联邦学习（（Federated Learning，FL）
联邦学习相关概念、领域热点、挑战与前景。联邦学习的定义、特点、框架、迭代流程、分类；领域亟待解决的问题；主要研究方向、热点和前景展望。
使用OpenAI的Whisper 模型进行语音识别
本文将解释用于训练的数据集的种类以及模型的训练方法，以及如何使用Whisper
机器学习强基计划1-1：图文详解感知机算法原理+Python实现
感知机是最简单的二分类线性模型，也是神经网络的起源算法。本文图文详解感知机算法原理+手推公式，附Python代码实战加深理解
监控Python 内存使用情况和代码执行时间
我的代码的哪些部分运行时间最长、内存最多？我怎样才能找到需要改进的地方？”在本文中总结了一些方法来监控 Python 代码的时间和内存使用情况。
使用CNN进行2D路径规划
本文将CNN应用于解决简单的二维路径规划问题。主要使用Python, PyTorch, NumPy和OpenCV。
这20个Pandas函数可以完成80%的数据科学工作
Pandas 是数据科学社区中使用最广泛的库之一,本文将提供最常用的 Pandas 函数以及如何实际使用它们的样例。
机器学习强基计划1-4：从协方差的角度详解线性判别分析原理+Python实现
线性判别分析是一种将样本投影到低维空间进行分类的方法，本文从协方差的物理意义出发探索LDA算法的物理意义和算法原理，并给出Python实现
7个流行的强化学习算法及代码实现
目前流行的强化学习算法包括 Q-learning、SARSA、DDPG、A2C、PPO、DQN 和 TRPO。 这些算法已被用于在游戏、机器人和决策制定等各种应用中，并且这些流行的算法还在不断发展和改进，本文我们将对其做一个简单的介绍。
【Python】Python寻找多维数组（numpy.array）中最大值的位置（行和列）
最近需要从热力图中找出关键点的坐标，也就是极大值的行和列。搜寻了网上的一些方法，在这里总结一下。使用numpy进行多维数组中最大值的行和列搜寻非常的灵活，有以下几种方法可供参考。二维数组方法一：np.max()函数 + np.where()函数如下图所示，x是一个 3×3 的二维np.array，首
机器学习强基计划0-2：什么是机器学习？和AI有什么关系？
用最通俗的例子和语言解释什么是机器学习，接着介绍机器学习和人工智能的关系，机器学习的用途以及学习路线
2023 年8个ChatGPT 的替代品
OpenAI 于 2022 年 11 月下旬推出的 ChatGPT 在网络世界引起了不小的轰动。其实还有许多其他的机器人在本文中，我将整理8 个 ChatGPT 替代方案。
写完Numpy100道基础练习题后的错误总结和语法总结
numpy100题错误总结和语法总结！！我都已经踩了无数个雷了！！
8种时间序列分类方法总结
对时间序列进行分类是应用机器和深度学习模型的常见任务之一。本篇文章将涵盖 8 种类型的时间序列分类方法。这包括从简单的基于距离或间隔的方法到使用深度神经网络的方法。这篇文章旨在作为所有时间序列分类算法的参考文章。
Hugging Face快速入门（重点讲解模型(Transformers)和数据集部分(Datasets)）
1. Hugging Face是什么，提供了哪些内容2. Hugging Face模型的使用（Transformer类库）3. Hugging Face数据集的使用（Datasets类库）
CUDA error: device-side assert triggered
原因1：模型大小不匹配在定义模型的最终全连接层时，我没有将 196（斯坦福汽车数据集的类总数）作为输出单元的数量，而是使用了 195。错误通常在您执行反向传播的行中识别。您的损失函数将比较模型的输出和数据集中该观察的标签。万一您对标签和输出感到困惑，请参阅下面我如何定义它们：原因2：损失函数输入错误
深度学习中高斯噪声：为什么以及如何使用
在数学上，高斯噪声是一种通过向输入数据添加均值为零和标准差(σ)的正态分布随机值而产生的噪声。
可视化VIT中的注意力
ViT中最主要的就是注意力机制，所以可视化注意力就成为了解ViT的重要步骤，所以我们这里介绍如何可视化ViT中的注意力
一文读懂机器学习分类全流程
🏆在本文中，作者将带你了解机器学习分类的全流程，从问题分析>数据预处理>分类器选择>模型构建>精度评价>模型发布为Web应用。从0带读者入门机器学习分类。
2022年第二届长三角高校数学建模竞赛B题经验、论文、代码展示
2022年第二届长三角高校数学建模竞赛B题经验、论文、代码展示1、题目要求其中数据附件一数据（截图部分）：附件二数据（部分截图）：在这里插入代码片问题一到问题四的思路：针对问题一，对附件 1 中的 5 个表单的四个传感器数据进行分析，提取相关特征。研究发现 VMD 方法在可以避免模态混叠问题。VMD
wandb不可缺少的机器学习分析工具
wandb是一款优秀的机器学习模型训练分析跟踪工具，通过它我们可以和简洁的分析出训练过程中指标和参数的变化情况，来更好的帮助我对模型进行调优，通过它还能够使得我们进行协同工作，分析我们的训练结果，帮助更好更方便的复现我们的模型...
