deephub

关于F1分数以及它们如何帮助评估模型的表现介绍使用精度和召回率评估目标检测模型可以为模型在不同置信度下的表现提供有价值的见解。类似地，F1分数在确定平衡给定模型的精度和查全率值的最佳置信度时特别有用;但是，该值跨越了从0到1的置信值域。单个值评估指标可以从一个给定模型的F1分数集导出，这可能是一个很好的模型性能指标。F1得分、准确率和召回率可以用以下公式进行评估:当以不同的置信值评估模型时，这些度量标准可以很好地协同工作，为模型如何执行以及根据设计规范哪些值优化模型性能提供了有价值的见解。通常，当

使用模型属性、本地逻辑表示和全局逻辑表示从黑盒模型生成解释快速回顾：XAI 和 NSC可解释人工智能 (XAI) 致力于开发对人类（包括用户、开发人员、政策制定者和审计人员）来说本质上更容易理解的人工智能模型。 神经符号计算 (NSC) 处理将子符号学习算法与符号推理方法相结合。 因此，我们可以断言神经符号计算是可解释人工智能下的一个子领域。 NSC 也是最适用的方法之一，因为它依赖于结合现有的方法和模型。如果可解释性是指用人类语言有意义地描述事物的能力。那么它可以认为，它是将原始信息(数据)映射到

一些博弈论困境，如著名的布雷斯悖论，对多智能体强化学习有着深刻的影响。纵观历史，人类已经建立了许多既需要自主行动又需要参与者之间协调互动的系统。交通网络、智能电网或股票市场就是这些系统的例子，它们已经成为我们社会的基本支柱。这些系统的基本特征是，它们要求参与者执行自治任务，这些任务的影响是在与其他参与者共享的环境中看到的。在人工智能(AI)代理中重现这种动态是极具挑战性的。其中一个挑战便是如何平衡AI代理的个人利益与整个群体的利益。人工智能解决方案公司SecondMind最近的一篇论文详细介绍了实施多智

量子退火器是一类可以帮助解决NP-hard和NP-complete问题的量子计算机。下面是一个对社交网络、推荐系统等具有实际意义的例子。图是由一组由边连接的节点组成的数据结构。图无处不在:它们可以代表朋友之间的网络，工厂和商店之间的联系，机场，等等。在许多可以应用于图的操作中，以提取有用的信息(这本身就是一个巨大的兔子洞)，可能最明显的一个是划分，即根据一些相似性或距离标准将N个节点划分为K组。其主要思想是，一旦确定了组，属于给定组的节点之间的关系要比属于其他组的节点之间的关系更紧密。一种完善的聚类方法

两种不同的观点的网络传播，一个流行的方法在计算生物学，及其与图卷积的联系你可能听说过图卷积，因为它在当时是一个非常热门的话题。虽然不太为人所知，但网络传播是计算生物学中用于网络学习的主要方法。在这篇文章中，我们将深入研究网络传播背后的理论和直觉，我们也将看到网络传播是图卷积的一种特殊情况。网络传播是计算生物学中基于内疚关联原理的一种流行方法。两种不同的网络传播观点:随机游走和扩散，以HotNet2为例。网络传播是图卷积的一种特例。计算生物学中的网络传播网络自然产生于许多真实世界的数据，如社

大多数现代的NLP系统都遵循一种非常标准的方法来训练各种用例的新模型，即先训练后微调。在这里，预处理训练的目标是利用大量未标记的文本，在对各种特定的自然语言处理任务(如机器翻译、文本摘要等)进行微调之前，建立一个通用的语言理解模型。在本文章中，我们将讨论两种流行的训练前方案，即掩蔽语言建模(MLM)和因果语言建模(CLM)。屏蔽语言模型解释在屏蔽语言建模中，我们通常屏蔽给定句子中特定百分比的单词，模型期望基于该句子中的其他单词预测这些被屏蔽的单词。这样的训练方案使这个模型在本质上是双向的，因为掩蔽词

制作一份简历有很多好方法。也有很多不好的方式。特别是在数据科学领域，初级职位的申请者往往过多，拥有一份好的简历是极其重要的。最重要的是保持一份精简易读的简历。如果你的简历是一堆简历中的一份，你也不想强迫对方读很长的一段吧。他们的目光会变得呆滞，什么也通不过。如果你的简历不能在极短的时间内体现其优点，那么没人会花时间去更深入地挖掘它的价值。是明确的。是简洁。以下是我在初级求职者简历中看到的一些常见错误:一个在顶部的“总结”在简历上写“目标”是为了给你的职业目标提供一些背景。实际上，大多数目标陈

卷积神经网络是一种特殊类型的人工神经网络，广泛应用于图像识别。这种架构的成功始于 2015 年，当时凭借这种方法赢得了 ImageNet 图像分类挑战。这些方法非常强大并且能够很好地进行预测，但同时它们也难以解释。因此，它们也被称为黑盒模型。肯定是可用的与模型无关的方法，如LIME和部分依赖图，可以应用于任何模型。但在这种情况下，应用专为神经网络开发的可解释方法更有意义。与 ML 模型不同，卷积神经网络从原始图像像素中学习抽象特征 [1]。在这篇文章中，我将重点介绍卷积神经网络如何学习特征。这可以通过

可解释人工智能又向前迈进了一步，以及为什么现有的解释方法难以适用于gnn可解释性是深度学习中的一个大课题，因为它可以实现更可靠和可信的预测。由于图结构的不规则性，现有的解释方法难以适用于图神经网络。Explainability增加可靠性最近，人工智能中的可解释性引起了人们的广泛关注，其主要动机在于通过深度神经网络等“黑盒子”模型产生更可靠和可信的预测。LIME论文[2]中给出的一个很好的例子是，您会信任您的医生，因为他/她能够根据您的症状解释诊断。类似地，如果能够以人类可理解的方式解释或证明预测，由

介绍人类从小就在日常活动中成长和学习。人类通过学习一项任务来获取知识。通过使用相同的知识，我们倾向于解决相关的任务。在实时场景中知道如何骑自行车⮫学习如何骑摩托车知道如何弹奏古典钢琴⮫学习如何弹奏爵士钢琴了解数学和统计学⮫学习机器学习机器学习中的迁移学习传统的ML用于为提供的每个任务/域创建单独的模型。没有保存模型的知识库。迁移学习过去有一个知识库来存储针对特定任务/领域训练/利用的模型。此外，我们可以使用相同的知识来训练新模型。为了更好地理解，请考虑将这两个可能的场景实现为在餐馆

在这篇文章中，我们将看到如何处理回归问题，以及如何通过使用特征转换、特征工程、聚类、增强算法等概念来提高机器学习模型的准确性。数据科学是一个迭代的过程，只有经过反复的实验，我们才能得到最适合我们需求的模型/解决方案。让我们通过一个例子来关注上面的每个阶段。我有一个健康保险数据集(CSV文件)，其中包含保险费用、年龄、性别、BMI等客户信息。我们必须根据数据集中的这些参数预测保险费用。这是一个回归问题，因为我们的目标变量——费用/保险成本——是数字的。让我们从加载数据集和探索属性开始(EDA -探索性

我在Twitter上偶然遇到了chefboost，因为我之前从未听说过它，所以我决定快速查看并测试它。在本文中，我将简要介绍这个库，并提到它与常用库scikit-learn的主要区别，并展示一个在实践中使用chefboost的快速示例。chefboost简介我认为在库的GitHub repo中提供了最好的描述:“chefboost是一个轻量级的Python决策树框架，具有分类特性支持”。与scikit-learn相比，chefboost有三个突出的特点:支持类别特征，这意味着我们不需要对它们进行预处

