GraphMAE：将MAE的方法应用到图中使图的生成式自监督学习超越了对比学习
前几天的文章中我们提到MAE在时间序列的应用，本篇文章介绍的论文已经将MAE的方法应用到图中，这是来自[KDD2022]的论文GraphMAE: Self-supervised Masked Graph Autoencoders
2022搜狐校园NLP算法大赛情感分析第一名方案理解和复现
2022搜狐校园NLP算法大赛情感分析第一名方案理解，代码复现和效果对比
神经网络加上注意力机制，精度不升反降？
明明人家论文里都证实了显著涨点的，到我这咋就不行了呢？
高斯过程相关研究的新进展的8篇论文推荐（统计 +人工智能）
总结今年5月以来，高斯过程相关研究的新进展
Keras深度学习实战（14）——从零开始实现R-CNN目标检测
R-CNN 是基于候选区域的经典目标检测算法，其将卷积神经网络引入目标检测领域。本文首先介绍了 R-CNN 模型的核心思想与目标检测流程，然后使用 Keras 从零开始实现了一个基于 R-CNN 的目标检测模型，最后介绍了非极大值抑制用于移除相似的预测边界框。......
图解BERT、ELMo（NLP中的迁移学习）| The Illustrated BERT, ELMo, and co.
2018年是NLP模型发展的转折点。我们不断探索单词和句子的表示方法，以求能最好地捕捉其中潜在的语义和关系。此外，NLP领域已经提出了一些功能强大的组件，你可以免费下载，并在自己的模型和pipeline中使用它们（这被称为NLP领域的ImageNet时刻，类似的发展在几年前也是这么加速计算机视觉领域
图神经网络的可解释性方法介绍和GNNExplainer解释预测的代码示例
深度学习模型的可解释性为其预测提供了人类可以理解的推理。本文将总结图神经网络模型的可解释性方法。
【深度学习】（二）深度学习基础学习笔记
上一章介绍了机器学习的内容，这一章来了解一下深度学习。深度学习是在机器学习的基础上继续研究得来的，又经过了几十年日日夜夜的科研人员的研究，最终留下一些通用的、经典的算法，下面我们开始学习吧。对于图像处理来说，深度学习只需掌握CNN即可。下一节开始介绍近年来火爆的原始CNN基础上不断改进的神经网络模型
Keras深度学习实战（13）——目标检测基础详解
目标检测一直是计算机视觉领域最具有挑战性的问题之一，同时也是具有广泛应用场景的任务之一。本节中，首先介绍了目标检测的基本概念，然后介绍了如何制作用于训练目标检测模型的数据集，最后讲解了如何生成候选区域和常用于目标检测模型性能评估的指标。通过介绍目标检测中的相关技术，为接下来实现目标检测算法奠定基础。
5个时间序列预测的深度学习模型对比总结：从模拟统计模型到可以预训练的无监督模型
时间序列预测在最近两年内发生了巨大的变化，尤其是在kaiming的MAE出现以后，现在时间序列的模型也可以用类似MAE的方法进行无监督的预训练
空间转录组 STAGATE
空间转录组论文STAGATE简介与代码介绍
以数据为中心和模型为中心的AI是贝叶斯论和频率论的另一种变体吗？
在这篇文章中，我将对这两种方法提供一个新的视角。我将从统计的角度来看它们，看看它是否可以阐明哪种方法更好以及在什么情况下更好。
计算机视觉 (Computer Vision) 领域顶级会议归纳
本文具体介绍几种计算机视觉顶级会议，包括计算机视觉领域三大顶尖国际会议 ： CVPR、ICCV、ECCV ；还有其他一些 著名 会议： WACV、NIPS、ICLR、AAAI、ICML、IJCAI ；汇总信息在最后面，可以直接点击查看 ；............
深度学习第一周总结
机器学习概述，Pytorch基础，Sprial Classfication
文科生也能理解的LSTM，图文并茂！
一句话介绍LSTM，它是RNN的进阶版，如果说RNN的最大限度是理解一句话，那么LSTM的最大限度则是理解一段话，详细介绍如下：LSTM，全称为长短期记忆网络(Long Short Term Memory networks)，是一种特殊的RNN，能够学习到长期依赖关系。1997提出，许多研究者进行了
基于LSTM-CNN的人体活动识别
人体活动识别（HAR）是一种使用人工智能（AI）从智能手表等活动记录设备产生的原始数据中识别人类活动的方法。在本文中，我将使用LSTM 和CNN 来识别下面的人类活动
机器学习笔记（十三）-异常检测
异常检测
5分钟NLP-知识问答(KBQA)两种主流方法：基于语义解析和基于信息检索的方法介绍
基于知识的问答是以知识库为认知源，在知识库的基础上回答自然语言问题。在本文中讲介绍知识问答两种主要方法。
Faster RCNN学习笔记
对Faster RCNN的学习进行一些记录，方便后面的复习，有错误欢迎指出
YOLOv7来临：论文解读附代码解析
官方版的YOLOv7相同体量下比YOLOv5精度更高，速度快120%（FPS），比 YOLOX 快180%（FPS），比 Dual-Swin-T 快1200%（FPS），比 ConvNext 快550%（FPS），比 SWIN-L快500%（FPS）。在5FPS到160FPS的范围内，无论是速度或是
