机器学习中处理缺失值的9种方法
在这个文章中,我将分享处理数据缺失的9种方法
初始化神经网络权重的方法总结
在本文中,评估了权值初始化的许多方法和当前的最佳实践
在神经网络中提取知识:学习用较小的模型学得更好
知识蒸馏是利用从一个大型模型或模型集合中提取的知识来训练一个紧凑的神经网络。
强化学习的最基本概念马尔可夫决策过程简介
在本文中我将介绍强化学习的基本方面,即马尔可夫决策过程。
选择正确的错误度量标准:MAPE与sMAPE的优缺点
MSE,RMSE,MAE,MAPE,sMAPE… 那么,如何决定要为我们的项目使用哪种指标呢?
可变形卷积在视频学习中的应用:如何利用带有稀疏标记数据的视频帧
卷积层是卷积神经网络的基本层。虽然它在计算机视觉和深度学习中得到了广泛的应用,但也存在一些不足。
FastFormers 论文解读:可以使Transformer 在CPU上的推理速度提高233倍
自Transformers诞生以来,紧随其后的是BERT,在几乎所有与语言相关的任务中,都占据着NLP的主导地位。
使用Pandas的resample函数处理时间序列数据的技巧
时间序列数据在数据科学项目中很常见。通常,可能会对将时序数据重新采样到要分析数据的频率或从数据中汲取更多见解
5分钟理解RELU以及他在深度学习中的作用
激活函数的主要目的是将非线性特性引入模型
DeOldify,这个开源的AI代码可以给你的黑白照片上色
DeOldify是一种技术,以彩色和恢复旧的黑白图像,甚至电影片段。这是目前最先进的黑白图像着色方法,而且所有的东西都是开源的。
如何推导高斯过程回归以及深层高斯过程详解
使用不同核函数的高斯过程高斯过程像所有其他机器学习模型一样,高斯过程是一个简单预测的数学模型。
使用Sentence Transformers和Faiss构建语义搜索引擎
在本教程中,您将学习如何使用Sentence Transformers和Faiss构建一个基于向量的搜索引擎。代码地址会在本文的最后提供
论文解读:使用局部卷积对不规则缺失的图像进行修复
今天,我想谈谈一篇很好的深层图像修复论文,它打破了以前的修复工作的某些限制。简而言之,大多数以前的论文都假设
用对线阶段数据分析和预测《英雄联盟》的游戏结果
使用来自大约10K的前10分钟的游戏数据来预测高elo排名游戏的结果
Python手写决策树并应对过度拟合问题
介绍决策树是一种用于监督学习的算法。它使用树结构,预测过程是通过沿着路径的每个决策节点回答问题来从根到达叶节点。
孤立森林:大数据背景下的最佳异常检测算法之一
孤立森林或“iForest”是一个非常漂亮和优雅简单的算法,可以用很少的参数来识别异常。
通过数据分析找出Netflix最适合学习英语的电影和电视剧
从Netflix的1500部电视剧和电影中找出哪一部最适合学习英语。
Pandas与SQL的数据操作语句对照
本文可以作为一个备查表、字典、指南,无论你想怎么称呼它,这样你在使用Pandas时就可以参考它。
神经网络中的损失函数正则化和 Dropout 并手写代码实现
在深度神经网络中最常用的方法是Regularization和dropout。 在本文中,我们将一起理解这两种方法并在python中实现它们
PyTorch中的傅立叶卷积:通过FFT有效计算大核卷积的数学原理和代码实现
卷积卷积在数据分析中无处不在。几十年来,它们已用于信号和图像处理。