深度学习与神经网络——邱锡鹏
一、绪论人工智能的一个子领域神经网络：一种以（人工)）神经元为基本单元的模型深度学习：一类机器学习问题，主要解决贡献度分配问题知识结构：路线图：顶会：1.1 人工智能诞生：人工智能这个学科的诞生有着明确的标志性事件，就是1956年的达特茅斯(Dartmouth)会议。在这次会议上，“人工智能” 被提
OpenCV-Python实战（18）——深度学习简介与入门示例（快来一起推开深度学习的大门吧）
深度学习已经成为机器学习中最受欢迎和发展最快的领域。自 2012 年深度学习性能超越机器学习等传统方法以来，深度学习架构开始快速应用于包括计算机视觉在内的众多领域。深度学习的常见应用包括语音识别、图像识别、自然语言处理、推荐系统等等。在本文中，首先介绍传统机器学习方法与深度学习间的差异，然后将介绍图
九大遥感目标检测数据集（附下载链接）
本文梳理了目标监测领域的九大遥感图像数据集，包括粗粒度和细粒度数据集，对各数据集的具体指标及标注格式给出了解释。
从零实现深度学习框架——实现Tensor的反向传播
在常见运算的计算图中，我们了解了加减乘除等运算的计算图。本文通过代码实现加法和乘法的计算图来了解我们的`Tensor`自动反向传播计算梯度的模式。
linux服务器配置深度学习环境
自己服务器账号安装环境的顺序：创新环境、新环境安装cuda、安装新环境cuda匹配的pytorch用anaconda 可以cudatoolkit和pytorch一起装，可以设置清华镜像cuda自己装的cuda跟系统cuda没关系，跟base环境下也没关系。自己可以用系统的cuda。自己环境的cuda
2021 年顶级深度学习论文推荐
2021年还有10天就过去了， 以下是我认为 2021 年最有趣、最有前途的深度学习论文。
阅读和实现深度学习的论文初学者指南
如果想了解黑匣子内部发生了么，提高创造力或成为第一个将最新科学研究带入业务的开发人员 这篇文章应该可以帮到你。
可解释的AI (XAI)：如何使用LIME 和 SHAP更好地解释模型的预测
在本文中，我将介绍两个可以帮助了解模型的决策过程的模型 LIME 和 SHAP。将可解释性集成到机器学习模型中可以帮助决策者和其他利益相关者有更多的可见性并可以让他们理解模型输出决策的解释。
开启深度强化学习之路：Deep Q-Networks简介和代码示例
Deep Q-Learning 算法是深度强化学习的核心概念之一。神经网络将输入状态映射到（动作，Q 值）对。在本篇文章中将通过游戏的示例来介绍 Deep Q-Networks 的整个概念
SIMILAR：现实场景中基于子模块信息度量的主动学习
这是一篇被顶会 NeurIPS 2021收录的关于主动学习的论文，作者不仅提供了代码，还提供了很多实际案例代码。