介绍机器学习是一种解决不能明确编码的问题的方法，例如，分类问题。机器学习模型将从数据中学习一种模式，因此我们可以使用它来确定数据属于哪个类。但有个问题。这个模型是如何工作的?一些人不能接受一个性能良好的模型，因为它不能被解释。这些人关心可解释性，因为他们想确保模型以合理的方式预测数据。在解释ML模型之前，消除多重共线性是一个必要的步骤。多重共线性是指一个预测变量与另一个预测变量相关的情况。多重共线性虽然不影响模型的性能，但会影响模型的可解释性。如果我们不去除多重共线性，我们将永远不会知道一个变量对结果

灵感最近我拜访了我的表妹，她已经尝试学习钢琴有一段时间了。 然而由于疫情，她的老师不能外出，他们正在通过zoom会议练习。 那时我萌生了制作虚拟钢琴的想法，她的老师和她都可以用它来学习音乐。 想到这里，我在想，为什么不跳出键盘呢？ 让我们尝试凭空创作音乐？ 让我们的创意思维流动，进行这样的互动，让一个人只需在空中移动手就可以弹奏钢琴？！ 那时我决定制作“Air Piano”。技术说明Air Piano 是一个融合计算机视觉和人机交互的项目。 为了制作 Air Piano，我使用了 Python 语言和

插值是一种在已知数据点的离散集合范围内构造新数据点的方法。我们对自变量的中间值插值(或估计)该函数的值。有各种各样的插值。让我们关注其中的三个近邻插值这种类型的插值是最基本的。我们简单地将最近的像素插值到当前像素。假设，我们从0开始索引像素的值。下面2x2图像的像素如下:{’ 10 ‘:(0,0)，’ 20 ‘:(1,0)，’ 30 ‘:(0,1)，’ 40 ':(1,1)}然后我们将此图像投射到4x4图像上，我们需要找到像素。我们发现未知像素位于(-0.5，-0.5)，(-0.5,0.5)等等…

数据科学是关于数据的。网络上有各种来源可以为您的数据分析或机器学习项目获取数据。最受欢迎的来源之一是 Kaggle，我相信我们每个人都必须在我们的数据旅程中使用它。最近，我遇到了一个新的来源来为我的 NLP 项目获取数据，我很想谈谈它。这是 Hugging Face 的数据集库，一个快速高效的库，可以轻松共享和加载数据集和评估指标。因此，如果您从事自然语言理解 (NLP) 工作并希望为下一个项目提供数据，那么 Hugging Face 就是您的最佳选择。 ????本文的动机：Hugging Face 提

使用SHAP优化特征选择，同时调整参数特征选择和超参数调整是每个机器学习任务中的两个重要步骤。大多数情况下，它们有助于提高性能，但缺点是时间成本高。参数组合越多，或者选择过程越准确，持续时间越长。这是我们实际上无法克服的物理限制。我们能做的是充分利用我们的管道。我们面临着不同的可能性，最方便的两个是：结合调优和特征选择；采用SHAP（Shapley Additive exPlanations）使整个过程更具有加一般化和准确性。将调整过程与特征的最佳选择相结合可能是每个基于排名的选择算法的最佳解决

介绍虽然数据共享对于知识发展至关重要，但遗憾的是，隐私问题和严格的监管（例如欧洲通用数据保护条例 GDPR）限制了其充分发挥作用。合成表格数据作为一种替代方案出现，可在满足监管和隐私约束的同时实现数据共享。最先进的表格数据合成器从生成对抗网络 (GAN) 中汲取方法论，并处理行业中的两种主要数据类型，即连续数据类型和分类数据类型。在本文中，我们阐明了 CTAB-GAN，这是一种新颖的条件表 GAN 架构，可以有效地对各种数据类型进行建模，包括连续变量和分类变量的混合。此外，该模型还解决了实际表格数据集中的

图神经网络图解指南图神经网络或简称 GNN 是用于图数据的深度学习 (DL) 模型。 这些年来它们变得很热。 这种趋势在 DL 领域并不新鲜：每年我们都会看到一个新模型的脱颖而出，它要么在基准测试中显示最先进的结果，要么是一个全新的机制/框架到已经使用的模型中（但是你阅读论文时会感到很简单）。这种反思让我们质疑这种专门用于图形数据的新模型存在的原因。为什么我们需要gnn ?图表无处不在:图表数据非常丰富，我认为这是展示我们每天产生或消费的材料最自然、最灵活的方式。从大多数公司和Facebook或Tw.

如果我告诉你我可以通过抛硬币来展示贝叶斯统计和频率统计的区别呢?在左边，一切都与视角有关。 在右边，这完全是关于不会移动的数量。 但大多数情况下，在你看到视频之前，我需要一些东西来保护你的眼睛免受下面的剧透。在视频中，有一个时刻我问你，“我手掌中的硬币是正面朝上的概率是多少?”硬币已经落地了，我看着它，但你们还看不到。你在那一刻给出的答案是一个强烈的暗示，表明你是倾向于贝叶斯思想还是频繁主义思想。【视频请关注我们的公众号查看】频繁主义:“这是不可能的。我可能不知道答案，但这不能改变硬币是正面朝上，

阅读本文的前置知识神经网络知识。有一种叫做注意机制的东西，但是你不需要知道注意力具体实现。RNN/LSTM的不足。A. Vaswani等人的《Attention Is All You Need》被认为是解决了众所周知的LSTM/RNN体系结构在深度学习空间中的局限性的突破之一。本文介绍了transformers 在seq2seq任务中的应用。 该论文巧妙地利用了 D.Bahdanau 等人通过联合学习对齐和翻译的神经机器翻译注意机制的使用。 并且提供一些示例明确且详尽地解释了注意力机制的数学和应

自从Transformer在“注意力就是你所需要的”的工作中被引入以来，在自然语言处理领域已经发生了一个转变，即用基于注意力的网络取代循环神经网络(RNN)。在当前的文献中，已经有很多很棒的文章描述了这种方法。下面是我在评论中发现的两个最好的:带注释的Transformer和Transformer的可视化解释。然而，在研究了如何在计算机视觉中实现注意力(建议阅读:Understanding attention Modules, CBAM, Papers with code - attention, Sel

MeshCNN引入了网格池化操作，使我们能够将cnn应用到三维模型中。将机器学习应用于3D数据并不像应用于图像那样简单。3D数据有很多表示形式，但选择决定了您可以使用哪种学习策略。在本文中，我将介绍一个特别有趣的策略(至少对我来说是????)，叫做MeshCNN:一个有优势的网络。本文描述了一个用于处理3D模型的分类和分割任务的通用框架。也许它最有趣的特性是它的网格池化(mesh pooling)操作，它使我们能够在多个尺度上组合一个网格的特征(类似于视觉CNN)。这是一种学习操作，它逐渐将模型缩减到对

想要一个最先进的计算机视觉模型?首先你需要一个粗糙的数据扩充管道。在人工智能开发的这一点上，这是不容置疑的。但是，拼凑数据增强管道的过程通常是手动和迭代的； 这是一种痛苦。 但是，请注意我说的是“通常”。 那是因为有大量关于自动化该粗糙增强管道的搜索过程的文献（迄今为止尚未得到很好的实施）。自动化搜索概述到目前为止，大致有两种方法。 “AI 模型方法”试图搜索大量的增强策略空间，以使用强化学习或 GAN 找到最佳策略。它取得了显著的成果，Adversarial AutoAugment 实现了当前最先

具有高效微调的多尺度Inception V3方法介绍每年，美国有超过 230,000 名乳腺癌患者的确诊取决于癌症是否已经转移。 转移检测由病理学家检查大片生物组织进行。 这个过程是劳动密集型的并且容易出错。 在今天这个项目中，我们的目标是实现论文《在Gigapixel病理图像上检测癌症转移》arxiv：1703.02442 中提出的多尺度转移分类模型。数据集我们使用CAMELYON-16 Multi Giga Pixel数据。从主要数据集中取样了22张有显著肿瘤的胶片。每张胶片都有一个对应的

