Deephub
更多文章请关注公众号：Deephub-IMBA
可解释的AI (XAI)：如何使用LIME 和 SHAP更好地解释模型的预测
在本文中，我将介绍两个可以帮助了解模型的决策过程的模型 LIME 和 SHAP。将可解释性集成到机器学习模型中可以帮助决策者和其他利益相关者有更多的可见性并可以让他们理解模型输出决策的解释。
开启深度强化学习之路：Deep Q-Networks简介和代码示例
Deep Q-Learning 算法是深度强化学习的核心概念之一。神经网络将输入状态映射到（动作，Q 值）对。在本篇文章中将通过游戏的示例来介绍 Deep Q-Networks 的整个概念
18 个 实用的Numpy 代码片段总结
在本文中，我整理了一些 NumPy 代码的片段，这些代码片段都是在日常开发中经常用到的。
使用卷积神经网络进行实时面部表情检测
面部表情对于社交互动很重要，并且在非语言人机交互方面发挥着重要作用。本篇文章的目标是创建一个模型，该模型可以使用网络摄像头等普通设备识别和分类一个人当前的情绪。
BERT 模型的知识蒸馏： DistilBERT 方法的理论和机制研究
在本文中，我们将探讨 DistilBERT [1] 方法背后的机制，该方法可用于提取任何类似 BERT 的模型。
带掩码的自编码器MAE详解和Pytorch代码实现
前几天已经被kaiming大神的MAE刷屏了，今天我们来看看论文具体的代码实现。
联邦学习（Federated Learning）详解以及示例代码
联邦学习也称为协同学习，它可以在产生数据的设备上进行大规模的训练，并且这些敏感数据保留在数据的所有者那里
SIMILAR：现实场景中基于子模块信息度量的主动学习
这是一篇被顶会 NeurIPS 2021收录的关于主动学习的论文，作者不仅提供了代码，还提供了很多实际案例代码。
为什么 Pi 会出现在正态分布的方程中？
本篇文章将介绍钟形曲线是如何形成的，以及π为什么会出现在一个看似与它无关的曲线的公式中。
Self-Training：用半监督的方式对任何有监督分类算法进行训练
本文将对Self-Training的流程做一个详细的介绍并使用Python 和Sklearn 实现一个完整的Self-Training示例。
SSD(Single Shot MultiBox Detector)原理详解
在这篇文章中，我将讨论用于目标检测任务的 Single Shot Multi-box Detector。
自回归模型PixelCNN是如何处理多维输入的
在这篇文章中，我们将讨论如何用多个通道建模图像，比如RGB图像。
马尔科夫决策过程基本概念详解
在今天的文章中，我们使用来自Stuart Russell和Peter Norvig的《Artificial Intelligence: A Modern Approach》一书中的网格例子来介绍MDP的基本概念。
使用自变分原理改进正则化核回归：通过变分法推导和推广Nadaraya-Watson估计
在本文中，我将介绍推导 Nadaraya-Watson 估计（本篇文章中将其简称为“核回归”）的另一种基本原理。
多元分数多项式：原理介绍以及它为什么没有流行起来？
参数化模型试图找到最能描述数据的参数或某些方程或直线，这可不是一项简单的任务!因为在实际生活中的数据很少会呈现这种漂亮的线性形式
论文导读：DINO -自监督视觉Transformers
在本篇文章中我们将探讨DINO 论文的工作原理以及分析它是如何工作的。
神经网络背后的数学原理：反向传播过程及公式推导
反向传播是神经网络通过调整神经元的权重和偏差来最小化其预测输出误差的过程。但是这些变化是如何发生的呢?如何计算隐藏层中的误差?微积分和这些有什么关系?在本文中，你将得到所有问题的回答。
从notebook到生产：填补数据科学和工程之间空白的5点建议
现在的瓶颈似乎不再是数据，而是如何将项目投入生产中。也就是说让软件工程师和数据科学家使用相同的语言来完成这个工作。
深度半监督学习方法总结
深度神经网络已被证明在对大量标记数据进行监督学习的训练中是非常有效的。SSL 是监督学习和无监督学习的结合，它使用一小部分标记示例和大量未标记数据，模型必须从中学习并对新示例进行预测。
OpenAI Codex，GitHub Copilot 和cheat.sh 三个代码建议工具对比
在本文中，我们将对比 OpenAI Codex、GitHub Copilot 和cheat.sh 的智能感知和代码建议。