人工智能与机器学习
主要介绍了人工智能与机器学习的概念，机器学习的流程，机器学习分类等。
图像数据的特征工程
总结了常用的图像特征工程，裁剪，灰度化，RGB通道选择，强度阈值，边缘检测和颜色过滤器
【一起啃西瓜书】机器学习-期末复习（不挂科）
【机器学习-期末复习爆肝2w字笔记整理分享】《机器学习》致力于研究如何通过计算的手段，利用经验来改善系统自身的性能，从而在计算机上从数据（经验）中产生“模型”，用于对新的情况给出判断（利用此模型预测未来的一种方法）。分为三类：监督学习、元监督学习、强化学习。
为机器学习模型设置最佳阈值：0.5是二元分类的最佳阈值吗
在本文中，我将展示如何从二元分类器中选择最佳阈值。
人工智能内容生成元年—AI绘画原理解析
AIGC元年达到了学术-商业共振，本文介绍现有AI绘画、AI作画背后的相应基本原理、应用、以及论文参考文献。
支持向量机核技巧：10个常用的核函数总结
支持向量机是一种监督学习技术，主要用于分类，也可用于回归。它的关键概念是算法搜索最佳的可用于基于标记数据(训练数据)对新数据点进行分类的超平面。
【实战 01】心脏病二分类数据集
1. 获取数据集2. 数据集介绍3. 数据预处理4. 构建随机森林分类模型5. 预测测试集数据6. 构建混淆矩阵7. 计算查全率、召回率、调和平均值8. ROC曲线、AUC曲线
多元时间序列特征工程的指南
使用Python根据汇总统计信息添加新特性，本文将告诉你如何计算几个时间序列中的滚动统计信息。将这些信息添加到解释变量中通常会获得更好的预测性能。
用强化学习玩《超级马里奥》
Pytorch的一个强化的学习教程（ Train a Mario-playing RL Agent）使用超级玛丽游戏来学习双Q网络(强化学习的一种类型)
MSE = Bias² + Variance?什么是“好的”统计估计器
本文的目的并不是要证明这个公式，而是将他作为一个入口，让你了解统计学家如何以及为什么这样构建公式，以及我们如何判断是什么使某些估算器比其他估算器更好。
one-hot编码
one-hot编码，又称独热编码、一位有效编码。one hot在特征提取上属于词袋模型(bag of words)优缺点分析优点：- 一是解决了分类器不好处理离散数据的问题- 二是在一定程度上也起到了扩充特征的作用(上面样本特征数从3扩展到了9)缺点：- 它是一个词袋模型，不考虑词与词之间的顺序-
10个实用的数据可视化的图表总结
可视化是一种方便的观察数据的方式，可以一目了然地了解数据块。我们经常使用柱状图、直方图、饼图、箱图、热图、散点图、线状图等。这些典型的图对于数据可视化是必不可少的
使用Python进行交易策略和投资组合分析
我们将在本文中衡量交易策略的表现。并将开发一个简单的动量交易策略，它将使用四种资产类别:债券、股票和房地产。这些资产类别的相关性很低，这使得它们成为了极佳的风险平衡选择。
机器学习【期末复习总结】——知识点和算法例题（详细整理）
【电子科技大学、机器学习课程】（期末复习、知识点和算法例题、详细总结）
自回归滞后模型进行多变量时间序列预测
本文的主要内容如下：多变量时间序列包含两个或多个变量；ARDL 方法可用于多变量时间序列的监督学习；使用特征选择策略优化滞后数。如果要预测多个变量，可以使用 VAR 方法。
阿里云天池大赛赛题（机器学习）——天猫用户重复购买预测（完整代码）
阿里云天池大赛赛题（机器学习）——天猫用户重复购买预测 完整代码!
深度学习常见名词概念：Sota、Benchmark、Baseline、端到端模型、迁移学习等的定义
深度学习：Sota的定义sota实际上就是State of the arts 的缩写，指的是在某一个领域做的Performance最好的model，一般就是指在一些benchmark的数据集上跑分非常高的那些模型。
手把手调参最新 YOLOv7 模型 训练部分 - 最新版本（二）
YOLO科研Trick改进推荐 | 包括Backbone、Neck、Head、注意力机制、IoU损失函数、NMS、Loss计算方式、自注意力机制、数据增强部分、激活函数
吴恩达 - 机器学习课程笔记（持续更新）
吴恩达机器学习
