使用TensorFlow Probability实现最大似然估计

TensorFlow Probability是一个构建在TensorFlow之上的Python库。它将我们的概率模型与现代硬件(例如GPU)上的深度学习结合起来。

NeurIPS 2022-10大主题、50篇论文总结

2672篇主要论文，63场研讨会，7场受邀演讲，包括语言模型、脑启发研究、扩散模型、图神经网络……NeurIPS包含了世界级的AI研究见解，本文将对NeurIPS 2022做一个全面的总结。

论文推荐：Rethinking Attention with Performers

重新思考的注意力机制，Performers是由谷歌，剑桥大学，DeepMind，和艾伦图灵研究所发布在2021 ICLR的论文已经超过500次引用

PyTorch中学习率调度器可视化介绍

学习率调度器有很多个，并且我们还可以自定义调度器。本文将介绍PyTorch中不同的预定义学习率调度器如何在训练期间调整学习率

基于SARIMA、XGBoost和CNN-LSTM的时间序列预测对比

本文将讨论通过使用假设测试、特征工程、时间序列建模方法等从数据集中获得有形价值的技术。我还将解决不同时间序列模型的数据泄漏和数据准备等问题，并且对常见的三种时间序列预测进行对比测试。

图像数据的特征工程

总结了常用的图像特征工程，裁剪，灰度化，RGB通道选择，强度阈值，边缘检测和颜色过滤器

7个有用的Pandas显示选项

为机器学习模型设置最佳阈值：0.5是二元分类的最佳阈值吗

在本文中，我将展示如何从二元分类器中选择最佳阈值。

支持向量机核技巧：10个常用的核函数总结

支持向量机是一种监督学习技术，主要用于分类，也可用于回归。它的关键概念是算法搜索最佳的可用于基于标记数据(训练数据)对新数据点进行分类的超平面。

在本地PC运行 Stable Diffusion 2.0

这里我们将介绍如何在本地PC上尝试新版本

多元时间序列特征工程的指南

使用Python根据汇总统计信息添加新特性，本文将告诉你如何计算几个时间序列中的滚动统计信息。将这些信息添加到解释变量中通常会获得更好的预测性能。

从头开始进行CUDA编程：原子指令和互斥锁

本文是本系列的最后一部分，我们将讨论原子指令，它将允许我们从多个线程中安全地操作同一内存。我们还将学习如何利用这些操作来创建互斥锁

用强化学习玩《超级马里奥》

Pytorch的一个强化的学习教程（ Train a Mario-playing RL Agent）使用超级玛丽游戏来学习双Q网络(强化学习的一种类型)

MSE = Bias² + Variance?什么是“好的”统计估计器

本文的目的并不是要证明这个公式，而是将他作为一个入口，让你了解统计学家如何以及为什么这样构建公式，以及我们如何判断是什么使某些估算器比其他估算器更好。

使用PyTorch实现简单的AlphaZero的算法（3）：神经网络架构和自学习

神经网络架构和训练、自学习、棋盘对称性、Playout Cap Randomization，结果可视化

10个实用的数据可视化的图表总结

可视化是一种方便的观察数据的方式，可以一目了然地了解数据块。我们经常使用柱状图、直方图、饼图、箱图、热图、散点图、线状图等。这些典型的图对于数据可视化是必不可少的

BT - Unet:生物医学图像分割的自监督学习框架

BT-Unet采用Barlow twin方法对U-Net模型的编码器进行无监督的预训练减少冗余信息，以学习数据表示。之后，对完整网络进行微调以执行实际的分割。

使用Python进行交易策略和投资组合分析

我们将在本文中衡量交易策略的表现。并将开发一个简单的动量交易策略，它将使用四种资产类别:债券、股票和房地产。这些资产类别的相关性很低，这使得它们成为了极佳的风险平衡选择。

使用HuggingFace实现 DiffEdit论文的掩码引导语义图像编辑

在本文中，我们将实现Meta AI和Sorbonne Universite的研究人员最近发表的一篇名为DIFFEDIT的论文。对于那些熟悉稳定扩散过程或者想了解DiffEdit是如何工作的人来说，这篇文章将对你有所帮助。

自回归滞后模型进行多变量时间序列预测

本文的主要内容如下：多变量时间序列包含两个或多个变量；ARDL 方法可用于多变量时间序列的监督学习；使用特征选择策略优化滞后数。如果要预测多个变量，可以使用 VAR 方法。