如何将20GB的CSV文件放入16GB的RAM中。如果你对Pandas有一些经验，并且你知道它最大的问题——它不容易扩展。有解决办法吗?是的-Dask DataFrames。大多数Dask API与Pandas相同，但是Dask可以在所有CPU内核上并行运行。它甚至可以在集群上运行，但这是另一个话题。今天你将看到Dask在处理20GB CSV文件时比Pandas快多少。运行时值将因PC而异，所以我们将比较相对值。郑重声明，我使用的是MBP 16”8核i9, 16GB内存。本文的结构如下:数据集

你能训练一个机器学习模型来预测你的模型的错误吗?没有什么能阻止你去尝试。万一成功了呢，对吧。我们已经不止一次地看到这个想法了。从表面上看，这听起来很合理。机器学习模型也会出错。让我们利用这些错误，训练另一个模型来预测第一个模型的错误!有点像“信任探测器”，基于我们的模型过去的表现。从错误中学习本身就很有意义。这种方法正是机器学习中提升技术的基础。它在许多集成算法中都得到了实现，如决策树的梯度增强。对下一个模型进行训练，以纠正前一个模型的错误。模型组合比单一组合性能更好。但它能帮助我们训练另

在本文中，我们将讨论无监督机器学习中的层次聚类算法。该算法基于嵌套簇的拆分和合并。根据距离度量合并集群的链接标准如下所示，使用自底向上的方法。ward linkage :它是用来最小化数据的差异与层次的方法（离差平方和法）。Maximum linkage:用于最小化集群数据点的最大距离。Average linkage:用于平均集群数据点的距离。Single linkage:用于最小化集群中数据点的最近距离。通过树状图可以看到分层聚类的可视化关联标准以不同的时间速度提供不同

比较Halving Grid Search 和Exhaustive GridSearchCV如果你是Scikit-Learn的粉丝，那么0.24.0版本你一定会喜欢。里面新特性包括model_selection模块中的两个实验性超参数优化器类:HalvingGridSearchCV和HalvingRandomSearchCV。和它们的近亲GridSearchCV和RandomizedSearchCV一样，它们使用交叉验证来寻找最佳超参数。然而，他们的连续二分搜索策略并不是独立搜索超参数集候选项，而是“开

ViLBERT（Lu et al.2019）代表视觉与语言BERT。 听起来确实像是BERT模型的一个版本（Devlin等人，2018年），该模型很快就变成了NLP任务的SOTA，并集成了视觉输入。 ViLBERT是用于多模态任务，如视觉问答(VQA)和参考表达式。方法总结该模型有效地继承了BERT模型，BERT模型的许多部分在该方法中保持不变。首先分别处理图像和文本输入。文本编码使用几个Transformer层独立于图像特征。所述图像特征被嵌入可输入到Transformer中;边界框用于查找和选择

像numpy这样的软件包是当今数据科学工作的主要来源。然而，我们可能会遇到numpy无法轻松处理或只能以次优方式处理的情况我最近遇到过这样的情况:在实现一个概率矩阵分解(PMF)推荐系统时，我必须将许多对矩阵U和V.T相乘，我的jupyte内核在调用numpy.tensordot来实现我的目标时崩溃了。我不满足于在多核机器上一个接一个地乘矩阵，我转向jax。jax库被DeepMind(即AlphaGo音乐)和谷歌研究人员用于他们的日常工作——主要是在深度学习方面——并且围绕着它出现了一个丰富的生态系统。

当我们必须处理可能有多个列和行的大型DataFrames时，能够以可读格式显示数据是很重要的。这在调试代码时非常有用。默认情况下，当打印出DataFrame且具有相当多的列时，仅列的子集显示到标准输出。 显示的列甚至可以多行打印出来。在今天的文章中，我们将探讨如何配置所需的pandas选项，这些选项将使我们能够“漂亮地打印” pandas DataFrames。问题假设我们有以下DataFrame：import pandas as pd import numpy as npdf = pd.

Python已经成为数据科学的语言之王。大多数新的数据科学家和程序员继续学习Python作为他们的第一门语言。这是有充分理由的;Python具有较浅的学习曲线、强大的社区和丰富的数据科学库生态系统。我用Python开始了我的数据科学之旅，它仍然是我解决数据科学问题最常用的工具。我很想更好地理解Python从您那里抽象出了什么，以及用性能更高的语言编写更快代码的成本与好处。为了有代表性地介绍c++，我需要一个代表性的应用程序，c++将是一个合适的选择。从头实现一个分类决策树分类器似乎是一个适当的挑战。这已

激活函数，又称转换函数，是设计神经网络的关键。激活函数在某种意义上是重要的，因为它被用来确定神经网络的输出。它将结果值映射为0到1或-1到1等(取决于函数)。激活函数还有另一个名称，称为Squashing函数，当限制了激活函数的范围时使用这个名称。激活函数应用于神经网络的每个节点，并决定该神经元是否应该被“触发”/“激活”。为什么选择激活函数是非常重要的。当在隐藏层和输出层中实现时，激活函数的选择非常关键。模型的准确性和损失很大程度上依赖于激活函数。此外，必须根据您对模型的期望来选择它们。例如，在二值分

在这篇文章中，我们将特别关注时间序列预测。我们将使用三个时间序列模型，它们是使用python建立的超级商店数据集(零售行业数据)。我们将使用jupyter notebook 来构建我们的python代码，然后转移到Tableau。本文旨在演示如何将模型与Tableau的分析扩展集成，并使其无缝使用。为什么Tableau?因为我喜欢它，而且我不能强调它是多么容易探索你的数据。（译者注：我个人也认为Tableau是最强的可视化工具）让我们从数据开始:#importing librariesimpor

介绍神经机器翻译(NMT)是一种端到端自动翻译学习方法。它的优势在于它直接学习从输入文本到相关输出文本的映射。它已被证明比传统的基于短语的机器翻译更有效，而且后者需要更多的精力来设计模型。另一方面，NMT模型的训练成本很高，尤其是在大规模翻译数据集上。由于使用了大量参数，它们在推理时的速度也明显变慢。其他限制是翻译稀有单词且无法翻译输入句子的所有部分时的鲁棒性。为了克服这些问题，已经有一些解决方案，例如使用注意力机制来复制稀有词[2]。通常，NMT模型遵循通用的序列到序列学习体系结构。它由一个编码器和一

探索GPT-3中用于搜索，分类和提取任务的快速工程介绍虽然GPT-3已经发布了很长一段时间，因为它在编写类似人类的故事和诗歌方面的卓越能力而受到广泛关注，但我从来没有想到它附带的API能够为构建具有广泛应用程序的数据产品提供如此大的灵活性和方便性。在本文中，我试图探索一些与我在就业市场中看到的问题相关的用例，并试图理解构建基于语言的数据产品在未来可能只是围绕着“即时工程”。与此同时，本文并不试图解释GPT-3是如何工作的，也不试图解释它如何能够完成它正在做的事情。关于这些话题的更多细节已经在Jay

jupiter notebooks 在更广泛的编程社区中名声不佳。乔尔·格鲁斯(Joel Grus)在2018年JupyterCon上勇敢地发表了著名的“我不喜欢notebooks ”演讲，其中涵盖了许多原因。通常，notebook被认为是促进糟糕的编码实践，因为它们很难进行版本控制，经常依赖于以特定顺序运行的单元格来返回正确的结果，并且测试和调试可能很棘手。但是，当涉及到探索性数据分析和初始机器学习模型开发等任务时，jupiter notebooks 仍然是大多数数据科学家的首选。根据代码可视化输出(如

