最基本的25道深度学习面试问题和答案

如果你最近正在参加深度学习相关的面试工作，那么这些问题会对你有所帮助。

Python 3.14 将比 C++ 更快🤭

使用外推法证明Python 3.14 将比 C++ 更快🤭

扩散模型的极简介绍

扩散模型是什么，如何工作以及他如何解决实际的问题

论文推荐：当自监督遇到主动学习

Reducing Label Effort: Self-Supervised meets Active Learning这篇论文将主动学习和自监督训练结合，减少了标签的依赖并取得了很好的效果。

7个有用的Jupyter扩展

今天将介绍7个不常见但是却很好用且能够提高效率的Jupyter扩展

NumPy和Pandas中的广播

在本文中介绍Numpy的广播机制和Pandas中的一些广播的函数，并使用泰坦尼克的数据集演示了pandas上常用的转换/广播操作。

带掩码的自编码器MAE在各领域中的应用总结

NLP，图像，视频，多模态，设置时间序列和图机器学习中都出现了MAE的身影

使用机器学习创建自己的Emojis 表情

在本文中，我们将描述一种图像生成方法，该方法无需额外的模型训练和昂贵的设备就可以在不同的图像风格之间切换。

GANs的优化函数与完整损失函数计算

本文详细解释了GAN优化函数中的最小最大博弈和总损失函数是如何得到的。将介绍原始GAN中优化函数的含义和推理，以及它与模型的总损失函数的区别，这对于理解Generative Adversarial Nets是非常重要的

有关遗传算法最新发展的4篇论文推荐

时间序列中的特征选择：在保持性能的同时加快预测速度

在这篇文章中，我们展示了特征选择在减少预测推理时间方面的有效性，同时避免了性能的显着下降。tspiral 是一个 Python 包，它提供了各种预测技术。并且它与 scikit-learn 可以完美的集成使用。

使用扩散模型从文本生成图像

最大似然估计(MLE)入门教程

最大似然估计(Maximum Likelihood Estimation)是一种可以生成拟合数据的任何分布的参数的最可能估计的技术。它是一种解决建模和统计中常见问题的方法——将概率分布拟合到数据集。

使用Torchmetrics快速进行验证指标的计算

TorchMetrics可以为我们提供一种简单、干净、高效的方式来处理验证指标。TorchMetrics提供了许多现成的指标实现，如Accuracy, Dice, F1 Score, Recall, MAE等等，几乎最常见的指标都可以在里面找到。

使用时间序列数据预测《Apex英雄》的玩家活跃数据

在本文中我们使用《Apex英雄》中数据分析的玩家活动时间模式，并预测其增长或下降。

学习偏态分布的相关知识和原理的4篇论文推荐

偏态分布(skewness distribution)指频数分布的高峰位于一侧，尾部向另一侧延伸的分布。

如何估算transformer模型的显存大小

本文将详细介绍如何计算transformer的内存占用

为什么基于树的模型在表格数据上仍然优于深度学习

在这篇文章中，将详细解释一个被世界各地的机器学习从业者在各种领域观察到的现象——基于树的模型在分析表格数据方面比深度学习/神经网络好得多。

将特征转换为正态分布的一种方法示例

正态（高斯）分布在机器学习中起着核心作用，线性回归模型中要假设随机误差等方差并且服从正态分布，如果变量服从正态分布，那么更容易建立理论结果。

Pytorch中获取模型摘要的3种方法

在pytorch中获取模型的可训练和不可训练的参数，层名称，内核大小和数量。