Deephub
更多文章请关注公众号：Deephub-IMBA
使用Python和OCR进行文档解析的完整代码演示
在本文中将使用Python演示如何解析文档(如pdf)并提取文本，图形，表格等信息。
高斯过程相关研究的新进展的8篇论文推荐（统计 +人工智能）
总结今年5月以来，高斯过程相关研究的新进展
图神经网络的可解释性方法介绍和GNNExplainer解释预测的代码示例
深度学习模型的可解释性为其预测提供了人类可以理解的推理。本文将总结图神经网络模型的可解释性方法。
无监督学习的12个最重要的算法介绍及其用例总结
无监督学习（Unsupervised Learning）是和监督学习相对的另一种主流机器学习的方法，无监督学习是没有任何的数据标注只有数据本身。
5个时间序列预测的深度学习模型对比总结：从模拟统计模型到可以预训练的无监督模型
时间序列预测在最近两年内发生了巨大的变化，尤其是在kaiming的MAE出现以后，现在时间序列的模型也可以用类似MAE的方法进行无监督的预训练
以数据为中心和模型为中心的AI是贝叶斯论和频率论的另一种变体吗？
在这篇文章中，我将对这两种方法提供一个新的视角。我将从统计的角度来看它们，看看它是否可以阐明哪种方法更好以及在什么情况下更好。
两个简单的代码片段让你的图表动起来
使用 plotly 和 gif库 在 Python 中创建动画图
基于LSTM-CNN的人体活动识别
人体活动识别（HAR）是一种使用人工智能（AI）从智能手表等活动记录设备产生的原始数据中识别人类活动的方法。在本文中，我将使用LSTM 和CNN 来识别下面的人类活动
通过哈密顿蒙特卡罗（HMC）拟合深度高斯过程，量化信号中的不确定性
本文将介绍如何使用深度高斯过程建模量化信号中的不确定性
5分钟NLP-知识问答(KBQA)两种主流方法：基于语义解析和基于信息检索的方法介绍
基于知识的问答是以知识库为认知源，在知识库的基础上回答自然语言问题。在本文中讲介绍知识问答两种主要方法。
使用 CLIP 对没有标记的图像进行零样本无监督分类
OpenAI 提出的CLIP模型，不需要标签并且在 ImageNet 上实现 76.2% 的测试准确率，在这篇文章中将概述 CLIP 的信息，如何使用它来最大程度地减少对传统的监督数据的依赖，以及它对深度学习从业者的影响。
Block Recurrent Transformer：结合了LSTM和Transformer优点的强大模型
2022年3月Google研究团队和瑞士AI实验室IDSIA提出了一种新的架构，称为Block Recurrent Transformer 从名字中就能看到，这是一个新型的Transformer模型，它利用了lstm的递归机制，在长期序列的建模任务中实现了显著改进。
回归问题的评价指标和重要知识点总结
回归分析为许多机器学习算法提供了坚实的基础。在这篇文章中，我们将总结 10 个重要的回归问题和5个重要的回归问题的评价指标。
50个常用的Numpy函数解释，参数和使用示例
Numpy是python中最有用的工具之一。它可以有效地处理大容量数据。使用NumPy的最大原因之一是它有很多处理数组的函数。在本文中，将介绍NumPy在数据科学中最重要和最有用的一些函数。
pandas.read_csv() 处理 CSV 文件的 6 个有用参数
pandas.read_csv 有很多有用的参数，你都知道吗？本文将介绍一些 pandas.read_csv()有用的参数，这些参数在我们日常处理CSV文件的时候是非常有用的。
卷积神经网络在深度学习中新发展的5篇论文推荐
卷积神经网络在深度学习中新发展的5篇论文推荐
ArgMiner：一个用于对论点挖掘数据集进行处理、增强、训练和推理的 PyTorch 的包
对kaggle中Feedback Prize比赛该兴趣的小伙伴推荐了解下。ArgMiner可以用于对SOTA论点挖掘数据集进行标准化处理、扩充、训练和执行推断。
Github Copilot 值得购买吗？使用GitHub Copilot进行快速EDA的示例
本篇文章作为例子来演示如何将Copilot用于探索性分析,看看每月10美元是否值得
基于图的 Affinity Propagation 聚类计算公式详解和代码示例
Affinity Propagation Clustering（简称AP算法）是2007提出的，当时发表在Science上《single-exemplar-based》。特别适合高维、多类数据快速聚类，相比传统的聚类算法，该算法算是比较新的，从聚类性能和效率方面都有大幅度的提升。
零样本和少样本学习
在本篇文章中，我们将讨论机器学习和深度学习的不同领域中的一个热门话题:零样本和少样本学习(Zero and Few Shot learning)，它们在自然语言处理到计算机视觉中都有不同的应用场景。