在这篇文章中，我们将首先看看Lasso和Ridge回归中一些常见的错误，然后我将描述我通常采取的步骤来优化超参数。代码是用Python编写的，我们主要依赖scikit-learn。本文章主要关注Lasso的例子，但其基本理论与Ridge非常相似。起初，我并没有真正意识到需要另一个关于这个主题的指南——毕竟这是一个非常基本的概念。然而，当我最近想要确认一些事情时，我意识到，市面上的很多文章要么太学术化，要么太简单，要么就是完全错误。一个很常见的混淆来源是，在sklearn中总是有十多种不同的方法来计算同一件

我最近读了一篇非常有趣的论文，叫做 Deep Transformer Models for Time Series Forecasting: The Influenza Prevalence Case。我认为这可能是一个有趣的项目，他的实现是从头开始的，并且可以帮助你了解更多关于时间序列预测。预测的任务在时间序列预测中，目标是预测给定历史值的时间序列的未来值。时间序列预测任务的一些例子是:预测流感流行病例:时间序列预测的深度变形模型:流感流行病例能源生产预测:能源消耗预测使用堆叠非参数贝叶斯方法天

这是数据科学中的一个哲学问题。我们应该使用什么特征选择方法:精挑细选的还是详尽所有的?答案是“看情况”。这里的“精挑细选”指的是选择一小部分能够很好解释的有意义的功能;“详尽所有”是指在数据集中选择所有可能的特征组合。在大多数的数据科学家眼中，至少在大多数情况下，过于复杂并没有帮助。通过以上的结论，你可能会得出结论，我喜欢精心挑选的特征。但这并不完全正确。在本文中，我将比较这两种特性选择方法，并帮助您决定应该在何处选择它们。我解释了几种场景的不同之处，以帮助您确定如何为自己的项目选择特性选择方法。可解释性

我记得我在选修一门课程时，教授花了两节课反复研究决策树的数学原理，然后才宣布:“同学们，决策树算法不使用任何这些。”很显然，这些课程并不是关于基尼系数或熵增益的。教授在讲课时几分钟就避开了他们。这两节课是180分钟的贝叶斯定理和贝塔分布的交锋。那么，为什么我们被鼓励去研究所有这些数学呢？ 好吧，增长决策树的常用方法是该贝叶斯模型的近似值。 但这不是。 该模型还包含一个初级集成方法的思想。 这样一来，让我们投入一些数学知识，并探讨贝叶斯定理的优越性。 （注意：我假设您知道概率概念，例如随机变量，贝叶斯定理和条

图像处理是机器学习中最有趣的子区域之一。 它从多层感机知开始，后来出了卷积，后来发展出是注意力机制，然后就是transformers，现在新的论文将又我们带回到MLP。 如果您像我一样，您的第一个问题将是MLP如何获得与transformers和CNN几乎相同的结果？ 这是我们将在本文中回答的问题。 谷歌新提出的“ MLP-Mixer”取得了与SOTA模型非常接近的结果，该模型是在大量数据上训练的，速度几乎是其三倍。 这也是该论文中一个有趣的指标（图像/核心/秒）。MLP-Mixer无需使用任何卷积或任何

自然语言是指人类相互交流的语言，而自然语言处理是将数据以可理解的形式进行预处理，使计算机能够理解的一种方法。简单地说，自然语言处理(NLP)是帮助计算机用自己的语言与人类交流的过程。自然语言处理是最广泛的研究领域之一。许多大公司在这个领域投资很大。NLP为公司提供了机会，让他们能够根据消费者的情绪和文本很好地了解他们。NLP的一些最佳用例是检测假电子邮件、对假新闻进行分类、情感分析、预测你的下一个单词、自动更正、聊天机器人、个人助理等等。解决任何NLP任务前要知道的7个术语标记：它是将整个文本分割成小

在开发机器学习解决方案时，需要清除的最大障碍一直是数据。像ImageNet和COCO这样的大规模、干净、完全注释的数据集并不容易获得，特别是对于小众任务。这在深度学习中尤其如此，而且随着深度学习的日益普及，这种情况会越来越明显。为了克服标记数据瓶颈，研究人员和开发人员正在开发各种技术，如迁移学习、领域适应、合成数据生成以及许多半监督和自监督技术。半监督和自监督技术的世界是一个特别迷人的领域，因为它看起来几乎像魔术。我们如何利用世界上看似无穷无尽的无标记数据来帮助我们解决监督学习问题?事实证明，这些技术比你

当处理一个新的机器学习问题时，没有办法从一开始就知道解决方案是什么，除非各种不同的实验被尝试和测试。随着时间的推移，我们通过各种不同的技术和方法，确认在机器学习项目中什么是有效的，什么是无效的。以下总结了5个步骤希望对你有帮助。生成简单的特征当第一次开始建模过程时，尝试生成尽可能多的简单特征，尝试生成不需要花很长时间编码的特征。例如，与其训练Word2vec模型，不如先实现一个简单的词袋，它用最少的代码生成数千个特性。一开始就想使用任何可测量为特征的东西，因为没有明确的方法可以提前知道一个或多个特征组合

自然语言生成(NLG)近年来取得了令人难以置信的进步。2019年初，OpenAI发布了GPT-2，一个巨大的预训练模型(1.5B参数)，能够生成类人质量的文本。生成预训Transformer2 (GPT-2)，顾名思义，是基于Transformer 的。它使用注意力机制，这意味着它学会关注与上下文最相关的前一个单词，以便预测下一个单词。本文的目的是向您展示如何调整GPT-2以根据提供的数据生成与上下文相关的文本。作为一个例子，我将生成歌词。我们的想法是使用已经训练过的模型，根据我们的特定数据对其进行微

介绍大多数图像去噪器技术专注于去除AWGN（高斯白噪声）。 通常，噪声是综合添加的并且涉及各种技术来去除这些图像。 但是随着深度学习的进步，重点已转向为现实世界中的嘈杂彩色图像设计降噪架构。 实际的嘈杂图像是通过具有不同设置或在弱光条件下的不同摄像机获得的。 在较低的相机ISO设置下或在强光条件下，也可以获得相应的清晰图像。 具有干净且嘈杂的图像对，我们可以训练深度学习卷积体系结构以对图像进行降噪。 图像去噪效果可能是肉眼可见的。 我使用PSNR和SSIM指标来衡量图像去噪器性能。要解决的问题不能完全

这篇文章是关于自动驾驶汽车车道检测的深度学习解决方案即使在各种各样的条件下，人们也可以很容易地在道路上找到车道线。但是计算机并不容易。阴影，眩光，道路颜色的细微变化，线条的轻微障碍物……人们通常仍可以处理的所有事物，但计算机可能会遇到很大困难。识别道路上的车道是所有人类驾驶员执行的一项常见任务，从而确保交通畅通并最大程度地减少与附近车道其他汽车相撞的机会。同样，自动驾驶汽车的执行也是至关重要的任务。事实证明，使用众所周知的计算机视觉技术可以识别道路上的车道标记。我们将介绍如何使用各种技术来识别和绘制车道

引入IoU感知和Varifocal 来推动对象检测SOTA分数在MS COCO上进行的广泛实验表明，我们的VFNet通过使用不同的骨干来围绕2.0 AP不断地超过最强基线。我们最好的模型VFNet-X-1200与Res2Net-101-DCN在COCO测试开发上实现了单模型单尺度AP 55.1，这是各种目标探测器中最先进的。几周前，当我在做一个物体检测Kaggle竞赛时，我偶然发现了VarifocalNet。我非常惊讶地看到它与许多SOTA对象检测模型(如YoloV5和EfficientDet)相匹

