Deephub
更多文章请关注公众号：Deephub-IMBA
时间序列的平稳性
如何检查时间序列是否平稳，如果它是非平稳的，我们可以怎么处理
用CTGAN生成真实世界的表格数据
随着CLIP和稳定模型的快速发展，图像生成领域中GAN已经不常见了，但是在表格数据中GAN还是可以看到它的身影。
神经网络初学者的激活函数指南
如果你刚刚开始学习神经网络，激活函数的原理一开始可能很难理解。但是如果你想开发强大的神经网络，理解它们是很重要的。
2023年4月的12篇AI论文推荐
GPT-4发布仅仅三周后，就已经随处可见了。本月的论文推荐除了GPT-4以外还包括、语言模型的应用、扩散模型、计算机视觉、视频生成、推荐系统和神经辐射场。
Pandas 2.0 vs Polars:速度的全面对比
本文将比较Pandas 2.0(使用Numpy和Pyarrow作为后端)和Polars 0.17.0的速度。并且介绍使用Polars库复现一些简单到复杂的Pandas代码，这样也算是对Polars的一个简单介绍。另外测试将在4 cpu和32 GB RAM上进行。
利用强化学习Q-Learning实现最短路径算法
本文中我们将尝试找出一种方法，在从目的地a移动到目的地B时尽可能减少遍历路径。我们使用自己的创建虚拟数据来提供演示，下面代码将创建虚拟的交通网格：
可视化CNN和特征图
卷积神经网络(cnn)是一种神经网络，通常用于图像分类、目标检测和其他计算机视觉任务。CNN的关键组件之一是特征图，它是通过对图像应用卷积滤波器生成的输入图像的表示。
论文推荐：DCSAU-Net，更深更紧凑注意力U-Net
这是一篇23年发布的新论文，论文提出了一种更深、更紧凑的分裂注意力的U-Net，该网络基于主特征守恒和紧凑分裂注意力模块，有效地利用了底层和高层语义信息。
7个最新的时间序列分析库介绍和代码示例
所以本文将分享8个目前比较常用的，用于处理时间序列问题的Python库。他们是tsfresh, autots, darts, atspy, kats, sktime, greykite。
常用的ControlNet以及如何在Stable Diffusion WebUI中使用
ControlNet是斯坦福大学研究人员开发的Stable Diffusion的扩展，使创作者能够轻松地控制AI图像和视频中的对象
Pandas 2.0正式版发布： Pandas 1.5，Polars，Pandas 2.0 速度对比测试
这里我们将对比下 Pandas 1.5，Polars，Pandas 2.0 。看看在速度上 Pandas 2.0有没有优势。
使用Python实现Hull Moving Average (HMA)
在下面的文章中，我们将介绍如何使用Python实现HMA。本文将对计算WMA的两种方法进行详细比较。然后介绍它在时间序列建模中的作用。
用遗传算法寻找迷宫出路
遗传算法是一种基于达尔文进化论的搜索启发式算法。该算法模拟了基于种群中最适合个体的自然选择。
奇异值分解（SVD）和图像压缩
在本文中，我将尝试解释 SVD 背后的数学及其几何意义，还有它在数据科学中的最常见的用法，图像压缩。
这个ChatGPT插件可以远程运行代码，还生成图表
插件系统的确让ChatGPT变得有趣:“Code Interpreter”不仅可以让远程运行代码，而且还使数据科学简单，高效。
基于凸集上投影（POCS）的聚类算法
本文综述了一种基于凸集投影法的聚类算法，即基于POCS的聚类算法。原始论文发布在IWIS2022上。
使用Unit Scaling进行FP16 和 FP8 训练
Unit Scaling 是一种新的低精度机器学习方法，能够在没有损失缩放的情况下训练 FP16 和 FP8 中的语言模型。
时间序列特征提取的Python和Pandas代码示例
使用Pandas和Python从时间序列数据中提取有意义的特征，包括移动平均，自相关和傅里叶变换。
扩散模型的Prompt指南:如何编写一个明确提示
Prompt（提示）是扩散模型生成图像的内容来源，构建好的提示是每一个Stable Diffusion用户需要解决的第一步。本文总结所有关于提示的内容，这样可以让你生成更准确，更好的图像
使用Pytorch实现对比学习SimCLR 进行自监督预训练
SimCLR（Simple Framework for Contrastive Learning of Representations）是一种学习图像表示的自监督技术。SimCLR 已被证明在各种图像分类基准上优于最先进的无监督学习方法。