是有监督和无监督学习算法的基础，包括k近邻、支持向量机和k均值聚类等。距离度量的选择影响我们的机器学习结果，因此考虑哪种度量最适合这个问题是很重要的。因此，我们在决定使用哪种测量方法时应该谨慎。但在做出决定之前，我们需要了解距离测量是如何工作的，以及我们可以从哪些测量中进行选择。本文将简要介绍常用的距离度量方法、它们的工作原理、如何用Pyth

02

10个机器学习中常用的距离度量方法

距离度量的选择影响我们的机器学习结果，因此考虑哪种度量最适合这个问题是很重要的。因此，我们在决定使用哪种测量方法时应该谨慎。但在做出决定之前，我们需要了解距离测量是如何工作的，以及我们可以从哪些测量中进行选择。

03

eLife：人类和小鼠大脑解剖结构中性别差异的神经影像学对比

摘要：体内神经影像学研究已经确定了人脑中几种可重复的体积性别差异，但这种差异的原因很难解析。虽然小鼠模型有助于理解性别特异性大脑发育的细胞和机制基础，但还没有尝试正式比较人类和小鼠的神经解剖学性别差异。解决这个问题将为使用小鼠作为人脑性别差异的比较模型提供批判性的启示，并提供对哺乳动物脑容量性别差异保守程度的见解。在这里，我们使用结构磁共振成像对人类和小鼠大脑的性别特异性神经解剖学进行了首次神经成像比较研究。与之前的发现一致，我们观察到，在人类中，男性的总脑容量明显更大且变化更大，这些性别差异在小鼠身上没有反映出来。在控制了总脑容量后，我们观察到60个同源区域的性别体积效应大小存在适度的跨物种一致性。通过结合两个物种中基因表达的区域测量，我们发现在体积性别差异中具有更大跨物种一致性的皮质区域在2835个同源基因的表达谱中也显示出更大的跨物种一致性。这些发现有助于确定小鼠中存在的性别偏见的大脑解剖结构，这些结构在人类中被保留、丢失或倒置。更广泛地说，我们的工作为小鼠性别特异性大脑发育的机制研究定位到最能呼应人类性别特异性大脑发育的大脑区域提供了实证基础。

01

J. Chem. Inf. Model. | 汤普森采样：一种高效搜索超大规模按需合成数据库的方法

今天为大家介绍的是来自Walters团队的一篇论文，作者提供了一种在大规模数据库中高效搜索对应需求数据的方法。

01

LSH算法：高效相似性搜索的原理与Python实现

局部敏感哈希（LSH）技术是快速近似最近邻（ANN）搜索中的一个关键方法，广泛应用于实现高效且准确的相似性搜索。这项技术对于许多全球知名的大型科技公司来说是不可或缺的，包括谷歌、Netflix、亚马逊、Spotify和Uber等。

01

从香农熵到手推KL散度：一文带你纵览机器学习中的信息论

IT派 - {技术青年圈} 持续关注互联网、大数据、人工智能领域信息论是应用数学的一个分支，主要研究的是对一个信号包含信息的多少进行量化。它最初被发明是用来研究在一个含有噪声的信道上用离散的字母表来发送消息，例如通过无线电传输来通信。而本文主要探讨信息熵在 AI 或机器学习中的应用，一般在机器学习中，我们可以将信息论应用在连续型变量上，并使用信息论的一些关键思想来描述概率分布或者量化概率分布之间的相似性。因此在机器学习中，通常要把与随机事件相关信息的期望值进行量化，此外还要量化不同概率分布之间的相似性

08

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