使用torch.package将pytorch模型进行独立打包

在最新的1.9版本中有了一个新的方法torch.package，可以帮我们简化保存模型的步骤。

基本的核方法和径向基函数简介

偏差-方差困境是机器学习方法的面临的主要问题。在看完本文后，希望你能很好地理解这句话的含义以及它为什么重要。

一文读懂正则化：LASSO回归、Ridge回归、ElasticNet 回归

你可能听说过“Ridge”、“Lasso”和“ElasticNet”这样的术语。这些技术术语背后的基本概念都是正规化。在这篇文章中我们将详细进行说明。

Patchs才是你最需要的！ 新研究表明VIT的强大性能归功于Patchs的策略

Vision transformer (ViT) 在许多计算机视觉任务中取得了优于经典的卷积架构的令人瞩目的性能。

已经14年的Scikit-Learn终于1.0了，发布第一个主要版本的意义是什么？

在这篇文章中，我不想像其他许多文章那样对新特性进行分析，而是想尝试分析Scikit-Learn这个版本的目的，以及它未来的发展策略

DeepMind AlphaStar的强化学习技术基本概述

使用傅立叶变换清理时间序列数据噪声

傅立叶变换是一种从完全不同的角度查看数据的强大方法：从时域到频域。 但是这个强大的运算用它的数学方程看起来很可怕。

论文解释：Vision Transformers和CNN看到的特征是相同的吗？

本文将解释论文《Do Vision Transformers See Like Convolutional Neural Networks?》，并探讨传统CNN 和 Vision Transformer 之间的区别。

多重共线性是如何影响回归模型的

在机器学习面试中经常会被问到的一个问题是，特征如果存在多重共线性时为什么不能估计出最佳回归系数？本篇文章可以算是这个问题的标准答案

MeRL：强化学习分配奖励机制的新方法

这是谷歌在2019年发布的一种在强化学习模型中分配奖励机制的新方法。

Python 3.10的几个好用的新特性

3.10版没有添加新的模块，但是引入了很多新的并且有用的特性。让我们来一起看看吧。

DeepMind的FIRE PBT自动超参数调整，更快的模型训练和更好的最终性能

DeepMind的一个研究团队提出了Faster Improvement Rate PBT (FIRE PBT)，这是一种新的性能优于PBT方法，并与ImageNet基准上通过传统手工超参数调优训练的网络的性能相匹配。

DOTA2 插眼位置进行聚类分析，你也可以成为眼位大师

这篇文章的目标是：借助一些数据科学工具，探索职业玩家如何插眼和控制视野。

10分钟掌握异常检测

异常检测(也称为离群点检测)是检测异常实例的任务，异常实例与常规实例非常不同。这些实例称为异常或离群值，而正常实例称为内部值。

机器学习中的参数与非参数方法

在今天的文章中，我们将讨论机器学习背景下的参数和非参数方法。此外，我们将探讨它们的主要差异以及它们的主要优点和缺点。

Matplotlib也可以渲染出交互式的可视化图表

交互式图表受到所有人的喜爱，因为它们能够更有效地讲述故事。

2021 年 10 月推荐阅读的10篇精选ML论文

每个月都会有几千篇的论文在arXiv发布，我们不可能看完所有的文章，但是我们可以从中找到一些趋势：

使用 Weaviate 矢量搜索为 60 多万篇学术论文构建可扩展的知识图谱搜索

Keenious 是一个专为学生、研究人员设计的搜索引擎！并且提供了应用程序直接在文本编辑器中运行；可以帮助我们分析整个文档并工作时找到高度相关的结果

JupyterLab 发布了桌面应用程序，但是它好用吗？

大约不到一周前，在 Jupyter 的博客中，他们宣布了 JupyterLab 桌面应用程序的发布。

自回归模型 - PixelCNN

生成模型是近年来受到广泛关注的无监督学习中的一类重要模型。PixelCNN 模型的优点是联合概率学习技术是非常容易处理的