- 博客(9275)
- 资源 (971)
- 问答 (2)
- 收藏
- 关注
RSS订阅
原创 布客沉思录（一）：【历史垃圾时间】就是彻头彻尾的伪概念
所以新的方向之一必须是能从市场上直接赚到钱的，对于程序员来讲，我们没有什么时间，但我们有自动化能力，有AI能力，所以最好的方式就是量化交易。《单干》一书中提到，最好的商业方式必须离钱最近，必须变现环节最小，轻资产大于重资产，自动大于手动，这样才能降低不可控性，那么量化交易一定是最符合这个描述的了。就算当时赚不到钱，也算是技术储备，等待经济好了，就一定能发挥作用。看到了吧，这个伪概念就是个自证预言：如果你觉得现在是【历史垃圾时间】，你放弃了自己的主观能动性，啥都不做，当然啥都不出错，但是啥都做不出来。
2024-08-14 14:43:16
568
原创 【布客】已经制作完成的有声书
【超越想象的GPT医疗：第六章：延展大问题：如何让数学、编码和逻辑更可靠】【超越想象的GPT医疗：第二章：智能协作，GPT-4在医学中的超强潜力】【超越想象的GPT医疗：结语：欣赏AI的奇迹，人类智慧和无尽雄心的见证】【超越想象的GPT医疗：第一章：“达芬奇3”，与GPT-4的初次接触】【超越想象的GPT医疗：第九章：安全第一，在新的AI时代充分受益】【超越想象的GPT医疗：第三章：一个大问题：AI能“理解”吗】【超越想象的GPT医疗：引言：GPT-4医生的故事】
2024-08-10 13:16:08
432
原创 布客社区及饱和式翻译计划 Q&A
A1：如果你现在，在AIGC大爆发之后问我这个问题，我只想告诉你们，翻译是 AIGC 中一种重要的形式，输出稳定，没有幻觉，比什么扩写仿写之类的好多了。当然我也尝试过很多其他的AIGC形式，比如源码解析、课程笔记之类的，但都没有翻译方便省事。翻译一定是未来几年技术自媒体 AIGC 的主流形态。
2024-08-06 13:52:20
388
1
原创 Quant文艺复兴计划正式启动！
此时此刻恰如彼时彼刻，所以我深知，如果我不自己动手写出一批教程，中文互联网就永远没有面向新手的开放教程可用。幸好现在我们有了ChatGPT，它减轻了我的主业工作量，让我有时间投入这个方面；同时，它也大大减轻了编写教程的工作量，能让这些想法迅速实现。再者，良好的量化实现是保证回测准度和自动化的前提之一。总结paperwithbacktest上的Quant前沿论文【自动】，解析代码【自动】寻找gh上的机器学习或深度学习的Quant代码，做源码解析【自动】挑选主流量化框架，翻译文档【自动】，做源码解析【自动】
2024-04-10 22:56:08
378
原创 赚钱周报、风向标、大航海 23&24
龙哥赚钱周报 23在线阅读龙哥赚钱周报 202301-02龙哥赚钱周报 202303龙哥赚钱周报 202304龙哥赚钱周报 202305龙哥赚钱周报 202306龙哥赚钱周报 202307龙哥赚钱周报 202308龙哥赚钱周报 202309龙哥赚钱周报 202310龙哥赚钱周报 202311龙哥赚钱周报 202312龙哥风向标 23在线阅读龙哥风向标 202301龙哥风向标 202302龙哥风向标 202303龙哥风向标 202304龙哥风向标 202305龙哥
2024-04-09 12:03:53
783
原创 一些用 GPT 翻译的计算机科学/人工智能 PDF 讲义
3D成像.pdf3D成像.pdf3D成像技术.pdf3D成像技术.pdf3D点云分析.pdf3D点云分析.pdfAAAI 2019 笔记.pdfAAAI 2019 笔记.pdfCMU 10.708 概率图模型讲义.pdfCMU 10.708 概率图模型讲义.pdfCMU 15-312 编程语言基础讲义.pdfCMU 15-312 编程语言基础讲义.pdfCMU 15-411 编译器设计讲义.pdfCMU 15-411 编译器设计讲义.pdfCMU 15-819 同伦类型论讲义.
