10个最频繁用于解释机器学习模型的 Python 库
XAI，Explainable AI是指可以为人工智能（AI）决策过程和预测提供清晰易懂的解释的系统或策略。XAI 的目标是为他们的行为和决策提供有意义的解释，这有助于增加信任、提供问责制和模型决策的透明度。XAI 不仅限于解释，还以一种使推理更容易为用户提取和解释的方式进行 ML 实验。在实践中，
【深度理解】语义分割中常用的评价指标含义GA、OA、mAcc、IoU、mIoU
GlobalAccuracy，OverallAccuracy表示全局的准确性，既不考虑类别，仅考虑所有样本的分类好坏。可见其对角线上的数字（8，15，24）均为正确预测，其它为错误预测。且每一列的总和为该类的总数目。（某类的真实样本∩预测为该类的样本）/（某类的真实样本∪预测为该类的样本）即Mean
倾向得分匹配PSM案例分析
某企业想评价专项培训的效果，现收集到78位员工的个人及工作成绩信息，包括性别、年龄、教育年、初始工作成绩与当前工作成绩、工作经验、工作时间、职位类别、是否参加培训等数据。数据上传SPSSAU后，在 “我的数据”中查看浏览原始数据，前5行数据如下：图1 “我的数据”查看浏览数据集本例采用半径匹配算法，
MPC（模型预测控制）控制小车沿轨迹移动——C++实现
要求如下图所示，给定一条轨迹，要求控制小车沿这条轨迹移动，同时可以适用于系统带有延时的情况。注意，本篇文章只给出部分C++代码参考。首先用运动学自行车模型（Kinematic Bicycle Model）对小车建模，设计相应的成本函数（cost function）和约束，之后利用OSQP求解二次规划
NLP--社区检测算法(Community Detection)总结【原理】
社区检测（Community Detection）又被称为是社区发现，用于评估节点组如何聚类或分区，以及它们增强或分离的趋势。重点对图算法中的社区检测进行了整理总结。
李宏毅机器学习 hw2 boss baseline 解析
李宏毅机器学习 hw2 boss baseline
【ERNIE Bot】百度 | 文心一言初体验
文心一言（英文名：ERNIE Bot）是百度推出的最新一代大型语言模型，属于文心模型家族的新成员。它可以与人进行对话互动，回答问题，协助创作，并且能够高效便捷地帮助人们获取信息、知识和灵感。该模型基于飞桨深度学习平台和文心知识增强大模型，不断从海量数据和大规模知识中进行融合学习，具备知识增强、检索增
深度学习 简介
在介绍深度学习之前，我们先看下人工智能，机器学习和深度学习之间的关系：机器学习是实现人工智能的一种途径，深度学习是机器学习的一个子集，也就是说深度学习是实现机器学习的一种方法。与机器学习算法的主要区别如下图所示：传统机器学习算术依赖人工设计特征，并进行特征提取，而深度学习方法不需要人工，而是依赖算法
决策树（Decision Tree）
决策树算法原理及其应用介绍
tf-idf原理 & TfidfVectorizer参数详解及实战
tf-idf作为文体特征提取的常用统计方法之一，适合用于文本分类任务，本文从原理、参数详解及实战全方位详解tf-idf，掌握本篇即可轻松上手并用于文本数据分类。tf 表示（某单词在某文本中的出现次数/该文本中所有词的词数），idf表示（语料库中包含某单词的文本数、的倒数、取log），tf-idf则表
吴恩达机器学习课程资源（笔记、中英文字幕视频、课后作业，提供百度云镜像！）
课程，可以说是机器学习入门的第一课和最热门课程，作者在github开源了吴恩达机器学习个人笔记，用python复现了课程作业，成为热门项目，star数达到11671+。由于某种原因，国内用户访问github非常慢，下载资源经常失败，于是，为方便读者，我们把github内容做成镜像文件予以发布，针对非
注意力机制(Attention)原理详解
文章结构1. 为什么需要Attention2. Attention的基本原理3. Attention存在的问题总结1. 为什么需要Attention在了解Attention之前，首先应该了解为什么我们需要注意力机制。我们以传统的机器翻译为例子来说明为什么我们需要Attention。传统的机器翻译，也
Kaggle实战入门：泰坦尼克号生还预测（基础版）
泰坦尼克号生还预测是机器学习领域著名的数据科学竞赛平台kaggle的入门经典。本文对该数据的处理、分析、训练、预测进行了全流程介绍。
【联邦学习（Federated Learning）】- 从基本分布式思想开始理解联邦学习
机器学习和人工智能的成功离不开大量的数据，但随着人工智能在各行各业的应用落地，人们对于用户隐私数据保安全的关注度也在不断提高。如何在遵守更加严格的、新的隐私保护条例的前提下，解决数据碎片化和数据隔离的问题，是当前人工智能研究者必须解决的问题。在以上的背景基础下，人们开始寻求一种不必将所有数据集中到一
猿创征文 | re:Invent 朝圣之路：“云“行业风向标
猿创征文 | re:Invent 朝圣之路：“云“行业风向标
GPT-4技术报告
本技术报告介绍了GPT-4，一种能够处理图像和文本输入并产生文本输出的大型多模态模型。这些模型是一个重要的研究领域，因为它们具有广泛应用的潜力，如对话系统、文本摘要和机器翻译。因此，近年来，它们一直是人们感兴趣和取得进展的主题[1-34]。开发此类模型的主要目标之一是提高它们理解和生成自然语言文本的
数据挖掘(2.2)--数据预处理
描述数据的中心趋势、数据发散、数据清洗
Pytorch深度学习实战3-5：详解计算图与自动微分机(附实例)
本文详细介绍Pytorch中计算图的底层原理，讲解基于计算图的前向传播和反向传播，Pytorch自动微分原理以及梯度缓存、参数冻结等技巧
一文速学-GBDT模型算法原理以及实现+Python项目实战
上篇文章内容已经将Adaboost模型算法原理以及实现详细讲述实践了一遍，但是只是将了Adaboost模型分类功能，还有回归模型没有展示，下一篇我将展示如何使用Adaboost模型进行回归算法训练。首先还是先回到梯度提升决策树GBDT算法模型上面来，GBDT模型衍生的模型在其他论文研究以及数学建模比
