GRAF论文解读
为了解决这个问题，最近的几种方法将基于中间体素的表示与可微渲染相结合。然而，现有方法要么产生低图像分辨率，要么无法解开相机和场景属性，例如，对象身份可能随视点而变化。在本文中，我们提出了一种辐射场的生成模型，该模型最近被证明在单个场景的新颖视图合成方面是成功的。
机器学习之神经网络的公式推导与python代码（手写+pytorch）实现
因为要课上讲这东西，因此总结总结，发个博客模型图假设我们有这么一个神经网络，由输入层、一层隐藏层、输出层构成。（这里为了方便，不考虑偏置bias）输入特征为xn输入层与隐藏层连接的权重为vij隐藏层的输出（经过激活函数）为ym隐藏层与输出层连接的权重为wjk输出层的预测值（经过激活函数）为ol隐藏层
比较CPU和GPU中的矩阵计算
GPU 计算与 CPU 相比能够快多少？在本文中，我将使用 Python 和 PyTorch 线性变换函数对其进行测试。
Bishop 模式识别与机器学习读书笔记_ch1.1 机器学习概述
Bishop著作 《Pattern Recognition and Machine Learning》 读书笔记
构建基于Transformer的推荐系统
使用基于BERT的模型构建基于协同过滤的推荐系统
谷歌AudioLM :通过歌曲片段生成后续的音乐
AudioLM 是 Google 的新模型，能够生成与提示风格相同的音乐。该模型还能够生成复杂的声音，例如钢琴音乐或人的对话。结果是它似乎与原版没有区别，这是十分让人惊讶的。
AdaBoost算法详解及python实现【Python机器学习系列（十八）】
Boosting是机器学习的三大框架之一，其特点是，训练过程中的诸多弱模型，彼此之间有着强依赖关系。Boost也被称为增强学习或提升法。典型的代表算法是AdaBoost算法。AdaBoost算法的核心思想是：将关注点放在预测错误的样本上。
10个Pandas的小技巧
pandas是数据科学家必备的数据处理库，我们今天总结了10个在实际应用中肯定会用到的技巧
5000字用C++带你入门马氏链。
随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。其中马尔科夫过程在预测模型上面的作用很大，校园图书馆管理人员根据当前学生们借阅图书的情况，需要用到马氏链来进行预测，股票行情的涨跌幅，状态分类。以及农业生态环境上面的改善，马氏链都做出了
人工智能基础：机器学习常见的算法介绍
监督学习是机器学习当中非常常见的一种机器学习类型，就是在已知输入输出的情况下训练出一个模型，并且将输入映射输出。特点：给出了学习目标（比如实际值、标注等等）。监督学习根据目标结果是离散还是连续，又可以把监督学习划分为分类和回归。
持续学习常用6种方法总结：使ML模型适应新数据的同时保持旧数据的性能
持续学习是指在不忘记从前面的任务中获得的知识的情况下，按顺序学习大量任务的模型。
增加sklearn逻辑回归拟合能力的解决方案
本文主要介绍了增加sklearn逻辑回归拟合能力的解决方案，希望对新手有所帮助。文章目录1. 问题描述2. 解决方案 2.1 不建议的解决方案 2.2 推荐的解决方案
微信版大语言模型来了：跨时空对话李白、教你高情商说话，API在线试玩全都有...
鱼羊 梦晨 发自 凹非寺量子位 | 公众号 QbitAI大规模语言模型，微信版，来了！并且甫一登场，就没藏着掖着：论文、API接口、在线试玩网站……一条龙全都齐备。续写文本、阅读理解等常规任务就不说了，这个名叫WeLM的AI，竟然直接让我和李白跨时空聊起了杜甫：我：现在有一首关于你的歌，其中一句歌词
我们能从后验分布中学到什么?贝叶斯后验的频率解释
假设我们从未知分布 q 中观察到 N 个独立且同分布的 (iid) 样本 X = (x1, ... , xN)。统计学中的一个典型问题是“样本集 X 能告诉我们关于分布 q 的什么信息？”。
BP反向传播网络
本文介绍了如何通过反向传播误差修正模型参数，从梯度下降法等原理处学习如何进行反向传播，进而了解为什么模型参数的修正和激活函数相关。
sklearn 中的两个半监督标签传播算法 LabelPropagation和LabelSpreading
标签传播算法是一种半监督机器学习算法，它将标签分配给以前未标记的数据点。要在机器学习中使用这种算法，只有一小部分示例具有标签或分类。在算法的建模、拟合和预测过程中，这些标签被传播到未标记的数据点。
pytorch 实现逻辑回归
简单说明一下任务，想在一个正方形的区域内生成若干点，然后手工设计label，最后通过神经网络的训练，画出决策边界假设：正方形的边长是2，左下角的坐标为（0，0），右上角的坐标为（2，2）然后我们手工定义分界线 y = x ，在分界线的上方定义为蓝色，下方定义为红色。
数据科学家在使用Python时常犯的9个错误
最佳实践都是从错误中总结出来的，所以这里我们总结了一些遇到的最常见的错误，并提供了如何最好地解决这些错误的方法、想法和资源。
机器学习之支持向量机（SVM）的求解方法
支持向量机就是寻找一个超平面，将不同的样本分分隔开来，其中间隔分为硬间隔和软间隔，硬间隔就是不允许样本分错，而软间隔就是允许一定程度上样本存在偏差，后者更符合实际。支持向量机思路简单但是求解过程还是比较复杂，需要将原函数通过拉格朗日乘子法并附上KKT条件是的问题有强对偶性，再使用SMO等算法进行高效
在线薅 达摩院-人工智能训练师（高级）证书
人工智能训练师（高级）
