算法建模

从传统的机器学习算法，到深度学习算法建模，QkCalc提供可视化的建模途径

从样本训练到建立模型，释放创造力，专注逻辑本身。

从传统的机器学习算法，到深度学习算法建模，QkCalc提供可视化的界面，协助用户建立样本、通过算法训练样本、评估训练结果和建立模型。与其他符号计算一样，AI算法的计算过程同样可以获取计算步骤信息，让你对算法过程了如指掌，从而获取优化算法的最佳测试途径。

  • 直观的可视化建模
  • 丰富的内置算法库
  • 强大的仿真与验证

传统机器学习算法建模

理解传统机器学习是深度学习的基础，很多实际问题，用简单的逻辑回归或随机森林就能完美解决，且速度更快、更易解释。无需动用复杂的深度学习模型。QkCalc提供传机器学习算法的建模，用户通过QkCalc图形界面建立样本、训练并调整参数。所有机器学习算法详细的求解步骤和算法说明文档。

线性回归

用一个线性模型（一条直线或一个超平面）来描述一个或多个自变量（特征）与一个因变量（目标）之间的关系。并通过学习到的模型，对新的输入进行预测。

多元线性回归

多元线性回归是简单线性回归的自然扩展，用于处理多个自变量 对一个因变量的影响。它在现实中应用更为广泛，因为任何结果通常都是由多种因素共同决定的。

逻辑回归

是经典的分类算法，尤其是二分类算法。它的底层机制是使用了一个“回归”模型（线性加权和）来预测一个事件的对数几率。逻辑回归的核心思想在于解决一个问题：如何将一个线性回归的输出（值域为(-∞, +∞)）变成一个表示概率的值（值域为[0, 1]）？

线性判别分析(LDA)

线性判别分析是一种非常经典且强大的方法，它既有降维的能力，也常用于分类。理解LDA的关键在于把握其与逻辑回归和主成分分析(PCA)在思想上的区别。

决策树

决策树的核心思想是通过一系列的“如果...那么...”问题对数据进行递归分割，最终形成一个树形结构。这个结构非常像我们日常做决策的过程。

反向传播

反向传播((Back Propagation,简称BP)是一种用于高效计算神经网络中损失函数相对于所有权重参数梯度的算法。它的名字来源于其计算过程：误差从输出层开始，逐层向后（反向）传播。反向传播是训练绝大多数深度神经网络架构的基石。它可用于以下场景：

  • 核心应用：监督学习模型训练
  • 生成模型与无监督/自监督学习
  • 强化学习
  • 迁移学习与领域自适应
  • 图神经网络（GNNs）
详细信息 播放视频

卷积神经网络

卷积神经网络(Convolutional Neural Network,简称CNN)是一种专为处理具有类似网格结构的数据（尤其是图像）而设计的深度学习模型。它的名字来源于其核心操作——卷积。在QkCalc中，可视化的卷积网络设计器，用户可以在设计视图中通过鼠标拖拽加入CNN网络所需要的层，并设置层的属性。通过在各个层之间建立链接来建立一个完整的CNN网络。此外，用户通过将训练结果导出并进行模型预测和测试。通过QkCalc中的CNN设计视图可以加快CNN网络算法设计并测试，并快速进行优化。它可用于：

  • 计算机视觉
  • 视频分析
  • 医学影像分析
  • 遥感与地理信息系统
  • 自动驾驶与机器人
  • 自然语言处理

循环神经网络

RNN，全称循环神经网络(Recurrent Neural Network，简称RNN)，是一种专门用于处理序列数据的人工神经网络。它的核心设计是为了让网络能够记住过去的“历史信息”，并将其应用于当前的输出计算中。

  • 自然语言处理（NLP）领域
  • 语音与音频处理
  • 时间序列分析与预测
  • 视频分析与理解
  • 机器人控制与自动驾驶
  • 推荐系统
详细信息 播放视频

长短时记忆网络

LSTM（Long Short-Term Memory，长短时记忆网络）是一种特殊的循环神经网络（RNN），由Sepp Hochreiter和Jürgen Schmidhuber于1997年提出，专门设计用来解决传统RNN在处理长序列时遇到的梯度消失/爆炸问题。它的核心特点与优势：

  • 记忆长依赖关系：能够学习并记住数百步之前的输入信息
  • 门控机制：通过精密的门控系统控制信息的流动
  • 梯度稳定性：有效缓解了训练过程中的梯度问题

它的应用场景主要包括：

  • 时间序列分析（最大应用领域）
  • 自然语言处理（NLP）
  • 计算机视觉（与CNN结合）
详细信息 播放视频