使用Python自动化Microsoft Excel和Word
使用Python将Excel与Word集成，无缝生成自动报告
DeLighT ：深度和轻量化的Transformer
在本篇文章中介绍一篇论文，该论文引入了一种新的基于参数的高效注意力架构，可以很容易地扩展到广泛和深入。
如何用正确的方式阅读和理解一篇机器学习论文
在这篇文章中，我们将回顾你在阅读机器学习论文时应该考虑的最重要的原则
用维基百科的数据改进自然语言处理任务
使用Wikipedia来改进NLP任务，如命名实体识别和主题建模介绍自然语言处理(NLP)正在兴起。这篇文章演示了如何使用这一强大的资源来改进NLP的简单任务。
5个例子比较Python Pandas 和R data.table
在这篇文章中，我们将比较Pandas 和data.table，我们这里的重点是演示这两个库如何为数据处理提供高效和灵活的方法。
Python中的时间序列分解
时间序列分解是一种技术，它将时间序列分解为几个部分，每个部分代表一个潜在的模式类别、趋势、季节性和噪声。
支持向量机-数学解释
支持向量机如何在高维空间中分离数据点背后的数学概念
图像超分辨率网络中的注意力机制
图像超分辨率(SR)是一种低层次的计算机视觉问题，其目标是从低分辨率观测中恢复出高分辨率图像。一些方法开始将注意机制集成到SR模型中，极大地提高了这些网络的性能。
使用机器学习生成图像描述
在本文中，我们将为各种图像生成文字描述图像描述是为图像提供适当文字描述的过程。在深度神经网络的最新发展之前，业内最聪明的人都无法解决这个问题
图数据的自监督学习介绍
深度学习在解决许多复杂的机器学习问题方面一直是一个有趣的课题，特别是最近在图数据方面。
非技术人员应该学习SQL的3个原因
作为一名数据分析师，我整天编写SQL查询。我的任务之一是充当公司数据库和需要随时使用数据的同事之间的翻译。
用于时间序列数据的泊松回归模型
泊松和类泊松回归模型常用于基于计数的数据集，即包含整数计数的数据。
深度学习的几何基础
几何深度学习是从对称性和不变性的角度对广泛的ML问题进行几何统一的尝试。
2021年进入AI和ML领域之前需要了解的10件事
自从2012年数据科学被评为21世纪最性感的工作以来，来自不同领域的许多人开始转向数据科学或相关的机器学习角色。
使用自编码器进行图像去噪
在这篇文章中，你将了解自编码器是如何工作的，以及为什么它们被用于医学图像去噪。
使用结构化表格数据对比深度学习和GBDT模型
在数据科学的世界里，深度学习方法无疑是最先进的研究。然而，深度学习模型真的比GBDT(梯度提升决策树)这样的“传统”机器学习模型更好吗
使用Tensorboard投影进行高维向量的可视化
TensorBoard是tensorflow的可视化工具包。 它帮助我们可视化各种机器学习实验。
ICLR 2021 - 不可错过的10篇论文
ICLR 2021，它包含了860篇论文，8个研讨会和8个受邀演讲。全部看完这些论文需要花费很长的时间，所以这里总结了10篇论文，希望对你有所帮助!
如何训练孪生神经网络
在本文中，我将讨论一种称为孪生神经网络的模型。希望在阅读之后，您将更好地理解这种体系结构不仅可以帮助保存数据，而且可以帮助数据量有限和类变化速度快的任何领域。
VarifocalNet (VF-Net)一种新型的目标检测网络
引入IoU感知和Varifocal 来提高对象检测SOTA分数
