在gpu上运行Pandas和sklearn
Pandas和sklearn这两个是我们最常用的基本库，Rapids将Pandas和sklearn的功能完整的平移到了GPU之上
超长时间序列数据可视化的6个技巧
本文展示了6种用于绘制长时间序列数据的可视化方法，通过使用交互函数和改变视角，我可以使结果变得友好并且能够帮助我们更加关注重要的数据点。
Python实现基于机器学习的手写数字识别系统
安装好的OpenCV中有自带的分类器，但是很不幸的是自带的分类器仅有关于人脸识别方向的，如果是做人脸识别方向的研究使用该分类器将会非常方便。本章将介绍如何使用计算机视觉库OpenCV调用电脑摄像头、找到帧画面中的数字并对数字进行识别前的处理，最后调用训练好的手写数字模型将识别结果在原帧画面中显示出来
机器学习：详解半朴素贝叶斯分类AODE原理(附Python实现)
朴素贝叶斯中的属性独立性假设在实际上很难成立，因此引入半朴素贝叶斯分类器，其核心思想是：适当考虑部分属性的相互依赖。本文介绍典型的半朴素贝叶斯分类AODE原理及Python实现
生成模型VAE、GAN和基于流的模型详细对比
生成算法有很多，但属于深度生成模型类别的最流行的模型是变分自动编码器(VAE)、gan和基于流的模型。
嵌入式软件编程模式
这里讨论的编程模式主要针对没有操作系统的嵌入式软件运行环境，在这种情况下，CPU的全部算力可以分配到和应用相关的计算，不需要额外执行IO资源状态、内存清理、调度等软件操作系统的管理任务，因此运行效率和内存使用效率会更高，但付出的代价是需要手动管理任务并发、IO状态检查、资源共享等，对开发者有更高的要
《计算机视觉基础知识蓝皮书》第2篇 深度学习基础
深度学习基础知识精讲
【python-Unet】计算机视觉~舌象舌头图片分割~机器学习
舌象数据集包含舌象原图以及分割完成的二元图，共979*2张，示例图片如下：U-Net是一个优秀的语义分割模型，在中e诊中U-Net共三部分，分别是主干特征提取部分、加强特征提取部分、预测部分。利用主干特征提取部分获得5个初步有效的特征层，之后通过加强特征提取部分对上述获取到的5个有效特征层进行上采样
Nature子刊：一个从大脑结构中识别阿尔茨海默病维度表征的深度学习框架
脑部疾病的异质性是精准诊断/预后的一个挑战。作者描述并验证了一种名为Smile-GAN（SeMI-supervised cLustEring-Generative Adversarial Network），的半监督深度聚类方法，它研究了与正常大脑结构对比的神经解剖学异质性，从而通过神经影像特征识别疾
【国庆特辑文章】时间序列~动态时间规整(Dynamic Time Wraping)
解决的问题：测量两端时间序列的相似性
【XGBoost】第 7 章：使用 XGBoost 发现系外行星
在本章中，您将穿越星星，尝试以为向导发现系外行星。本章的原因是双重的。首先是使用 XGBoost 在自上而下的研究中获得实践非常重要，因为出于所有实际目的，这就是您通常使用 XGBoost 所做的事情。尽管您可能无法自己发现带有 XGBoost 的系外行星，但您在此处实施的策略（包括选择正确的评分指
softmax回归与交叉熵损失
回归与分类是机器学习中的两个主要问题，二者有着紧密的联系，但又有所不同。在一个预测任务中，回归问题解决的是多少的问题，如房价预测问题，而分类问题用来解决是什么的问题，如猫狗分类问题。分类问题又以回归问题为基础，给定一个样本特征，模型针对每一个分类都返回一个概率，于是可以认为概率最大的类别就是模型给出
贝叶斯回归：使用 PyMC3 实现贝叶斯回归
在这篇文章中，我们将介绍如何使用PyMC3包实现贝叶斯线性回归，并快速介绍它与普通线性回归的区别。
机器学习之手写决策树以及sklearn中的决策树及其可视化
（2）如果属性划分次数达到上限，即属性划分完了，或者是样本中在此类属性取值都一样，可以认为全部划分仍然存在不同类的样本，那么这个节点就标记为类别数占较多的叶节点。划分选择还是比较重要的，因为不同的划分选择会建出不同的决策树。划分选择的指标就是希望叶节点的数据尽可能都是属于同一类，即节点的“纯度”越来
transformers的近期工作成果综述
在本文中，对基于transformer 的工作成果做了一个简单的总结，将最新的transformer 研究成果(特别是在2021年和2022年发表的研究成果)进行详细的调研。
Pytorch创建多任务学习模型
一般来说多任务学的模型架构非常简单：一个骨干网络作为特征的提取，然后针对不同的任务创建多个头。利用单一模型解决多个任务。
单变量时间序列平滑方法介绍
在本文中将介绍和解释时间序列的平滑方法
10种常见的回归算法总结和介绍
线性回归是机器学习中最简单的算法，它可以通过不同的方式进行训练。 在本文中，我们将介绍以下回归算法：线性回归、Robust 回归、Ridge 回归、LASSO 回归、Elastic Net、多项式回归、多层感知机、随机森林回归和支持向量机。