2024-02-20 22:59:55
1565
原创 TowardsDataScience 博客中文翻译 2016~2018（十三）
Jesse Maegan 在 Twitter 上提出了以下问题，并在 R 频谱的所有点上与#RStats 用户展开了一场大讨论。许多人加入进来，提出了缺少详细插图的包、使用其他编程语言的社会团体的影响、难以找到与你相关的例子、需要更多关于大学编程与统计的指导，以及许多其他主题。两条推文给我留下了深刻的印象，与我在 r 中的第一个需求非常相似。关于您感兴趣的主题的多元和描述性统计！
2024-09-24 01:35:36
332
原创 TowardsDataScience 博客中文翻译 2016~2018（二百九十二）
生成对抗网络(GANs)是深度学习中的下一个大事件。顾名思义，GAN 是各种深度学习模型的组合(s)，这些深度学习模型试图相互竞争，以满足任何深度学习项目中最基本的需求:生成更多数据以在上训练😛。发电机。(它将试图从现有数据中生成伪造数据，并最终试图欺骗侦探，使其相信这是真实数据鉴别器。(这将是我们的侦探😃试图找出生成器生成的伪造数据)这两个模型相互竞争，将会给我们最好的可能的新的和看不到的数据。
2024-09-23 08:17:22
2181
原创 TowardsDataScience 博客中文翻译 2016~2018（二百九十九）
到现在为止，你应该已经完成了所有的艰苦工作，从而得到谷歌分析报告。这包括:来自博客 1提出一个测量计划准备您的网站来自博客 2将谷歌分析代码添加到您的网站页面让人们访问你的网站现在，让我们深入研究 Google Analytics 报告，了解它们对于我们的目标和衡量计划的意义。请记住，有很多报告对小企业没什么帮助；因此，我们将只讨论重要的问题，以帮助您处理您的测量计划。如果你进入谷歌分析，只需要某些信息，创建一个仪表板会很有帮助。谷歌已经有了一个入门仪表板，它非常有助于将所有东西放在一起。
2024-09-23 08:16:41
1855
原创 TowardsDataScience 博客中文翻译 2016~2018（二百九十三）
它是使用在一个过程/活动中学到的知识并将其应用于不同任务的过程。让我们举一个小例子，一个擅长 carroms 的玩家可以将该知识应用于学习如何玩台球游戏。有很多框架像 Keras，Tensoflow，Theano，Torch，Deeplearning.4J 等都可以用于深度学习。在所有这些中，我最喜欢的是 Tensorflow 上的 Keras。Keras 适用于许多成熟的架构，如 CNN、前馈神经网络、用于时间序列的 Lstm，但当您试图实现本质上复杂的新架构时，它会变得有点棘手。
2024-09-23 08:15:48
2186
原创 TowardsDataScience 博客中文翻译 2016~2018（二百九十七）
遵循作者建立的解释规则的结果产生了如图 2 所示的以下结构:简而言之，SE 模块是通道关系中的轻量级门控机制。简而言之，网络现在能够学习如何理解在卷积运算【1】之后提取的所有特征图的堆栈中的每个特征图的重要性，并且在将卷传递到下一层之前重新校准该输出以反映该重要性。所有这些都将在结构部分详细介绍，所以如果您现在没有看到某些内容，也不必担心！但是等一下，为了学习，我们需要更多的参数，对吗？没错。门控机制或门控网络只不过是完全连接的层。这种技术在注意机制中被大量使用。我强烈推荐这篇文章。
2024-09-23 08:15:00
2101
原创 TowardsDataScience 博客中文翻译 2016~2018（二百九十一）
要理解它，就要知道它的大概意思。剑桥词典称，以不公平的方式支持或反对特定的人或事的行为，因为允许个人观点影响你的判断。→所以在统计学的世界里，它被定义为，统计偏差是统计技术或其结果的一个特征，由此结果的期望值不同于被估计的真实的潜在定量参数。受够了“书生气”的定义，让我们通过与现实世界更相关的类比来理解它。→用简单的英语来说，“机器学习技术无法捕捉真实关系是偏见”。低偏差:预测数据点接近目标。此外，该模型对目标函数的形式提出了更少的假设。高偏差:预测数据点远离目标。