自从2012年数据科学被评为21世纪最性感的工作以来，来自不同领域的许多人开始转向数据科学或相关的机器学习角色。用新奇的人工智能算法解决复杂的问题，再加上一份不错的薪水，听起来很有吸引力。很多公司都加入了宣传的行列，现在提供在不到一年的时间里学习数据科学/AI/ML的新兵训练营。在加入这样的训练营或转向机器学习之前，请考虑以下10件事。已经是2021年了，但是工作头衔还没有明确定义并且所需技能差异很大在初创企业注意到人工智能现在是一个有力的流行语之后，他们开始将现有的工作机会从数据分析师/统计学家重命

几何深度学习是从对称性和不变性的角度对广泛的ML问题进行几何统一的尝试。 这些原理不仅是卷积神经网络的突破性性能和图神经网络的近期成功的基础，而且还为构造新型的特定于问题的归纳偏差提供了一种有原则的方法。此文章是与Joan Bruna，Taco Cohen和PetarVeličković共同撰写的，并基于MM Bronstein，J。Bruna，T。Cohen和P.Veličković的新论文 Deep Learning: Grids, Groups, Graphs, Geodesics, and Gau

泊松和类泊松回归模型常用于基于计数的数据集，即包含整数计数的数据。例如，每小时走进医院急诊室的人数就是一个这样的数据集。基于普通最小二乘回归的线性模型或非线性模型（例如基于基于神经网络的回归技术的线性模型）不适用于此类数据集，因为它们可以预测负值。如果数据集是计数的时间序列，则会产生额外的建模复杂性，因为时间序列数据通常是自相关的。以前的计数会影响将来计数的值。如果回归模型不能充分捕获这些相关性中包含的“信息”，“未解释的”信息将以自相关误差的形式泄漏到模型的残差中。在这种情况下，模型的拟合优度会很差。

作为一名数据分析师，我整天编写SQL查询。我的任务之一是充当公司数据库和需要随时使用数据的同事之间的翻译。根据他们的需求定制提取的数据后，他们就能够进行自己的分析并得出面向业务的结论。与对数据一无所知的同事一起工作，我发现拥有SQL的基本知识——或者在工作中获得它——通常会让他们受益。如果你处于类似的职位，比如与负责公司数据库的数据分析师或技术团队打交道，或者如果你认识这样的人并且想更多地了解SQL是什么，以及为什么它在数据处理中如此重要，那么本文就是为您准备的。SQL简介SQL代表结构化查询语言。它

深度学习在解决许多复杂的机器学习问题方面一直是一个有趣的课题，特别是最近在图数据方面。然而，大多数的解决方案要么是监督或半监督，高度依赖于数据中的标签，导致过拟合和整体鲁棒性较弱。自监督学习(Self-Supervised Learning, SSL)是一种很有前途的解决方案，它从无标记数据中挖掘有用的信息，使其成为图数据领域中一个非常有趣的选择。为什么自监督学习更适合图形数据?SSL有助于理解图形数据中存在的结构和属性信息，使用标记数据时可能会忽略这些信息对于现实世界的数据，获取带标签的图形数据非常

在本文中，我们将为各种图像生成文字描述图像描述是为图像提供适当文字描述的过程。 作为人类，这似乎是一件容易的任务，即使是五岁的孩子也可以轻松完成，但是我们如何编写一个将输入作为图像并生成标题作为输出的计算机程序呢？在深度神经网络的最新发展之前，业内最聪明的人都无法解决这个问题，但是在深度神经网络问世之后，考虑到我们拥有所需的数据集，这样做是完全有可能的。例如，网络模型可以生成与下图相关的以下任何标题，即“A white dog in a grassy area”，“white dog with bro

图像超分辨率(SR)是一种低层次的计算机视觉问题，其目标是从低分辨率观测中恢复出高分辨率图像。近年来，基于深度卷积神经网络(CNN)的SR方法取得了显著的成功，CNN模型的性能不断增长。近年来，一些方法开始将注意机制集成到SR模型中，如频道注意和空间注意。注意力机制的引入通过增强静态cnn的表示能力，极大地提高了这些网络的性能。现有研究表明，注意机制在高绩效超划分模型中非常重要。但是很少有研究真正讨论“注意力为什么起作用以及它是如何起作用的”。今天要介绍的论文试图量化和可视化静态注意力机制，并表明并非所

支持向量机如何在高维空间中分离数据点背后的数学概念支持向量机是1992年由Bell实验室的vladimir Vapnik和他的同事首次提出的。然而，许多人并不知道支持向量机的基础知识早在20世纪60年代他在莫斯科大学的博士论文中就已经开发出来了。几十年来，SVM一直受到很多人的青睐，因为它使用更少的计算资源，同时允许数据科学家获得显著的准确性。更不用说它同时解决了分类和回归问题。基本概念支持向量机可以解决线性和非线性问题，很好地工作在许多实际业务问题。支持向量机的原理是直截了当的。学习模型绘制了一条线

时间序列分解是一种技术，它将时间序列分解为几个部分，每个部分代表一个潜在的模式类别、趋势、季节性和噪声。在本教程中，我们将向您展示如何使用Python自动分解时间序列。首先，我们来讨论一下时间序列的组成部分:季节性:描述时间序列中的周期性信号。趋势:描述时间序列是随时间递减、不变还是递增。噪音:描述从时间序列中分离出季节性和趋势后剩下的东西。换句话说，数据的可变性是模型无法解释的。对于本例，我们将使用来自Kaggle的航空乘客数据。import pandas as pdimport nu

Python和R是数据科学生态系统中的两种主要语言。它们都提供了丰富的功能选择并且能够加速和改进数据科学工作流程。在这篇文章中，我们将比较Pandas 和data.table，这两个库是Python和R最长用的数据分析包。我们不会说那个一个更好，我们这里的重点是演示这两个库如何为数据处理提供高效和灵活的方法。我们将介绍的示例是常见的数据分析和操作操作。因此，您可能会经常使用它们。我们将使用Kaggle上提供的墨尔本住房数据集作为示例。我将使用谷歌Colab(Pandas )和RStudio(data.

使用Wikipedia来改进NLP任务，如命名实体识别和主题建模介绍自然语言处理(NLP)正在兴起。计算语言学和人工智能正在加入它们的力量，促进突破性发现。虽然研究集中在显著提高NLP技术上，但企业正在把这项技术视为一项战略资产。这种由NLP引导的突破性创新的主要作用是大量可用的文本数据。谈到数字化时，尤其是对于企业来说，重要的是要记住文档是知识的主要来源。但是，当训练自然语言处理任务时，最大的瓶颈之一就是训练的数据。当涉及诸如特定领域的实词应用程序时，我们面临着资源匮乏的数据问题。训练数据有两个主要

介绍在这篇文章中，我们将回顾你在阅读机器学习论文时应该考虑的最重要的原则，以及作为机器学习工程师/从业者，你是否真的需要阅读论文来推进你的道路。什么是论文?论文是一篇书面的文章，但不是你可以在互联网博客上找到的文章，而是一篇关于学术文章。该文章将学术研究的结果外部化，并向读者提供所有必要的信息，以争论和揭示研究人员的发现。科学论文的最终目的是增加知识领域，它作为书面媒介，通过它知识被正式表达、传播和被社会审查。最后一点很关键，已发布的论文都是是进行了审查、验证和评估能够保证其质量才能狗狗进行发布的。

