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
在tensorflow2.2中使用Keras自定义模型的指标度量
使用Keras和tensorflow2.2可以无缝地为深度神经网络训练添加复杂的指标
在没有技术术语的情况下介绍Adaptive、GBDT、XGboosting等提升算法的原理简介
这篇文章将不使用任何的术语介绍每个提升算法如何决定每棵树的票数。通过理解这些算法是如何工作的，我们将了解什么
直观理解并使用Tensorflow实现Seq2Seq模型的注意机制
本文通过采用带注意机制的序列序列结构进行英印地语神经机器翻译，详细介绍注意力机制的概念