2024-09-23 08:14:03
2362
原创 TowardsDataScience 博客中文翻译 2016~2018（二百九十）
在机器学习中，主题模型被具体定义为一种自然语言处理技术，用于发现文档集合中文本的隐藏语义结构，通常称为语料库。一般来说，每个文档指的是一组连续的单词，就像一个段落或一篇文章，其中每篇文章包含一组单词。让我们以纽约时报数据集为例，其中每篇文章代表一个文档。我们想解决的问题是这些单词在一个文档中出现的频率。这将允许我们将每个文档分类到一个特定的主题。OLS:快速回顾TLS:解释ODR:触及表面三种方法的比较及结果分析。
2024-09-23 08:13:21
2692
原创 TowardsDataScience 博客中文翻译 2016~2018（二百三十四）
仅仅一首歌就包含了丰富的信息。每个小节、和弦、音符、节奏值和音量强度都会随时间变化。此外，每种乐器或声音都会发出不同的音调属性，从而创建数据层。除此之外，我们还有关于歌曲基调、创作时间、流派等等的元数据。音乐学家多年的研究让位于从提取主题或可识别的结构以及历史背景中识别歌曲的复杂性。自然语言处理技术已经被用于分析歌词，而录音的信号处理已经被用于诸如流派分类之类的事情。世界上有超过 9700 万首歌曲，音乐无疑提供了大数据。音乐的时间性允许我们把一首曲子作为一系列事件来分析。例如，
2024-09-23 08:12:33
4468
原创 TowardsDataScience 博客中文翻译 2016~2018（二百三十六）
探索性数据分析(EDA)一方面用于回答问题、测试业务假设、为进一步分析生成假设。另一方面，也可以用它来为建模准备数据。这两者的共同点可能是对您的数据有很好的了解，以获得您需要的答案，或者开发一种直觉来解释未来建模的结果。有很多方法可以达到这些目标:你可以获得数据的基本描述，可视化它，识别其中的模式，识别使用数据的挑战，等等。在阅读有关 EDA 的内容时，您会经常看到的一件事情是数据分析。数据概要分析通过描述性统计对数据集进行汇总。您希望使用各种测量方法来更好地了解数据集。
2024-09-23 08:11:44
1703
原创 TowardsDataScience 博客中文翻译 2016~2018（二百三十八）
/Python Web framework 是允许开发人员编写 Web 应用程序或服务的包或模块的集合。有了它，开发人员不需要处理像协议、套接字或进程/线程管理这样的底层细节。解释请求(获取表单参数，处理 cookies 和会话，…)产生响应(以 HTML 或其他格式呈现数据，…)持久存储数据(和其他东西)现在，让我们看看最有用和最著名的 Python web 框架，来帮助您进行 web 开发。学习:Python 元组 vs 列表——列表和元组的比较。
2024-09-23 08:11:04
2678
原创 TowardsDataScience 博客中文翻译 2016~2018（二百三十五）
接下来，我们定义从 csv 读取的数据的模式。这通常是一个比让 spark 推断模式更好的实践，因为它消耗更少的资源，并且我们完全控制字段。])在这一步中，我们将定义产生模型的Estimator。我们只定义了(必须匹配来自DataFrame的列)和包含分类器输出的新的prediction列。Source:如果你喜欢这个帖子，请按住拍手键分享给你的朋友。另外，我很高兴听到你的反馈。如果你想在我写新博客时得到通知，你可以订阅我的简讯。在某些情况下，我们可能想要创建一个自定义迭代器。我们可以通过定义一个具有。
2024-09-23 08:10:19
2220
原创 TowardsDataScience 博客中文翻译 2016~2018（二百三十九）
