Deephub
更多文章请关注公众号：Deephub-IMBA
FastFormers 论文解读：可以使Transformer 在CPU上的推理速度提高233倍
自Transformers诞生以来，紧随其后的是BERT，在几乎所有与语言相关的任务中，都占据着NLP的主导地位。
使用Pandas的resample函数处理时间序列数据的技巧
时间序列数据在数据科学项目中很常见。通常，可能会对将时序数据重新采样到要分析数据的频率或从数据中汲取更多见解
5分钟理解RELU以及他在深度学习中的作用
激活函数的主要目的是将非线性特性引入模型
DeOldify，这个开源的AI代码可以给你的黑白照片上色
DeOldify是一种技术，以彩色和恢复旧的黑白图像，甚至电影片段。这是目前最先进的黑白图像着色方法，而且所有的东西都是开源的。
如何推导高斯过程回归以及深层高斯过程详解
使用不同核函数的高斯过程高斯过程像所有其他机器学习模型一样，高斯过程是一个简单预测的数学模型。
使用Sentence Transformers和Faiss构建语义搜索引擎
在本教程中，您将学习如何使用Sentence Transformers和Faiss构建一个基于向量的搜索引擎。代码地址会在本文的最后提供
论文解读：使用局部卷积对不规则缺失的图像进行修复
今天，我想谈谈一篇很好的深层图像修复论文，它打破了以前的修复工作的某些限制。简而言之，大多数以前的论文都假设
用对线阶段数据分析和预测《英雄联盟》的游戏结果
使用来自大约10K的前10分钟的游戏数据来预测高elo排名游戏的结果
Python手写决策树并应对过度拟合问题
介绍决策树是一种用于监督学习的算法。它使用树结构，预测过程是通过沿着路径的每个决策节点回答问题来从根到达叶节点。
孤立森林:大数据背景下的最佳异常检测算法之一
孤立森林或“iForest”是一个非常漂亮和优雅简单的算法，可以用很少的参数来识别异常。
通过数据分析找出Netflix最适合学习英语的电影和电视剧
从Netflix的1500部电视剧和电影中找出哪一部最适合学习英语。
Pandas与SQL的数据操作语句对照
本文可以作为一个备查表、字典、指南，无论你想怎么称呼它，这样你在使用Pandas时就可以参考它。
神经网络中的损失函数正则化和 Dropout 并手写代码实现
在深度神经网络中最常用的方法是Regularization和dropout。 在本文中，我们将一起理解这两种方法并在python中实现它们
PyTorch中的傅立叶卷积：通过FFT有效计算大核卷积的数学原理和代码实现
卷积卷积在数据分析中无处不在。几十年来，它们已用于信号和图像处理。
Python中的时间序列数据可视化的完整指南
时间序列数据在许多不同的行业中都非常重要。它在研究、金融行业、制药、社交媒体、网络服务等领域尤为重要。
Python和VizViewer进行自动驾驶数据集可视化
使用可视化工具包探索Lyft预测数据集介，可视化动图非常消耗流量，请在wifi环境下查看本篇文章
特征选择介绍及4种基于过滤器的方法来选择相关特征
特征选择是面试中一个非常受欢迎的问题。 这篇文章能带你了解这方面相关的知识。
SEAM论文解读：弱监督语义分割的自监督等变注意力机制
语义分割是一项基本的计算机视觉任务，其目的是预测图像的像素级分类结果。
再见卷积神经网络，使用Transformers创建计算机视觉模型
本文旨在介绍/更新Transformers背后的主要思想，并介绍在计算机视觉应用中使用这些模型的最新进展。
10分钟了解图嵌入
知识图谱中的客户数据样本以及该图中附加的嵌入向量去年，图嵌入在企业知识图谱（EKG）策略中变得越来越重要。