AI遮天传 ML-决策树
决策树学习是最早被提出的一批机器学习的方法之一，由于它好用且具有很强的可解释性，到现在依然在被广泛使用。
Github Copilot 值得购买吗？使用GitHub Copilot进行快速EDA的示例
本篇文章作为例子来演示如何将Copilot用于探索性分析,看看每月10美元是否值得
考虑关系的图卷积神经网络R-GCN的一些理解以及DGL官方代码的一些讲解
昨天写的GCN的一篇文章入榜了，可喜可贺。但是感觉距离我的目标还是有点远，因为最后要用R-GAT，我感觉可能得再懂一点R-GCN和GAT才可能比较好的理解R-GAT，今天就尝试一下把R-GCN搞搞清楚吧（至少得读懂DGL官方给的代码吧）R-GCN和GCN的区别就在于这个R。R-GCN考虑了关系对消息
基于图的 Affinity Propagation 聚类计算公式详解和代码示例
Affinity Propagation Clustering（简称AP算法）是2007提出的，当时发表在Science上《single-exemplar-based》。特别适合高维、多类数据快速聚类，相比传统的聚类算法，该算法算是比较新的，从聚类性能和效率方面都有大幅度的提升。
权重衰退（PyTorch）
权重衰退和正则项的影响本质以及Pytorch的代码实现
计算复杂度
计算复杂度的简单理解
图卷积神经网络GCN的一些理解以及DGL代码实例的一些讲解
近些年图神经网络十分火热，因为图数据结构其实在我们的现实生活中更常见，例如分子结构、人的社交关系、语言结构等等。NLP中的句法树、依存树就是一种特殊的图，因此，图神经网络的学习也是必不可少的。GCN是图卷积神经网络，初期研究者为了从数学上严谨的推导该公式是有效的，所以会涉及到诸如傅里叶变换，拉普拉斯
零样本和少样本学习
在本篇文章中，我们将讨论机器学习和深度学习的不同领域中的一个热门话题:零样本和少样本学习(Zero and Few Shot learning)，它们在自然语言处理到计算机视觉中都有不同的应用场景。
机器学习西瓜书——第六章 支持向量机
从几何角度，对线性可分数据集，支持向量机就是找距离正负样本都最远的超平面，相比于感知机，其解是唯一的，且不偏不倚，泛化性能更好。给定训练样本集，分类学习最基本的想法就是基于训练集D在样本空间中找到一个划分超平面，将不同类别的样本分开，支持向量机倾向找到产生分类结果具有鲁棒性，对未见示例的泛化能力最强
一个简单但是能上分的特征标准化方法
一般情况下我们在做数据预处理时都是使用StandardScaler来特征的标准化，如果你的数据中包含异常值，那么效果可能不好。
Pytorch（二） —— 激活函数、损失函数及其梯度
δ(x)=11+e−xδ′(x)=δ(1−δ)\delta(x)=\frac{1}{1+e^{-x}}\\\delta'(x)=\delta(1-\delta)δ(x)=1+e−x1δ′(x)=δ(1−δ)tanh(x)=ex−e−xex+e−x∂tanh(x)∂x=1−tanh2(x)tanh(
基于趋势和季节性的时间序列预测
分析时间序列的趋势和季节性，分解时间序列，实现预测模型
AI： 2021 年人工智能前沿科技报告02(更新中……)
AI： 2021 年人工智能前沿科技报告02(更新中……)2021 年对于人工智能技术和产业，依旧是不平凡的一年。随着算力、数据、算法等要素逐渐齐备，先进的算法结构不断涌现，各个研究方向研究成果不断突破，成熟的 AI 技术逐渐向代码库、平台和系统发展，实现产业和商业层面的落地应用，推动人工智能发展迈
【机器学习】向量化计算 -- 机器学习路上必经路
在求解矩阵中，往往有很多很好的，经过高度优化的线性代数库，如octave，matlib，python numpy, c++,java.我们使用这些线性代数库，可以短短几行实现 所要的效果。阅读本文内容（需要一点点线性代数的知识）例如 求公式：h(x)=∑i=1nθi∗xih(x) = \sum_{i
100+数据科学面试问题和答案总结 - 机器学习和深度学习
来自Amazon，谷歌，Meta, Microsoft等的面试问题，本文接着昨天的文章整理了机器学习和深度学习的问题
期末复习【机器学习】
期末复习【机器学习】
机器学习入门（一）
本文是在入手机器学习过程中的一些学习心得和总结，适合机器学习的基础阶段借鉴。 机器学习是一种从数据中总结规律的统计方法。机器学习中有各种用于总结规律并且进行预测或者分类的模型（算法），被广泛应用在物体识别、语音识别、放假预测和疾病诊断等领域。 ......
音频数据增强（一）——mixup和SpecAugment
目录1、mixup2、SpecAugment论文地址：https://arxiv.org/pdf/1710.09412.pdfmixup通过以下方式构建虚拟的训练样本：式中，(xi,yi)和(xj,yj)是从训练数据中随机抽取的两个样本，且λ∈[0,1]。因此，mixup通过结合先验知识，即特征向量
机器学习基础自学笔记——决策树(Decision Tree)
决策树基础知识：从信息熵决策熵到信息增益、信息增益率、基尼系数，到两种剪枝处理和随机森林，生动易懂配有自制插图
手把手带你玩转Spark机器学习-使用Spark进行数据降维
本章，我们将继续讲解无监督学习模型中降低数据维度的方法。不同于我们之前分享的回归、分类和聚类，降维方法并不是用来做模型预测的。降维方法从一个D维的数据输入提取出k维表示，k一般远远小于D。因此，降维方法本身是一种预处理方法，或者说是一种特征转换的方法，而不是模型预测的方法。降维方法中尤为重要的是，被