About us— Photo byMia Baker新作者为什么会成为投稿人？提交规则指引长篇帖子、专栏和在线书籍如何才能有所贡献？常见问题当前作者为已经用 TDS 出版的作者提供的资源和建议:[## 如何充分利用你作为 TDS 作者的经历请附上你的真实姓名、一张照片和一份简历。我们不发表匿名作者的文章——当读者将你的文字与一个真实的人联系起来时，更容易与他们建立信任。使用你的个人资料来介绍你自己、你的专长、你的成就——优化它将有助于你与你的受众发展一种有意义的关系，而不仅仅是一篇帖子。
2024-09-23 08:08:45
3020
原创 TowardsDataScience 博客中文翻译 2016~2018（二百三十三）
在之前的博文中，我提到了机器学习和统计模型中参数估计的最大似然法。在这篇文章中，我们将回顾另一种使用贝叶斯推理的参数估计方法。我还将展示如何将这种方法视为最大似然法的推广，以及在什么情况下这两种方法是等价的。假设了一些概率论的基础知识，例如边际概率和条件概率。这些概念在我的系列的第一篇文章中有解释。此外，了解高斯分布的一些基本知识也很有帮助，但这不是必需的。数学上，贝叶斯定理被定义为:其中A和B是事件，P(A|B)是事件A发生的条件概率，假设事件B已经发生(P(B|A)
2024-09-23 08:07:55
1832
原创 TowardsDataScience 博客中文翻译 2016~2018（二百三十七）
作为一个快速的背景，我从 2002 年开始投资我自己的股票投资组合，并在几年前为我的投资组合开发了一个金融模型。多年来，我会下载历史价格并将数据加载到金融模型中——虽然在线经纪人计算已实现和未实现的回报，以及收入和股息，但我喜欢在模型中拥有历史数据，因为我自己进行分析来评估头寸。我从未在在线经纪人和服务中发现的一个观点/报告是类似于“公共市场等价物”的分析。简而言之，公开市场等价物(PME)是私募股权行业中使用的一组分析，用于比较私募股权基金相对于行业基准的表现。更多细节在这里。
2024-09-23 08:07:07
1789
原创 TowardsDataScience 博客中文翻译 2016~2018（二百三十一）
市场将走向何方？资金会放缓还是会激增？哪些行业正在崛起或陷入困境？生活在旧金山，初创企业会淡出人们的讨论，也会活跃起来，就像它们在新闻和市场上一样。作为湾区的大多数居民，我搬到这里是为了实现梦想，成为硅谷崛起的变革浪潮中的一员。从我早期对创业公司的迷恋，我感到有动力更好地了解创业公司，并从资金开始。每年，64 个符合条件的团队被分成四组，每组 16 个(“地区”)，每个团队都被分配一个“种子”，排名从 1(最好)到 16(最差)，就像 2016 年的中西部地区一样。
2024-09-23 08:06:22
1792
原创 TowardsDataScience 博客中文翻译 2016~2018（二百三十）
自行车共享系统是一项服务，用户可以付费或免费短期租赁/使用可供共享使用的自行车。目前，全世界有超过 500 个自行车共享项目。此类系统通常旨在通过在城市地区提供免费/负担得起的自行车短途出行，而不是机动车，来减少拥堵、噪音和空气污染。对于这样的系统，任何一天的用户数量都可能有很大的变化。预测每小时用户数量的能力可以允许监管这些系统的实体(企业/政府)以更高效和成本有效的方式管理它们。我们的目标。
2024-09-23 08:05:36
2007
原创 TowardsDataScience 博客中文翻译 2016~2018（二百七十四）
这是对深度学习在过去五年中产生最大突破的领域的高度概述。我们讨论的这些模型都有许多开源实现。这意味着您几乎总是可以下载一个“预训练”模型并将其应用于您的数据，例如，您可以下载预训练的图像分类器，您可以通过这些图像分类器输入数据，以便对新图像进行分类或在图像中的对象周围绘制方框。因为这项工作的大部分已经为你完成了，所以使用这些前沿技术所必需的工作不是“进行深度学习”本身——研究人员已经在很大程度上为你解决了这一部分——而是进行“开发”工作，以获得其他人为解决你的问题而开发的模型。
