10个Pandas的小技巧

pandas是数据科学家必备的数据处理库，我们今天总结了10个在实际应用中肯定会用到的技巧

持续学习常用6种方法总结：使ML模型适应新数据的同时保持旧数据的性能

持续学习是指在不忘记从前面的任务中获得的知识的情况下，按顺序学习大量任务的模型。

训练深度学习神经网络的常用5个损失函数

损失函数的选择与神经网络模型从示例中学习的特定预测建模问题（例如分类或回归）有关。在本文中我们将介绍常用的一些损失函数

使用基于注意力的编码器-解码器实现医学图像描述

使用计算机视觉和自然语言处理来为X 射线的图像生成文本描述。

我们能从后验分布中学到什么?贝叶斯后验的频率解释

假设我们从未知分布 q 中观察到 N 个独立且同分布的 (iid) 样本 X = (x1, ... , xN)。统计学中的一个典型问题是“样本集 X 能告诉我们关于分布 q 的什么信息？”。

sklearn 中的两个半监督标签传播算法 LabelPropagation和LabelSpreading

标签传播算法是一种半监督机器学习算法，它将标签分配给以前未标记的数据点。要在机器学习中使用这种算法，只有一小部分示例具有标签或分类。在算法的建模、拟合和预测过程中，这些标签被传播到未标记的数据点。

数据科学家在使用Python时常犯的9个错误

最佳实践都是从错误中总结出来的，所以这里我们总结了一些遇到的最常见的错误，并提供了如何最好地解决这些错误的方法、想法和资源。

自注意力中的不同的掩码介绍以及他们是如何工作的?

注意力掩码本质上是一种阻止模型看我们不想让它看的信息的方法。这不是一种非常复杂的方法，但是它却非常有效。我希望这篇文章能让你更好地理解掩码在自注意力中的作用

时间序列平滑法中边缘数据的处理技术

金融市场的时间序列数据是出了名的杂乱，并且很难处理。这也是为什么人们都对金融数学领域如此有趣的部分原因!

2022年10个用于时间序列分析的Python库推荐

去年我们整理了一些用于处理时间序列数据的Python库，现在已经是2022年了，我们看看又有什么新的推荐

使用PyG进行图神经网络的节点分类、链路预测和异常检测

在这篇文章中，我们将回顾节点分类、链接预测和异常检测的相关知识和用Pytorch Geometric代码实现这三个算法。

带掩码的自编码器（MAE）最新的相关论文推荐

7-9月的MAE相关的9篇论文推荐

机器学习模型的集成方法总结：Bagging, Boosting, Stacking, Voting, Blending

集成学习是一种元方法，通过组合多个机器学习模型来产生一个优化的模型，从而提高模型的性能。集成学习可以很容易地减少过拟合，避免模型在训练时表现更好，而在测试时不能产生良好的结果。

在gpu上运行Pandas和sklearn

Pandas和sklearn这两个是我们最常用的基本库，Rapids将Pandas和sklearn的功能完整的平移到了GPU之上

超长时间序列数据可视化的6个技巧

本文展示了6种用于绘制长时间序列数据的可视化方法，通过使用交互函数和改变视角，我可以使结果变得友好并且能够帮助我们更加关注重要的数据点。

生成模型VAE、GAN和基于流的模型详细对比

生成算法有很多，但属于深度生成模型类别的最流行的模型是变分自动编码器(VAE)、gan和基于流的模型。

Vision Transformer和MLP-Mixer联系和对比

本文的主要目标是说明MLP-Mixer和ViT实际上是一个模型类，尽管它们在表面上看起来不同。

4个Python推导式相关的开发技巧

5道面试中的常见的统计学问题

贝叶斯回归：使用 PyMC3 实现贝叶斯回归

在这篇文章中，我们将介绍如何使用PyMC3包实现贝叶斯线性回归，并快速介绍它与普通线性回归的区别。