基于注意力的Transformer网络被广泛用于序列建模任务，包括语言建模和机器翻译。为了提高性能，模型通常通过增加隐藏层的维度来扩展，或者通过堆叠更多的Transformer块来扩展。例如，T5使用65K的隐藏层参数，GPT-3使用96个Transformer块。然而，这样的缩放显著增加了网络参数的数量(例如，T5和GPT-3分别有110亿个和1750亿个参数)，并使学习复杂化，也就是说，这些模型要么需要非常大的训练库或特定的的正则化。在本篇文章中介绍一篇论文，该论文引入了一种新的基于参数的高效注意力架

将Excel与Word集成，无缝生成自动报告毫无疑问，微软的Excel和Word是公司和非公司领域使用最广泛的两款软件。它们实际上是“工作”的同义词。通常情况下，每一周我们都会将两者结合起来，并以某种方式发挥它们的优点。虽然一般的日常用途不会要求自动化，但有时自动化可能是必需的。也就是说，当您有大量的图表、图形、表格和报告要生成时，如果您选择手动方式，它可能会成为一项极其繁琐的工作。其实没必要这样。实际上，有一种方法可以在Python中创建一个管道，您可以将两者无缝集成，在Excel中生成电子表格，然后将

使用特征匹配和随机图像增强实现DCGAN模型生成艺术品。我对使用GAN进行艺术创作的想法很感兴趣，因此我开始研究人们设法创造的东西，并且遇到了Mike Tyka的工作，他是Google的研究人员，我发现他对此非常着迷，这促使我开始创建自己的GAN项目来从事艺术创作。当我开始这个项目时，我并没有意识到训练GAN模型有多困难，并且花费了很多试验和错误才能得出令人满意的结果。 因此，在本文中，我将经历构建DCGAN模型的历程，包括我所面临的挑战以及为达到最终模型所做的工作。虽然并不完美，但结果却是不错的，因

谷歌2018年发布的BERT是NLP最有影响力的论文之一。在本文中，我将进一步介绍BERT，这是最流行的NLP模型之一，它以Transformer为核心，并且在许多NLP任务（包括分类，问题回答和NER）上均达到了最先进的性能。具体地说，与其他关于同一主题的文章不同，我将试着浏览一遍极具影响力的BERT论文——Pre-training of Deep Bidirectional Transformers for Language Understanding，同时将尽量是用通俗的描述而不使用术语，并尝试通

使用影响图片数据预测患者结果的机器学习技术组织病理学图像的机器学习算法正变得越来越复杂。从检测和分类细胞和组织，到预测生物标志物和患者预后。任务的复杂程度依赖于病理学家对组织中特定特征的注释。但生物标记物和结果更为复杂。算法必须在没有任何组织的区域或其外观特征是重要的先验知识的情况下解码大型的整个图像图像。使用癌症分期，分子特征或临床变量已经可以完成风险分层。然而，改善预后见解是研究的活跃领域。预后指的是患者接受标准治疗后可能发生的结果，例如患者肿瘤复发，发生远处转移或死亡的可能性。无论目标是什么，创

在本文中，我们主要关注模型的应用，而具体的网络设计并不是我们这里特别感兴趣的。社会影响的预测社会影响预测侧重于朋友之间行为的影响，尤其是在社交网络中。例如，如果一些社交网络上的朋友买了一件衣服，他/她会不会也买呢?以社交图作为输入，DeepInf为用户学习网络嵌入(一种潜在的社会表征)。结合下面(d)中手工制作的特征，对社会影响进行预测，比如v是否也会观看广告片段(步骤f)。在训练过程中，将预测结果与真值进行对比，学习这个网络嵌入。电子健康记录建模我们可以用图来建立医学本体的模型。下面是一个使用.

需要解决的问题和数据集本文目的是研究使用神经网络对视频帧进行分类的方法，特别是研究将时间信息与视频帧的空间信息一起考虑的体系结构。我们旨在证明，仅将标准卷积神经网络单独应用于视频的每个帧，对于可以捕获视频帧之间的时间模式的模型而言是一种较差的方法。我们使用的数据集是Rat Social Interaction数据集，它是包含两只老鼠的一系列视频，这些视频的所有帧都标有老鼠的行为。我们将10类问题减少到两类：交互行为和孤立行为。数据集包含约200,000帧，并且这些帧在两个类别之间几乎均等地划分，因此我们

基于方差阈值的特征选择介绍今天，数据集拥有成百上千个特征是很常见的。从表面上看，这似乎是件好事——每个样本的特征越多，信息就越多。但通常情况下，有些特征并没有提供太多价值，而且引入了不必要的复杂性。机器学习最大的挑战是通过使用尽可能少的特征来创建具有强大预测能力的模型。但是考虑到今天庞大的数据集，很容易忽略哪些特征是重要的，哪些是不重要的。这就是为什么在ML领域中有一个完整的技能需要学习——特征选择。特征选择是在尽可能多地保留信息的同时，选择最重要特征子集的过程。举个例子，假设我们有一个身体测量数据

你可能已经听过很多次了，但只有一小部分机器学习模型投入生产。部署和运行机器学习模型对于大多数已经开始将ML应用于用例的行业来说都是一个挑战。在这篇文章中，我将分享一些MLOps的最佳实践和技巧，它们将允许您在生产环境中使用您的ML模型并正确地操作它。在我们开始之前，让我们讨论一下我们可能都知道的典型的ML项目生命周期。ML项目生命周期一个典型的ML生命周期可以概括为以下图表，主要由三个阶段组成。在第一阶段，我们深入研究数据之前做好准备是很重要的。因此与业务专家一起，我们需要仔细定义我们的问题和业务目

transformer 彻底改变了自然语言处理，并在神经机器翻译，分类和命名实体识别等领域进行了重大改进。最初，transformer 在时间序列领域很难应用。但是在过去的一年半中，出现了一些用于时间序列分类和预测的transformer 变体。我们已经看到了诸如时间融合，卷积，双阶段注意力模型以及更多尝试进入时间序列的模型。 最新的Informer模型建立在这一趋势的基础上，并合并了几个新的组件。Informer旨在改善自我注意机制，减少记忆使用，加快推理速度。Informer同时利用了transfo.

现在可以很容易地同时使用两种语言来获得最好的结果最近，我同时使用R和Python进行了更多的项目。 对我而言，使用最佳工具来完成工作变得越来越重要，而不受单一语言的束缚。 Python在某些方面做得最好，R在某些方面做得最好，因此，如果我们在需要的时候可以同时使用这两种方法，那么我们就可以发挥出最好的性能。 在最近的示例中，我想创建一个Shiny应用程序来生成参数化的Powerpoint文档，这个应用我是用R的tidyverse对我的数据进行编码处理，使用Python编写了Powerpoint编辑代码，因

数据分析本质上就是用数据寻找问题的答案。当我们对一组数据执行某种计算或计算统计信息时，通常对整个数据集进行统计是不够的。取而代之的是，我们通常希望将数据分成几组，并执行相应计算，然后比较不同组之间的结果。假设我们是一个数字营销团队，正在调查最近转换率下降的潜在原因。从整体来看转化率并不能让我们找到可能的原因。我们希望比较不同营销渠道，广告系列，品牌和时间段之间的转化率，以识别指标的差异。Pandas是非常流行的python数据分析库，它有一个GroupBy函数，提供了一种高效的方法来执行此类数据分析。在

异常检测是对罕见的观测数据进行识别，这些观测数据具有与其他数据点截然不同的极值。这类的数据被称为异常值，需要被试别和区分。造成这些异常现象的原因有很多:数据的可变性、数据收集过程中获得的错误，或者发生了一些新的、罕见的情况。管理这些离群值很有挑战性的，因为通常不可能理解问题是否与错误的数据收集有关还是因为其他原因。根据我们的目标需要决定移除还是保留这个异常值。如果异常点是由于新事件的发生而产生的，移除异常点意味着丢失信息。因为在这一种情况下，由于其稀有性，离群值包含了重要的新信息。检测欺诈性金融交易、制