2024-09-23 08:04:44
2506
原创 TowardsDataScience 博客中文翻译 2016~2018（二百七十六）
好了，现在我们都在一些关键的 ML 术语上达成一致，我们可以开始探索 Katz 实际上是如何使用 K-NN 来产生他的方言测验的。从他的数据科学院演讲中，我找到了下面这张幻灯片。现在，这张幻灯片中有很多内容，其中大部分必须保持抽象，不能探究他的代码。选择 K 值内核平滑所以，开始疯狂吧！数据科学在过去十年中产生了一些最伟大的技术创新，但正如许多组织所实践的那样，它也是完全不可持续的。生产更相关的模型、降低风险并跟上该领域的步伐将要求组织重新思考他们如何进行数据科学。
2024-09-23 08:03:50
4564
原创 TowardsDataScience 博客中文翻译 2016~2018（二百七十八）
预处理训练数据集在预处理的训练数据集上训练 NB 模型使用训练好的 NB 模型进行测试培训&使用 Scikit 测试-学习管道功能让我们从 Scikit-learn 实现开始吧！预处理训练数据集一些进口货…预处理函数与从头开始展开朴素贝叶斯中定义的相同！Take-2🎬原文贴在FICO 博客展望未来 20 年，我认为我们将远远超越人工智能迄今带来的生产力提升。随着人工智能的出现，我们将看到我们个人生活以及整个社会的复兴。
2024-09-23 08:03:00
4038
原创 TowardsDataScience 博客中文翻译 2016~2018（二百七十五）
这种文本生成方法的核心是时间序列模型；给定上下文序列(最后几个步骤)，预测序列中下一个令牌的函数。在我们的例子中，这些记号是单独的字符。因此，该函数是在给定前一个字符序列的情况下，预测下一个字符的概率。这种预测功能可以用深度学习来近似，使用一种叫做老师强制的训练技术，让神经网络学习语言的统计结构。在教师强制中，文本语料库被分解成(x，y)对，其中x是一段长度为t的字符，而y是t+1字符。
2024-09-23 08:02:12
3399
原创 TowardsDataScience 博客中文翻译 2016~2018（二百七十二）
相反，我实现了一个自定义 tensor flow“op”。起初，我害怕构建和跟踪一个定制的 Tensorflow 安装。幸运的是，Tensorflow 将很乐意在运行时加载共享库来注册 op。更好的是，潘德集团的一位校友 Imran Haque用 C 实现了一个我可以包装的快速®MSD 计算实现。我实现了一个进行成对 MSD 计算的 Op，其中 double for loop 通过 OpenMP 实现了并行化。
2024-09-23 08:01:24
3231
原创 TowardsDataScience 博客中文翻译 2016~2018（二百七十九）
在任何机器学习项目的研究阶段，超参数调优都可以手动完成。然而，当您想要将项目提升到下一个级别时，自动化过程是非常有效的。在这篇文章中，我描述了我们在自动化过程中实现的一些小细节。有些可能对你有用，有些可能没用。如果你发现其他令人兴奋的事情对你有帮助，请在评论中留言。最初由我在Taboola 工程博客发表。结构估计，应用计量经济学的圣杯，这两个词让最勇敢的灵魂感到恐惧。作为一名博士生搞定它，你就走上了通往顶级终身教授职位的道路。那么神奇的是什么呢？
2024-09-23 08:00:34
2771
原创 TowardsDataScience 博客中文翻译 2016~2018（二百七十三）
