迁移学习简介
介绍人类从小就在日常活动中成长和学习。人类通过学习一项任务来获取知识。通过使用相同的知识，我们倾向于解决相关
可解释图神经网络：5个GNN解释方法
人工智能中的可解释性引起了人们的广泛关注,当涉及到图神经网络(GNN)时，图结构的不规则性带来了许多挑战
可视化卷积神经网络的特征和过滤器
卷积神经网络是一种特殊类型的人工神经网络，广泛应用于图像识别。在这篇文章中，我将重点介绍卷积神经网络如何学习特征
数据科学类简历常见错误以及如何改正
在数据科学领域，初级职位的申请者往往过多，拥有一份好的简历是极其重要的。
理解NLP中的屏蔽语言模型(MLM)和因果语言模型(CLM)
大多数现代的NLP系统都遵循一种非常标准的方法来训练各种用例的新模型，即先训练后微调。
神经网络的学习方式-从网络传播到图卷积
网络传播的不同观点，计算生物学中的一种流行方法，及其与图卷积的关系
在 DWave Quantum Annealer 上运行离散二次模型的图划分
量子退火器是一类可以帮助解决NP-hard和NP-complete问题的量子计算机。下面是一个对社交网络、推荐系统等具有实际意义的例子。
多智能体(MARL)强化学习与博弈论
一些博弈论困境，如著名的布雷斯悖论，对多智能体强化学习有着深刻的影响。
面向可解释AI的黑盒和白盒模型
使用模型属性、本地逻辑表示和全局逻辑表示从黑盒模型生成解释
评价对象检测模型的数字度量:F1分数以及它们如何帮助评估模型的表现
介绍使用精度和召回率评估目标检测模型可以为模型在不同置信度下的表现提供有价值的见解。
Social LSTM:一个预测未来路径轨迹的深度学习模型
本篇文章试图解释描述深度学习模型Social-LSTM的研究论文
GIRAFFE： CVPR 2021 最佳论文介绍和代码解释
GIRAFFE是一个基于学习的、完全可微的渲染引擎，用于将场景合成为多个“特征域”的总和
图神经网络常用方法的统一观点
图注意、图卷积、网络传播都是图神经网络中消息传递的特殊情况。
TODS：从时间序列数据中检测不同类型的异常值
自动构建用于时间序列异常值检测的机器学习管道。
基于ResNet和Transformer的场景文本识别
对于自然场景的文字识别我们会遇到了许多不规则裁剪的图像，其中包含文本表示。
2021 年 7 月推荐阅读的四篇深度学习论文
从大规模深度强化学习到对抗性鲁棒性、SimCLR-v2 和学习神经网络空间
使用反事实示例解释 XGBoost 模型的决策
模型可解释性——故障检测、识别和诊断
通过FEDOT将AutoML用于时间序列数据
一个在具有间隙和非平稳性的真实数据上使用FEDOT和其他AutoML库的示例
使用 HuggingFace Transformers创建自己的搜索引擎
NLP、Plotly和Dash创建红酒搜索引擎
目标检测模型SSD的详细解释
目标检测由两个独立的任务组成，即分类和定位。