PyTorch的主要功能和特点之一就是backword函数，我知道一些基本的导数:Let, F = a*bWhere,a = 10 b = 10∂F/∂a = b => ∂F/∂a = 20∂F/∂b = a => ∂F/∂b = 10让我们在PyTorch中实现:如果a和b是向量，那么下面的代码似乎给出了一个错误:RuntimeError: grad can be implicitly created only for scalar outputs在文档中写道：当我们

使用F1分数进行二元分类的度量是很常见的。这就是所谓的调和均值。然而，更通用的F_beta评分标准可能更好地评估模型性能。那么F2 F3和F_beta呢?在这篇文章中，我们将回顾F指标。介绍根据许多数据科学家的说法，最可靠的模型性能度量是准确率。但是确定的模型指标不只有一个，还有很多其他指标。 例如，准确率可能很高，但是假阴性也很高。 另一个关键度量是当今机器学习中常见的F指标，用于评估模型性能。 它按比例结合了精度和召回率。 在这篇文章中，我们探讨了建议两者不平衡的不同方法。混淆矩阵，精度和召回

我们将在本文中介绍的模型属于称为高斯判别分析（GDA）模型的类别。 请注意，高斯判别分析模型是生成模型！ 尽管它的名字叫做判别模型，但是他是生成模型。 给定N个输入变量x和相应的目标变量t的训练数据集，GDA模型假设类条件密度是正态分布的其中μ为类特有的均值向量，σ为类特有的协方差矩阵。利用贝叶斯定理，我们现在可以计算类后验然后我们将把x分类数学推导对于每个输入变量，我们定义k个二元指标变量。此外，让t表示所有的目标变量，π表示先验，用下标表示类。假设数据点是独立绘制的，似然函数为为了简

介绍自然语言处理(NLP)是一种将非结构化文本处理成有意义的知识的人工智能技术。NLP解决了分类、主题建模、文本生成、问答、推荐等业务问题。虽然TF/IDF矢量化或其他高级词嵌入(如GLOVE和Word2Vec)在此类NLP业务问题上表现出了良好的性能，但这些模型存在局限性就是使用一个向量对词进行编码而不考虑上下文的不同含义。因此，当试图解决理解用户意图所需的问题时，这些模型可能不能很好地执行。一个例子是，当用户与自动聊天机器人交互时，它试图理解用户查询的意图并准确地提供响应。对于这种情况，NLP中的另

什么是循环在编程中，循环意味着以相同的顺序多次重复同一组计算。想想现实生活中的情况。你是一位在森林里测量树木的野外生物学家。你选一棵树，测量它的直径和高度，把它们写在你的笔记本上，估计它的总体积。接下来，你再选一棵树，测量它的直径和高度，把它们写在你的笔记本上，估计它的总体积。然后，你再选一棵树，测量它的直径和高度，把它们写在你的笔记本上，估计它的总体积。您将不断重复相同的过程，直到示例中的所有树都用完为止。在编程行话中，您将遍历每棵树，并以相同的顺序执行相同的任务集。回到编程，如果给您一个整数值列

这是Machine-Learning-Collage系列，每隔一周作者都会编写一个本周论文的幻灯片摘要。每月底所有的幻灯片画都会被集中到一个总结文章中。作者希望给读者一个直观和直观的一些最酷的趋势。以下是作者在2021年3月读到的四篇最喜欢的论文，以及为什么我相信它们对深度学习的未来很重要。“Discovery of Options via Meta-Learned Subgoals“Veeriah et al. (2021) | ????https://arxiv.org/abs/2102.06741

本文介绍了如何从零开始开发车牌对象检测模型。整体项目中还包含了一个使用Flask的API。在本文中我们将解释如何从头开始训练自定义对象检测模型。项目架构现在，让我们看看我们要构建的车牌识别和OCR的项目架构。在上面的架构中，有六个模块。标记、训练、保存模型、OCR和模型管道，以及RESTful API。但是本文只详细介绍前三个模块。过程如下。首先，我们将收集图像。然后使用python GUI开发的开源软件图像标注工具对图像进行车牌或号牌的标注。然后在对图像进行标记后，我们将进行数据预处理，在Tens

在过去的几年中，自然语言处理（NLP）领域因基于注意力的方法的出现而发生了革命性变化。由于它们在捕获单词之间的远程依存关系方面具有出色的功能以及其可扩展的训练能力，因此诸如Transformer模型之类的自注意力体系结构代表了涵盖各种语言任务的当前最新技术水平，其中包括机器翻译，问答和自回归词生成等。[1]提出了一种无卷积的视频分类方法，该方法专门基于名为“ TimeSformer”的空间和时间上的自注意力而构建，通过直接从一系列帧级块中启用时空特征学习，将标准的Transformer体系结构应用于视频。

与领先的超分辨率深度神经网络模型相比，Adobe的超分辨率有多有效?这篇文章试图评估这一点，Adobe的超级分辨率的结果非常令人印象深刻。超分辨率技术超分辨率是通过提高图像的视分辨率来提高图像质量的过程。拥有一种算法，可以有效地想象出在更高分辨率的图像中将会出现的细节。有很多正面评论描述了Adobe Photoshop的Super Resolution的出色表现，例如“ Made My Jaw Hit the Floor”。 在超分辨率方面进行了多年的研究和试验之后，我想对图像分辨率增强和实际图像质量

数据科学和机器学习所需的数学知识中，约有30-40%来自线性代数。矩阵运算在线性代数中占有重要的地位。Numpy通常用于在Python中执行数值计算，并且对于矩阵操作做了特殊的优化。numpy通过向量化避免许多for循环来更有效地执行矩阵操作。我将包括本文中讨论的每个矩阵操作的含义、背景描述和代码示例。本文末尾的“关键要点”一节将提供一些更具体矩阵操作的简要总结。所以，一定要阅读这部分内容。我将按照以下顺序讨论每个矩阵操作。内积点积转置迹秩行列式逆伪逆扁平化特征值和特征向量内积

我们希望为模型准备或分析的数据是完美的。但是数据可能有缺失的值、异常值和复杂的数据类型。我们需要做一些预处理来解决这些问题。但是有时我们在分类任务中会遇到不平衡的数据。因为在我们的生活中，数据不可能是平衡的，这种不平衡的情况非常常见而且需要进行修正。例如，有一个二进制分类任务，数据中有100条记录(行)，其中90行标记为1，其余10行标记为0。有了这些数据，我们的模型就会有偏差。预测将由多数类主导。为了防止这种情况的发生，我们可以使用现成的imblearn。imblearn是一个开源的由麻省理工.