Source:当我们阅读一篇文章或一本书时，为了快速理解一篇长文章，我们总是要做一个摘要。在英语中，每篇文章的第一个(或前两个)句子很有可能代表整篇文章。当然，主题句有时也可以是最后一句。在自然语言处理中，有两种方法可以进行文本摘要。第一种，抽取法，是一种简单的方法，即从文章中抽取关键词或句子。有一些局限性，证明了性能不是很好。第二种是抽象方法，即根据给定的文章生成新的句子。它需要更先进的技术。了解 PageRank 算法了解 TextRank 算法如何使用 TextRank 算法进行摘要。
2024-09-23 07:59:46
2643
原创 TowardsDataScience 博客中文翻译 2016~2018（二百七十七）
我一直在阅读优秀的、开创性的概率史，[](http://.F & comments)概率帝国。我想我会做一些公共笔记&评论作为我的习惯。根据作者自己的讲述，这本书大致可分为 4 个部分:我们从两个历史章节开始，分别描述了从十七世纪中期到十九世纪末概率统计的起源和发展。在这里，我们介绍了概率演算不断变化的解释、对决定论不断变化的态度、不断变化的平均值和误差概念——所有这些都是在不断变化的应用背景下进行的。在接下来的四章的每一章中，我们都专注于一个广泛应用的领域:实验方法论、生物学、物理学和心理学。
2024-09-23 07:58:58
4337
原创 TowardsDataScience 博客中文翻译 2016~2018（二百七十）
测试驱动开发*(TDD)是一种*软件开发过程，它依赖于一个非常短的开发周期的重复:需求被转化为非常具体的测试用例，然后软件被改进以通过新的测试，只。这与允许添加未被证明满足需求的软件的软件开发相反。清楚了吗？TDD 的主要目的是创建一种策略，在这种策略中，测试将驱动开发过程，以便使编码更加高效、多产，减少回归。先决条件是将一个大任务分解成更小的步骤，并使用单元测试进行开发。这允许您处理一小段代码，使它们工作，然后将许多工作部分集成在一起。
2024-09-23 07:57:27
3151
原创 TowardsDataScience 博客中文翻译 2016~2018（二百一十四）
该项目的源代码可以在我的 Github repo 中找到:[## bdjukic/CarND-PID-控制-项目什么是语言建模？在语言建模中，我们试图预测给定单词序列的下一个单词。机器学习模型计算下一个单词的可能值的概率。并且从生成的概率分布中对单词进行采样。问:它是如何工作的？你建立一个递归神经网络架构。该模型一次处理一个单词，并计算下一个单词的可能值的概率。网络的存储状态由零向量初始化，并在读取每个字后更新。RNN 的输出依赖于任意远的输入，这使得反向传播很困难。
2024-09-23 07:56:40
3085
原创 TowardsDataScience 博客中文翻译 2016~2018（二百一十六）
## 对象检测算法和库- neptune.ai**训练数据:**用上下文中的公共对象(COCO)数据集训练模型。你可以在链接中浏览他们标记的图片，这很酷。模型:这里的模型是你只看一次(YOLO)算法，它通过一种极其复杂的卷积神经网络架构的变体运行，称为暗网。尽管我们使用的是一个更加增强和复杂的 YOLO v3 模型，我还是会解释最初的 YOLO 算法。另外，pythoncv2包有一个从 yolov3.cfg 文件中的配置设置 Darknet 的方法。
2024-09-23 07:55:56
2619
原创 TowardsDataScience 博客中文翻译 2016~2018（二百一十八）
我真的需要使用不同的优化方法。在纯 SGD 或 Momentum 上训练复杂模型变得有点困难。如果发现任何错误，请发电子邮件到 jae.duk.seo@gmail.com 找我。同时，在我的 twitter 上关注我这里，访问我的网站，或者我的Youtube 频道了解更多内容。如果你感兴趣的话，我还做了解耦神经网络的比较。参考文献Collins，j .，Sohl-Dickstein，j .，和 Sussillo，D. (2016 年)。递归神经网络的容量和可训练性。
2024-09-23 07:55:10
1380
