Deephub
更多文章请关注公众号：Deephub-IMBA
时间序列分解：将时间序列分解成基本的构建块
大多数时间序列可以分解为不同的组件，在本文中，我将讨论这些不同的组件是什么，如何获取它们以及如何使用 Python 进行时间序列分解。
U-Net在2022年相关研究的论文推荐
UNet 可以算是 FCN 的一种变体，是最常用、最简单的一种分割模型，简单、高效、易懂、容易构建，且可以从小数据集中训练。2015 年，UNet 在论文 U-Net: Convolutional Networks for Biomedical Image Segmentation 中被提出 。
Keras可视化神经网络架构的4种方法
keras 中有一些现成的包可以创建我们的神经网络模型的可视化表示。
使用上下文装饰器调试Pytorch的内存泄漏问题
装饰器是 python 上下文管理器的特定实现。本片文章将通过一个pytorch GPU 调试的示例来说明如何使用它们。
使用PyTorch进行小样本学习的图像分类
我们将从几个样本中学习的问题被称为“少样本学习 Few-Shot learning”。我们将从几个样本中学习的问题被称为“少样本学习 Few-Shot learning”。少样本学习是机器学习的一个子领域。
贝叶斯推理三种方法：MCMC 、HMC和SBI
本文将阐明为什么贝叶斯方法不仅在逻辑上是合理的，而且使用起来也很简单。这里将以三种不同的方式实现相同的推理问题。
10个机器学习中常用的距离度量方法
距离度量是有监督和无监督学习算法的基础，包括k近邻、支持向量机和k均值聚类等。
PyTorch中的多GPU训练：DistributedDataParallel
本文将介绍DistributedDataParallel，DDP 基于使用多进程而不是使用多线程的 DP，可以扩充到多机多卡的环境，所以他是分布式多GPU训练的首选。
基于深度学习的Deepfake检测综述
在过去的几年里已经进行了数百项研究，发明和优化各种使用 AI 的 Deepfake 检测，本文主要就是讨论如何对 Deepfake 进行检测
12个常用的图像数据增强技术总结
扩展用于训练模型的数据量的过程称为数据增强。通过训练具有多种数据类型的模型，我们可以获得更“泛化”的模型。
使用pandas-profiling对时间序列进行EDA
在这篇文章中，我将利用 pandas-profiling 的时间序列特性，介绍EDA中的一些关键步骤。
使用KNN进行分类和回归
一般情况下k-Nearest Neighbor (KNN)都是用来解决分类的问题，其实KNN是一种可以应用于数据分类和预测的简单算法，本文中我们将它与简单的线性回归进行比较。
比较CPU和GPU中的矩阵计算
GPU 计算与 CPU 相比能够快多少？在本文中，我将使用 Python 和 PyTorch 线性变换函数对其进行测试。
构建基于Transformer的推荐系统
使用基于BERT的模型构建基于协同过滤的推荐系统
谷歌AudioLM :通过歌曲片段生成后续的音乐
AudioLM 是 Google 的新模型，能够生成与提示风格相同的音乐。该模型还能够生成复杂的声音，例如钢琴音乐或人的对话。结果是它似乎与原版没有区别，这是十分让人惊讶的。
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？”。