Deephub
更多文章请关注公众号：Deephub-IMBA
更简单的掩码图像建模框架SimMIM介绍和PyTorch代码实现
在本文中我们将探索一篇和MAE同期的工作：SimMIM，任何VIT都可以在大量未注释的数据上进行训练，并且可以很好地学习下游任务。
10个自动EDA库功能介绍：几行代码进行的数据分析靠不靠谱
在本文中整理了10个可以自动执行EDA并生成有关数据的见解的软件包，看看他们都有什么功能，能在多大程度上帮我们自动化解决EDA的需求。
8个常见的机器学习算法的计算复杂度总结
计算的复杂度是一个特定算法在运行时所消耗的计算资源(时间和空间)的度量。
在表格数据集上训练变分自编码器 (VAE)示例
变分自编码器 (VAE) 是在图像数据应用中被提出，但VAE不仅可以应用在图像中。在这篇文章中，我们将简单介绍什么是VAE，以及解释“为什么”变分自编码器是可以应用在数值类型的数据上，最后使用Numerai数据集展示“如何”训练它。
细胞图像数据的主动学习
通过细胞图像的标签对模型性能的影响，为数据设置优先级和权重。
10快速入门Query函数使用的Pandas的查询示例
pandas.的query函数为我们提供了一种编写查询过滤条件更简单的方法，特别是在的查询条件很多的时候，在本文中整理了10个示例，掌握着10个实例你就可以轻松的使用query函数来解决任何查询的问题。
使用分类权重解决数据不平衡的问题
在分类任务中，不平衡数据集是指数据集中的分类不平均的情况，会有一个或多个类比其他类多的多或者少的多。
使用内存映射加快PyTorch数据集的读取
本文将介绍如何使用内存映射文件加快PyTorch数据集的加载速度
30 个数据工程必备的Python 包
在本文中，将介绍一些非常独特的并且好用的 Python 包，它们可以在许多方面帮助你构建数据的工作流。
6个可解释AI (XAI)的Python框架推荐
随着人工智能的发展为了解决具有挑战性的问题，人们创造了更复杂、更不透明的模型。在本文中，我将介绍6个用于可解释性的Python框架。
RepVGG论文详解以及使用Pytorch进行模型复现
RepVGG 是2021 CVPR的一篇论文，在本文中首先介绍了他如何过河拆桥，白嫖了多分枝架构的性能，然后再使用Pytorch复现RepVGG模型，告诉你如何进行白嫖的操作。
特征工程中的缩放和编码的方法总结
数据预处理是机器学习生命周期的非常重要的一个部分。特征工程又是数据预处理的一个重要组成，在本文中主要介绍特征缩放和特征编码的主要方法。
使用三重损失和孪生神经网络训练大型类目的嵌入表示
在这篇文章中，描述了一种通过在网站内部的用户搜索数据上使用自监督学习技术来训练高质量的可推广嵌入的方法。
代码的表示学习：CodeBERT及其他相关模型介绍
本文将对论文进行简要概述，并使用一个例子展示如何使用。在最后除了CodeBert以外，还整理了最近一些关于他的研究之上的衍生模型。
微调LayoutLM v3进行票据数据的处理和内容识别
在本文中，我们将在微软的最新Layoutlm V3上进行微调，并将其性能与Layoutlm V2模型进行比较。
基于速度、复杂性等因素比较KernelSHAP和TreeSHAP
KernelSHAP 和 TreeSHAP 都用于近似 Shapley 值。本文将比较这两种近似方法
分布式学习和联邦学习简介
在这篇文章中，我们将讨论分布式学习和联邦学习的主要原理以及它们是如何工作的。
使用python手写Metropolis-Hastings算法的贝叶斯线性回归
本文通过手写Metropolis-Hastings来深入的理解MCMC的过程
5分钟NLP：Python文本生成的Beam Search解码
Beam Search不取每个标记本身的绝对概率，而是考虑每个标记的所有可能扩展。然后根据其对数概率选择最合适的标记序列。
GraphMAE：将MAE的方法应用到图中使图的生成式自监督学习超越了对比学习
前几天的文章中我们提到MAE在时间序列的应用，本篇文章介绍的论文已经将MAE的方法应用到图中，这是来自[KDD2022]的论文GraphMAE: Self-supervised Masked Graph Autoencoders