原创 TowardsDataScience 博客中文翻译 2016~2018（二百一十五）
最大平均差异(MMD)是两个概率分布之间距离的简单度量[8]。在 GAN 情况下，P 定义为发电机分布，Q 定义为参考分布。那么 MMD 的平方就是:其中 k(x，X’)是 X 和 X’的“相似度”，E_{X，X’} k(X，X’)是来自生成器 p 的两个独立样本的期望“相似度”我们如何解读这种距离？我们利用 k(x，x’)是一个核的事实，即 x 和 x’的特征的点积。当 x 和 x '相似时，它是大的，当它们不同时，它是小的。回到我们的 MMD 表达式，第一项是来自生成器的两个样本之间的平均相似性。
2024-09-23 07:54:10
3378
原创 TowardsDataScience 博客中文翻译 2016~2018（二百一十二）
神经形态系统仍然很难设计。为了扩大规模，它们需要模拟存储器或快速低功耗的 AD/DA 转换器，而这些目前还不可用。但是，如果计算是模拟的，并且通信使用事件间定时，则它们可以节省大量能量。这是一个有趣的分析，这篇文章并不是要得出第一季度的胜利不重要的结论，但是正如我们所看到的，在第一季度的胜利和整个赛季的胜利之间有很强的相关性。创建这篇文章的源代码可以在这里找到。如果您有任何问题或反馈，请告诉我。数字电路机器学习促进创意和设计Makoto中演奏 RNNNSynthWaveNet共振火焰前景阴霾解码形态。
2024-09-23 07:53:22
2881
原创 TowardsDataScience 博客中文翻译 2016~2018（二百一十九）
在 CNN 中理解反向传播是非常令人满意的，我两天来一直在努力理解这个概念。如果发现任何错误，请发电子邮件到 jae.duk.seo@gmail.com 找我。同时，在我的 twitter这里关注我，并访问我的网站，或我的Youtube 频道了解更多内容。如果你感兴趣，我还在这里做了解耦神经网络的比较。参考D.(2015 年 10 月 25 日)。矩阵旋转和矩阵转置。检索于 2018 年 1 月 28 日，发自什么是反进化层？(未注明)。检索于 2018 年 1 月 28 日，来自。
2024-09-23 07:52:35
2636
原创 TowardsDataScience 博客中文翻译 2016~2018（二百一十三）
上周，我参加了在加州长滩举行的 NIPS(神经信息处理系统)2017 会议。这是我第一次参加 NIPS。NIPS是世界上最大的机器学习(ML) /人工智能(AI)会议之一。NIPS 会议由三个项目组成:指导、主要活动(包括研讨会)和研讨会。今年，约有 8000 人出席，比去年增加了约 30%，显示出对机器学习的兴趣越来越大。我只参加了研讨会和专题讨论会，但是根据它们的内容，我可以看到每个研讨会都是一个专门的专题，一整天都致力于一个单一的主题。每个研讨会由 5-6 个讲座和海报会议组成。
2024-09-23 07:51:47
2238
原创 TowardsDataScience 博客中文翻译 2016~2018（二百一十七）
(如果你已经搜索了“集中趋势”，跳过这一步)(viaWikipedia你有一堆数字。你想用更少的数字来概括它们，最好是单个数字。所以你把所有的数字加起来，然后除以数字的总数。嘣:看“平均值，对吧？也许吧。与普遍的看法相反，从数学上来说，平均值实际上并不是一个东西。没有数学运算恰当地称为“平均”。我们通常所说的平均就是“算术平均”，也就是上面所说的众所周知的运算。我们称之为“平均值”，因为我们希望它符合“平均值”的通俗定义:典型的、“正常的”或中间值。我们经常是正确的，但比我们想象的要少。
2024-09-23 07:50:54
2812
公司的自建邮件服务器投不进 163，显示“451 DT:SPM”
2020-02-19
imagemagick 从 png 转换的 pdf 太大了
2020-02-19
TA创建的收藏夹 TA关注的收藏夹
TA关注的人