Deephub
更多文章请关注公众号：Deephub-IMBA
5篇关于强化学习在金融领域中应用的论文推荐
近年来机器学习在各个金融领域各个方面均有应用，其实金融领域的场景是很适合强化学习应用
使用 Python 进行数据清洗的完整指南
在本文中将列出数据清洗中需要解决的问题并展示可能的解决方案，通过本文可以了解如何逐步进行数据清洗。
7种不同的数据标准化(归一化)方法总结
本文总结了 7 种常见的数据标准化(归一化)的方法。
论文回顾：Batch Augmentation，在批次中进行数据扩充可以减少训练时间并提高泛化能力
Batch Augmentation(BA)：提出使用不同的数据增强在同一批次中复制样本实例，通过批次内的增强在达到相同准确性的前提下减少了SGD 更新次数，还可以提高泛化能力。
LSTM 已死，事实真是这样吗？
保持理性，通过实践检验才能公正地评估数据科学中的概念
TensorFlow和Pytorch中的音频增强
本文将介绍TF和Pytorch这两个非常流行的深度学习框架中进行音频数据增强的方法
特征工程：基于梯度提升的模型的特征编码效果测试
树形结构为什么不需要归一化?使用独热编码和标签编码对模型的表现影响大吗？
使用格拉姆角场(GAF)以将时间序列数据转换为图像
这篇文章将会详细介绍格拉姆角场 （Gramian Angular Field），并通过代码示例展示“如何将时间序列数据转换为图像”。
稀疏矩阵的概念介绍
使用稀疏矩阵既可以节省内存，也可以加快训练速度，本文中将介绍系数矩阵的概念并且通过示例介绍在什么时候以及如何使用稀疏矩阵
使用孤立森林进行无监督的离群检测
孤立森林是 一种无监督算法的异常检测，可以快速检测数据集中的异常值。
5分钟NLP：HuggingFace 内置数据集的使用教程
对于NLP 爱好者来说HuggingFace肯定不会陌生，HuggingFace为NLP任务提供了维护了一系列开源库的应用和实现，今天我们来看一下用于NLP任务的数据集总结。
模型的可解释性：部分依赖图PDP和个体条件期望图ICE
部分依赖图 (PDP) 和个体条件期望 (ICE) 图可用于可视化和分析训练目标与一组输入特征之间的交互关系。
自监督学习的知识点总结
本篇文章将对自监督学习的要点进行总结
GAN 并不是你所需要的全部：从AE到VAE的自编码器全面总结
在图像生成方面GAN似乎成为了主流,但是自编码器（autoencoder）还是有很多的优势，所以本文对AE模型做一个全面详细得介绍和总结。
提高EDA（探索性数据分析）效率的 3 个简单工具
本文简单的介绍 3 个非常好用的的数据可视化和分析工具，它们只需要很少的代码就可以自动的帮助我们执行快速和详细的数据分析
Python 中的 requirements.txt 与 setup.py
Python 中 requirements.txt、setup.py 和 setup.cfg 的用途
论文导读：Universal Adversarial Training
在这篇论文中，作者提出了一种优化的方法来找到给定模型的通用对抗样本（首先在 Moosavi-Desfooli 等人 [1] 中引入）。作者还提出了一种低成本算法来增强模型对此类扰动的鲁棒性。
Pandas DataFrame 中的自连接和交叉连接
在本文中，介绍了如何在Pandas中使用连接的操作，以及它们是如何在 Pandas DataFrame 中执行的。
轻量级图卷积网络LightGCN介绍和构建推荐系统示例
今天介绍的这个模型被称作：Light Graph Convolution Network 或 LightGCN。LightGCN 非常轻量级，训练速度比其他基于 GCN 的模型快得多，并且在效果上表现得也非常不错
5分钟NLP：使用 HuggingFace 微调BERT 并使用 TensorBoard 可视化
上篇文章我们已经介绍了Hugging Face的主要类，在本文中将介绍如何使用Hugging Face进行BERT的微调进行评论的分类。