Deephub
更多文章请关注公众号：Deephub-IMBA
现实世界中的数据科学：基于领域知识和监督学习模型的黄金价格理解与预测
本文将展示如何建立一个简单但是强大的金价预测模型，主要包含以下内容：黄金的简要历史影响金价的若干因素建立用于
基于图卷积神经网络GCN的时间序列预测:图与递归结构相结合的库存品需求预测
时间序列预测任务可以按照不同的方法执行。最经典的是基于统计和自回归的方法。循环和卷积结构在时间序列预测中取得了巨大的成功。我们尝试做的是使用时间序列的图形表示来产生未来的预测
一个简单的更改让PyTorch读取表格数据的速度提高20倍：可大大加快深度学习训练的速度
在训练深度学习模型时，性能至关重要。数据集可能非常庞大，而低效的训练方法意味着迭代速度慢
数据的预处理基础：如何处理缺失值
数据清理/探索性数据分析阶段的主要问题之一是处理缺失值。 缺失值表示未在观察值中作为变量存储的数据值。
归一化vs标准化，哪个更好
标准化 归一化 今天我们将探讨这两种技术，并了解数据分析师在解决数据科学问题时所做出的一些常见假设。
XGBoost算法背后的数学：尽可能简单地解释XGBoost算法背后的数学机制
XGBoost是一个很优美的算法，它的过程不乏启发性。这些通常简单而美丽的概念在数学术语中消失了。我在理解数学的过程中也遇到过同样的挑战，所以我写这篇文章的目的是 巩固我的理解，同时帮助其他人完成类似的过程。
机器学习模型的超参数优化
模型优化是机器学习算法实现中最困难的挑战之一。机器学习和深度学习理论的所有分支都致力于模型的优化。
Explainable AI (XAI) 不能解释什么,以及我们如何解决这个问题
神经网络准确但不可解释，决策树是可解释的，但在计算机视觉中是不准确的。对于这种问题，我们在本文有一个解决办法
理论结合实际：如何调试神经网络并检查梯度
当我们实现神经网络时，反向传播的过程中更容易出错。因此，如果我们能够实现一些使我们能够轻松调试神经网络
用于自然语言处理的BERT-双向Transformers的直观解释
在这篇文章中，我们将使用一种直观的方法来理解NLP的发展，包括BERT。预训练策略使BERT如此强大和流行，并且BERT可针对大多数NLP任务进行微调。
发家致富靠AI：使用keras预测NBA比赛赚钱，回报率136%
一个完美的预测模型，使用它能够精确地预测出未来游戏的结果。通过深入学习，这或许是可能的——或者至少比以前的数据科学技术更容易。
为什么任何的机器学习算法都可以转换为神经网络
神经网络更像是一个框架和概念，而不仅仅是一个算法。
这3个Scikit-learn的特征选择技术，能够有效的提高你的数据预处理能力
Scikit-learn是一个广泛使用的python机器学习库。它以现成的机器学习算法而闻名
使用神经网络解决拼图游戏
在一个排列不变性的数据上神经网络是困难的。拼图游戏就是这种类型的数据，那么神经网络能解决一个2x2的拼图游戏
为什么我们的神经网络需要激活函数
什么是激活函数，为什么我们需要这些激活函数。没有它们，神经网络还能工作吗?
使用神经网络为图像生成标题
本文将介绍神经网络的一个这样的应用，并让读者了解如何使用CNNs和RNNs (LSTM)的混合网络实际为图像生成标题(描述)。
如何利用机器学习和Gatsby.js创建假新闻网站
我们对错误消息并不陌生。假新闻和假标题并不是现代发明。
检测假新闻：比较不同的分类方法的准确率
这些推特是真的还是假的?
在Python中使用Torchmoji将文本转换为表情符号
TorchMoji是DeepMoji的pyTorch实现
使用Keras构建具有自定义结构和层次图卷积神经网络(GCNN)
如何构建具有自定义结构和层次的神经网络:Keras中的图卷积神经网络(GCNN)