Deephub
更多文章请关注公众号：Deephub-IMBA
特征工程在营销组合建模中的应用：基于因果推断的机器学习方法优化渠道效应估计
因果推断方法为特征工程提供了一个更深层次的框架，使我们能够区分真正的因果关系和简单的统计相关性。
lintsampler：高效从任意概率分布生成随机样本的新方法
``` lintsampler ``` 是一个纯Python实现的库，能够高效地从任意概率分布中生成随机样本。
基于OpenFOAM和Python的流场动态模态分解：从数据提取到POD-DMD分析
本文探讨了Python脚本与动态模态分解(DMD)的结合应用。我们将利用Python对从OpenFOAM模拟中提取的二维切片数据进行DMD计算。这种方法能够有效地提取隐藏的流动模式,深化对流体动力学现象的理解。
如果你的PyTorch优化器效果欠佳,试试这4种深度学习中的高级优化技术吧
在深度学习领域，优化器的选择对模型性能至关重要。
信息论、机器学习的核心概念：熵、KL散度、JS散度和Renyi散度的深度解析及应用
本文深入探讨了信息论、机器学习和统计学中的几个核心概念：熵、KL散度、Jensen-Shannon散度和Renyi散度。这些概念不仅是理论研究的基石，也是现代数据分析和机器学习应用的重要工具。
数据准备指南：10种基础特征工程方法的实战教程
特征工程是将原始数据转化为更具信息量的特征的过程。本文将详细介绍十种基础特征工程技术，包括其基本原理和实现示例。
三种Transformer模型中的注意力机制介绍及Pytorch实现：从自注意力到因果自注意力
本文深入探讨Transformer模型中三种关键的注意力机制：自注意力、交叉注意力和因果自注意力。我们不仅会讨论理论概念，还将使用Python和PyTorch从零开始实现这些注意力机制。
多代理强化学习综述：原理、算法与挑战
多代理强化学习是强化学习的一个子领域，专注于研究在共享环境中共存的多个学习代理的行为。每个代理都受其个体奖励驱动，采取行动以推进自身利益
边缘检测评估方法：FOM、RMSE、PSNR和SSIM对比实验和理论研究
本文通过理论分析和实证实验,明确展示了FOM在边缘检测评估中的优越性。相比之下,RMSE、PSNR和SSIM在这一任务中表现出明显的局限性。
稀疏促进动态模态分解（SPDMD）详细介绍以及应用
在机器学习和人工智能领域，SPDMD的应用场景广泛。它可用于图像处理和计算机视觉中的特征提取和降维.在时间序列分析中，SPDMD可以识别复杂数据中的主要趋势和周期性模式
贝叶斯线性回归：概率与预测建模的融合
贝叶斯线性回归提供了一个强大的框架，用于理解和量化变量之间的关系。通过引入先验分布和考虑参数的不确定性，这种方法不仅能给出点估计，还能提供完整的后验分布，从而更全面地描述我们的知识状态。
图像数据增强库综述：10个强大图像增强工具对比与分析
本文旨在全面介绍当前广泛使用的图像数据增强库，分析其特点和适用场景，以辅助研究人员和开发者选择最适合其需求的工具。
FredNormer: 非平稳时间序列预测的频域正则化方法
FredNormer的核心思想是从频率角度观察数据集,并自适应地增加关键频率分量的权重。
PAIRDISTILL: 用于密集检索的成对相关性蒸馏方法
成对相关性蒸馏(Pairwise Relevance Distillation, PAIRDISTILL)。
扩散引导语言建模(DGLM):一种可控且高效的AI对齐方法
扩散引导语言建模(Diffusion Guided Language Modeling, DGLM)。DGLM旨在结合自回归生成的流畅性和连续扩散的灵活性,为可控文本生成提供一种更有效的方法。
SCoRe: 通过强化学习教导大语言模型进行自我纠错
这是谷歌9月发布在arxiv上的论文，研究者们提出了一种新方法**自我纠错强化学习(SCoRe)**,旨在使大语言模型能够在没有任何外部反馈或评判的情况下"即时"纠正自己的错误。
VisionTS：基于时间序列的图形构建高性能时间序列预测模型，利用图像信息进行时间序列预测
本文将讨论以下几个方面： - 图像如何在内部编码序列信息？ - 利用预训练计算机视觉模型进行时间序列分析的概念 - ***VisionTS***：一种适用于时间序列数据的预训练Vision Transformer模型。
Minstrel自动生成结构化提示，让AI为AI写提示词的多代理提示生成框架
在人工智能快速发展的今天，如何有效利用大型语言模型（LLMs）成为了一个普遍关注的话题。这是9月份的一篇论文，提出了LangGPT结构化提示框架和Minstrel多代理提示生成系统，为非AI专家使用LLMs提供了强大支持。