在本文中，我将描述并展示4种不同的Pytorch训练技巧的代码，这些技巧是我个人发现的，用于改进我的深度学习模型的训练。混合精度在一个常规的训练循环中，PyTorch以32位精度存储所有浮点数变量。对于那些在严格的约束下训练模型的人来说，这有时会导致他们的模型占用过多的内存，迫使他们使用更小的模型和更小的批处理大小进行更慢的训练过程。所以在模型中以16位精度存储所有变量/数字可以改善并修复大部分这些问题，比如显著减少模型的内存消耗，加速训练循环，同时仍然保持模型的性能/精度。在Pytorch中将所有计

整体比较如果你是一名数据科学家，你很有可能使用Python或R编程。但是有一个叫Julia的新成员承诺在不影响数据科学家编写代码和与数据交互的情况下拥有c一样的性能。我将R与Julia进行了比较，展示了Julia是如何为数据科学社区带来全新的编程思维方式的。主要的结论是，有了Julia，您不再需要向量化来提高性能，良好地使用循环可能会提供最好的性能。在这篇文章中，我将添加Python对比。因为对于数据科学家来说我们使用任何算法最好有现成的实现可用，并且从对算法进行编程使用需要非常的简单。 这都是我们需

XGBoost是功能非常强大且用途广泛的模型。 它的应用范围非常大，并且已经成功地用于解决许多ML分类和回归问题。尽管它最初并不是为处理时间序列而设计的，但在这种情况下，仍有许多人使用它。 他们这样做正确吗？ 让我们来看看数学如何告诉我们有关该用例的信息。XGBoost和时间序列在很多领域和比赛中XGBoost已被用于预测此处的时间序列，它表现良好原因的在于为，需要它提供与时间相关的功能：比如滞后，频率，小波系数，周期等由于XGBoost非常擅长识别数据模式，因此如果您有足够的描述数据集的时间特征，

我们最近看到了一些大型数据集的出现，它们允许训练深度学习模型来自动化各种任务，例如植物细胞评估，细胞核分割或有丝分裂检测，所有这些都非常准确，有时甚至超过人类 专家。虽然有些人已经在谈论另一个AI冬天，但在生物医学领域，我们只是看到深度学习模型却并非如此，而是真正兑现了诺言并取得了卓越的成果。但是-他们有一个大问题。 而且大多数论文对此都不公开：一旦向使用了其他实验室的图像，这些AI模型中许多模型的优良性能就会瓦解。您可能已经听说过，来自不同机构的显微图像看起来有所不同。 为了说明这一点，下面是TU

Python是程序员和数据科学家最常用的编程语言之一。程序员喜欢Python是因为它简单但是功能强大。数据科学家喜欢Python，因为大多数机器学习和深度学习库都在Python中可用。在现实世界中，当我们为任何项目或客户工作时，我们都需要了解数据。 数据是每个行业的决定性因素。 我们需要应用不同的编程逻辑，分析和进一步的建模练习来了解数据。它花费了大量的时间来分析数据并使数据适合您的任务。在python中，我们有一个库，可以在单个python代码行中创建一个端到端数据分析报告。本文将介绍这个库，它可以

这是2020年VCIP的一篇论文：灵感来自EDSR，以帧内预测信号作为附加输入，Y，U和V分量的平均BD速率增益分别为6.7％，12.6％和14.5％。在篇文章中，我们将简单的介绍Nasiri VCIP ’ 20的一篇论文使用CNN (VVC滤波)提高VVC的预测感知质量，它主要包括以下两个方面卷积神经网络(CNN)提高VVC编码帧解码后的质量，以减少低比特率伪影。同时利用帧内的预测信息进行训练。帧内编码和压缩伪像之间的关系和动机VVC中有67种帧内预测模式（IPM），代表65个角度IPM

声音分类是音频深度学习中应用最广泛的方法之一。它包括学习对声音进行分类并预测声音的类别。这类问题可以应用到许多实际场景中，例如，对音乐片段进行分类以识别音乐类型，或通过一组扬声器对短话语进行分类以根据声音识别说话人。在本文中，我们将介绍一个简单的演示应用程序，以便理解用于解决此类音频分类问题的方法。我的目标不仅仅是理解事物是如何运作的，还有它为什么会这样运作。音频分类就像使用MNIST数据集对手写数字进行分类被认为是计算机视觉的“Hello World”类型的问题一样，我们可以将此应用视为音频深度学习

目标在仿真理论中，生成随机变量是最重要的“构建块”之一，而这些随机变量大多是由均匀分布的随机变量生成的。其中一种可以用来产生随机变量的方法是逆变换法。在本文中，我将向您展示如何使用Python中的逆变换方法生成随机变量(包括离散和连续的情况)。概念给定随机变量U，其中U在（0,1）中均匀分布。 假设我们要生成随机变量X，其中累积分布函数（CDF）为逆变换方法的思想是通过如下使用其逆CDF从任何概率分布中生成一个随机数。对于离散随机变量，步骤略有不同。假设我们想生成一个离散随机变量X的值，它具有

什么是双向RNN?双向RNN是RNN的一种变体，它对于自然语言处理任务特别有用，并且有时可以提高性能。BD-RNN使用两个常规的RNN，其中一个是顺序数据向前移动，另一个是数据向后移动，然后合并它们的表示。此方法不适用于时间序列数据，因为按时间顺序表示的含义更抽象。 例如，在预测接下来会发生什么时，最近的事件应该具有更大的权重确实是有意义的。而在语言相关问题中，“tah eht ni tac”和“cat in the hat”显然不应该具有真正的更高的抽象意义。“Tah”和“hat”都指的是同一个物

论文的目标这篇论文要解决什么问题?大规模图像识别试图解决将Transformer架构应用于计算机视觉任务的问题，以减轻该领域对CNN的严重依赖。 本文提出这样的论点，即这种转换将产生与传统CNN相当的结果，同时需要较少的计算资源进行训练。这个问题的相关背景是什么?transformer 已被广泛用于NLP任务，如目前最先进的BERT模型、GPT模型及其变体。在图像任务中使用transformer还做了一些其他工作，但它们通常都非常昂贵。本文的贡献这篇论文提出了什么方法来解决这个问题?为了调整.

介绍在音频领域中，我们可以使用深度学习可以提取和分析这些音频的频率和时域特征以了解波形的属性。 在时域内提取特征时，通常将研究每个样本的幅度。 我们如何操纵幅度为我们提供了有关信号的某些细节。在开始之前，我先确定一些符号:在这些本篇中，我将详细说明该特性是什么，如何正式定义它，并展示如何在Python中提取这些特性。我们将随机查看不同类型(特别是R&B、说唱和摇滚)歌曲的7秒片段，因为我们将能够更好地看到这些特性的属性。出于版权考虑，我不能分享这些有争议的歌曲，但我会分享这些歌曲的输出情节

在Transformers颠覆了自然语言处理和计算机视觉之后，他们现在把目光投向了最大的数据类型:表格数据。在这篇文章中，我们将介绍亚马逊的最新论文TabTransformer。首先，我们将回答为什么可以将transformer应用于表格数据。然后，我们将看到他们如何处理表格数据。那么下面就开始吧:汽车人,变形出发!为什么我们可以将Transformers应用于表格数据?transformer最初是作为一种建模语言的方法被提出的。那么，表格数据是一种语言吗?把普通的表格和人类的语言进行比较感觉很奇

神经网络机器翻译(NMT)是目前最先进的机器翻译技术，通过神经网络的处理可以产生流畅的翻译。然而非机器翻译模型受到词汇外问题和罕见词问题的影响，导致翻译质量下降。OOV词是语料库中未出现的词，而rare词是语料库中出现次数很少的词。在翻译这些未知单词时，这些单词将被替换为无用的标记。因此，这些无意义的符号破坏了句子结构，增加了歧义使翻译变得更糟。字符分割是机器翻译中为了避免词层翻译的缺点而采用的一种技术。字符分割的主要优点是它可以对任何字符组成进行建模，从而能够更好地对罕见的形态变体进行建模。但是由于缺.

本文帮助读者更好地理解使用3D-CNN对卫星数据进行土地覆盖分类的不同深度学习方法。遥感概论土地覆盖分类的深度学习Sundarbans 国家公园卫星图像CNN在土地覆盖分类中的实现结论参考文献遥感概论遥感是探测和监测一个地区的物理特征的过程，方法是测量该地区在一定距离(通常是从卫星或飞机)反射和发射的辐射。特殊摄像机收集远程遥感图像，这有助于研究人员“感知”地球上的事物。由带电粒子振动产生的电磁能量，以波的形式在大气和真空空间中传播。这些波有不同的波长和频率，波长越短，频率就越高。有些