一个简单但是能上分的特征标准化方法
一般情况下我们在做数据预处理时都是使用StandardScaler来特征的标准化，如果你的数据中包含异常值，那么效果可能不好。
手写数字识别-基于卷积神经网络
机器识图的过程：机器识别图像并不是一下子将一个复杂的图片完整识别出来，而是将一个完整的图片分割成许多个小部分，把每个小部分里具有的特征提取出来（也就是识别每个小部分），再将这些小部分具有的特征汇总到一起，就可以完成机器识别图像的过程了。...
Python编程学习：random.shuffle的简介、使用方法之详细攻略
Python编程学习：random.shuffle的简介、使用方法之详细攻略目录random.shuffle的简介random.shuffle的使用方法1、使两个列表打乱遵循同一个规则 random.shuffle方法，对元素进行重新排序，打乱原有的顺序，返回一个随机序列(当然此处随机序
爆火的Transformer，到底火在哪？
与传统的 Soft Attention相比， Self-Attention 可有效缩短远距离依赖特征之间的距离，更容易捕获时间序列数据中相互依赖的特征，在大多数实际问题中，Self-Attention 更被研究者们所青睐，并具有更加优异的实际表现。完全不依赖于RNN结构仅利用Attention机制的
Pytorch（二） —— 激活函数、损失函数及其梯度
δ(x)=11+e−xδ′(x)=δ(1−δ)\delta(x)=\frac{1}{1+e^{-x}}\\\delta'(x)=\delta(1-\delta)δ(x)=1+e−x1δ′(x)=δ(1−δ)tanh(x)=ex−e−xex+e−x∂tanh(x)∂x=1−tanh2(x)tanh(
【深度学习】(2) Transformer 网络解析，代码复现，附Pytorch完整代码
今天和各位分享一下如何使用 Pytorch 构建 Transformer 模型。本文的重点在代码复现，部分知识点介绍的不多，我会在之后的四篇博文中详细介绍 Encoder，Decoder，(Mask)MutiHeadAttention，以及实战案例。之前我也介绍过 Vision Tranformer
在3Dslicer中使用opencv连接相机
在3Dslicer中使用opencv连接相机
时间序列预测系列文章总结（代码使用方法）
时间序列预测系列文章总结（代码使用方法）
基于趋势和季节性的时间序列预测
分析时间序列的趋势和季节性，分解时间序列，实现预测模型
AI： 2021 年人工智能前沿科技报告(更新中……)
AI： 2021 年人工智能前沿科技报告(更新中……)1. 信息模型、具身模型和脑模拟机器人的结合将诞生超级人工智能。2. 系统研究超大规模智能模型发展和影响的新兴领域已经形成，超大规模预训练模型研发竞赛进入白热化阶段，多模态预训练模型成为下一个大模型重点发展领域。3. Transformer 成为
人工智能（大数据）
大数据
AI： 2021 年人工智能前沿科技报告02(更新中……)
AI： 2021 年人工智能前沿科技报告02(更新中……)2021 年对于人工智能技术和产业，依旧是不平凡的一年。随着算力、数据、算法等要素逐渐齐备，先进的算法结构不断涌现，各个研究方向研究成果不断突破，成熟的 AI 技术逐渐向代码库、平台和系统发展，实现产业和商业层面的落地应用，推动人工智能发展迈
Keras深度学习实战（12）——面部特征点检测
面部关键点的定位通常是许多面部分析方法和算法中的关键步骤。在本节中，我们介绍了如何通过训练卷积神经网络来检测面部的关键点，首先通过预训练模型提取特征，然后利用微调模型预测图像中人物的面部关键点。......
【机器学习】向量化计算 -- 机器学习路上必经路
在求解矩阵中，往往有很多很好的，经过高度优化的线性代数库，如octave，matlib，python numpy, c++,java.我们使用这些线性代数库，可以短短几行实现 所要的效果。阅读本文内容（需要一点点线性代数的知识）例如 求公式：h(x)=∑i=1nθi∗xih(x) = \sum_{i
深入理解PyTorch中的nn.Embedding
深入理解nn.Embedding模块
YOLO系列梳理（九）初尝新鲜出炉的YOLOv6
近日，美团视觉智能部开源了YOLOv6的框架。YOLOv4、YOLOv5更多是注重于数据增强，而对网络结构的改动则比较少。和YOLOv4、YOLOv5不同，YOLOv6对网络结构的改动还是蛮大的。
YOLOv6又快又准的目标检测框架 已开源
YOLOv6又快又准的目标检测框架 已开源
100+数据科学面试问题和答案总结 - 机器学习和深度学习
来自Amazon，谷歌，Meta, Microsoft等的面试问题，本文接着昨天的文章整理了机器学习和深度学习的问题
ML：机器学习工程化之团队十大角色背景、职责、产出物划分之详细攻略
ML：机器学习工程化之团队十大角色背景、职责、产出物划分之详细攻略目录机器学习团队十大角色背景、职责、产出物划分1、Product Manager/产品经理2、Project Manager/项目经理如何去快速实现商业化的产品？3、Business Consultant/业务咨询顾问(配合PM)—角
期末复习【机器学习】
期末复习【机器学习】
