Deephub
更多文章请关注公众号：Deephub-IMBA
集成时间序列模型提高预测精度
使用Catboost从RNN、ARIMA和Prophet模型中提取信号进行预测
图神经网络的数学原理总结
图深度学习(Graph Deep Learning) 多年来一直在加速发展。本文将流行的图神经网络及其数学细微差别的进行详细的梳理和解释
少样本学习综述：技术、算法和模型
少样本学习(FSL)是机器学习的一个子领域，它解决了只用少量标记示例学习新任务的问题。
PlotNeuralNet + ChatGPT创建专业的神经网络的可视化图形
PlotNeuralNet：可以创建任何神经网络的可视化图表，并且这个LaTeX包有Python接口，我们可以方便的调用。
使用ControlNet 控制 Stable Diffusion
本文将要介绍整合HuggingFace的diffusers 包和ControlNet调节生成文本到图像，可以更好地控制文本到图像的生成
Python中函数参数传递方法*args, **kwargs，还有其他
本文将讨论Python的函数参数。我们将了解*args和**kwargs，/和*的都是什么，
Python图像处理:频域滤波降噪和图像增强
快速傅里叶变换(FFT)是一种将图像从空间域变换到频率域的数学技术，是图像处理中进行频率变换的关键工具，本文将讨论图像从FFT到逆FFT的频率变换所涉及的各个阶段，并结合FFT位移和逆FFT位移的使用。
结合基于规则和机器学习的方法构建强大的混合系统
在本文中，将介绍如何将手动规则和ML结合使得我们的方案变得更好。
DetectGPT:使用概率曲率的零样本机器生成文本检测
DetectGPT的目的是确定一段文本是否由特定的llm生成，例如GPT-3。
带加权的贝叶斯自举法 Weighted Bayesian Bootstrap
在去年的文章中我们介绍过Bayesian Bootstrap，今天我们来说说Weighted Bayesian Bootstrap
梯度提升算法决策过程的逐步可视化
梯度提升算法是最常用的集成机器学习技术之一，在这篇文章中，我们将从头开始构建一个梯度增强模型并将其可视化。
论文推荐：ScoreGrad，基于能量模型的时间序列预测
能量模型（Energy-based model）是一种以自监督方式执行的生成式模型，近年来受到了很多关注。本文将介绍ScoreGrad：基于连续能量生成模型的多变量概率时间序列预测。如果你对时间序列预测感兴趣，推荐继续阅读本文。
XGBoost和LightGBM时间序列预测对比
XGBoost和LightGBM都是目前非常流行的基于决策树的机器学习模型，它们都有着高效的性能表现，但是在某些情况下，它们也有着不同的特点。
使用手工特征提升模型性能
本文将使用信用违约数据集介绍手工特征的概念和创建过程。
非参数检验方法，核密度估计简介
核密度估计（Kernel Density Estimation，简称KDE）是一种非参数统计方法，用于估计数据样本背后的概率密度函数
聚类算法（下）：10个聚类算法的评价指标
上篇文章我们已经介绍了一些常见的聚类算法，下面我们将要介绍评估聚类算法的指标
聚类算法（上）：8个常见的无监督聚类方法介绍和比较
本文将全面概述Scikit-Learn库中用于的聚类技术以及各种评估方法。本文作为第一部分将介绍和比较各种聚类算法
稀疏特征和密集特征
在机器学习中，特征是指对象、人或现象的可测量和可量化的属性或特征。特征可以大致分为两类：稀疏特征和密集特征。
选择最佳机器学习模型的10步指南
机器学习可以用来解决广泛的问题。但是有很多多不同的模型可以选择，要知道哪一个适合是一个非常麻烦的事情。本文的总结将帮助你选择最适合需求的机器学习模型。
在Pandas中通过时间频率来汇总数据的三种常用方法
当我们的数据涉及日期和时间时，分析随时间变化变得非常重要。Pandas提供了一种方便的方法，可以按不同的基于时间的间隔(如分钟、小时、天、周、月、季度或年)对时间序列数据进行分组。