从LeNet到EfficientNet:CNN的演变和特点总结

这是一个了解CNN主流变化和特点的旅程。

通过三个直观步骤理解ROC曲线

ROC曲线是一个分类模型效果好坏评判的的可视化表示。在这篇文章中,我将分三个步骤头开始构建ROC曲线。

NLP中的文本分析和特征工程

语言检测,文本清理,长度测量,情绪分析,命名实体识别,n字频率,词向量,主题建模前言在本文中,我将使用NLP

EfficientNet详解:用智能缩放的卷积神经网络获得精度增益

设计cnn网络的关键问题之一是模型缩放,EfficientNet。不仅提供了更好的准确性,而且通过减少参数和每秒浮点运算流形提高了模型的效率。

使用Keras 构建基于 LSTM 模型的故事生成器

了解和实施LSTM网络建模和NLP数据预处理指南。

流行的机器学习算法总结,帮助你开启机器学习算法学习之旅

机器学习算法概述“机器智能是人类永远需要的一项发明。

keras搭建基于自动编码器的异常检测技术进行欺诈识别

信用卡欺诈可以被归类为一种异常,使用Keras中实现的自动编码器可以检测欺诈 ​

​如何找到时序数据中线性的趋势

有时需要从时序数据中删除趋势,为下一步或数据清理过程的一部分做准备。

BN,LN,IN,GN都是什么?不同归一化方法的比较

批归一化(BN)已经成为许多先进深度学习模型的重要组成部分,特别是在计算机视觉领域。

为什么朴素贝叶斯定理会被叫做朴素的?

朴素贝叶斯算法是一种基于著名贝叶斯定理的分类算法。那么让我们先了解一下Bayes定理是怎么说的,并为朴素贝叶

熵、交叉熵和KL散度的基本概念和交叉熵损失函数的通俗介绍

交叉熵(也称为对数损失)是分类问题中最常用的损失函数之一。

为什么在线性模型中相互作用的变量要相乘

在这篇文章中,我将解释为什么当建立一个线性模型,我们添加一个x₁₂术语如果我们认为变量x₁和x₂互动和添加交

降维算法:主成分分析 VS 自动编码器

降维是一种减少特征空间维度以获得稳定的、统计上可靠的机器学习模型的技术。降维主要有两种途径:特征选择和特征变换。

使用PyTorch从理论到实践理解变分自编码器VAE

变分自动编码器(Variational Auto Encoders,VAE)是种隐藏变量模型[1,2]。该模

手推公式:LSTM单元梯度的详细的数学推导

长短期记忆是复杂和先进的神经网络结构的重要组成部分。本文的主要思想是解释其背后的数学原理

Focal Loss详解以及为什么能够提高处理不平衡数据分类的表现

Focal Loss详解以及为什么能够提高处理不平衡数据分类的表现

深度学习中的模型修剪

本文讨论了深度学习环境中的修剪技术。本在本文中,我们将介绍深度学习背景下的模型修剪机制。

自注意力机制(Self-Attention)的基本知识

Transformers是机器学习(ML)中一个令人兴奋的(相对)新的部分,但是在理解它们之前,有很多概念需要分解

使用TensorBoard进行超参数优化

在本文中,我们将介绍超参数优化,然后使用TensorBoard显示超参数优化的结果。

Meal Kit 的时间序列数据预测实践

本文的目的是基于历史数据,通过机器学习的方法实现对于每周需求的预测。主要目标在于开发一个模型用于减少配送损失