Constant dripping wears the stone_datamonday_CSDN博客-机器学习（Machine Learning）,论文学习（Paper）,时间序列建模（Time Series）领域博主

私信关注

datamonday

码龄4年

只分享干货，不制造焦虑！

于 2017-07-28 加入CSDN

获得成就

博客专家认证
获得1,291次点赞
内容获得562次评论
获得5,229次收藏

荣誉勋章

兴趣领域

#人工智能

#Python#视觉/OpenCV#TensorFlow#深度学习#算法#机器学习#NLP#PyTorch#数据分析

TA的专栏

我的微信公众号

人工智能资讯、前沿进展、论文教程等

【Paper】Forecasting seasonals and trends by exponentially weighted moving averages

指数加权移动平均（exponentially weighted moving averages, EWM）原始论文；论文被引：1994（2020/12/25）

【Paper】Comparative Study on EWMA Approaches for the Self-Starting Forecasting

指数加权移动平均（Exponentially Weighted Moving Average，EWMA）时间序列预测相关论文。

时间序列分析：使用Pandas探索能源数据集

Python Data Visualization with Matplotlib — Part 2

matplotlib绘图教程：箱形图，小提琴图，饼图，极坐标图，地理投影，3D图和轮廓图。

Python Data Visualization with Matplotlib — Part 1

Matplotlib绘图教程：散点图，折线图，直方图和条形图。

5 Powerful Tricks to Visualize Your Data with Matplotlib

5个matplotlib使用技巧：LaTex字体，放大图效果，修改图例显示，连续误差图，调整边距。

Partial Dependence Plot (PDP)

Interpretable Machine Learning（4）——偏相关图 (PDP)

Permutation Feature Importance

Interpretable Machine Learning（3）——Permutation Feature Importance

SHAP (SHapley Additive exPlanations)

Interpretable Machine Learning（2）——SHAP

Shapley Values

Interpretable Machine Learning（1）——Shapley Values

模型超参数优化与AutoML

Characteristics of time series data

Time series cross-validation

How to use K-fold Cross Validation with Keras?

Use Keras Models with Scikit-Learn Cross Validation

使用sklearn实现keras模型的交叉验证（CV）。并介绍了sklearn中不同交叉验证类的区别。

RF vs XGBoost vs CatBoost vs GBM vs LightGBM Tutorial and Code Blog

随机森林，XGBoost和LightGBM教程资源汇总。

Good summary of XGBoost vs CatBoost vs LightGBM

XGBoost vs CatBoost vs LightGBM 算法对比相关资源

自然语言处理（NLP）必读论文、课程、术语汇总

A Simple Example of Pipeline in Machine Learning with Scikit-learn

使用红酒品质分类数据集，介绍了在sklearn中构建pipeline的过程。

Global Model Interpretability Techniques for Black Box Models

Feature Selection Techniques in Machine Learning

三大类传统的机器学习特征选择介绍及sklearn实现。

How to Perform Feature Selection for Regression Data

Explain Your Model with the SHAP Values

SHAP Value详解，以及一些系列文章。

XGBoost Feature Importance Computed in 3 Ways with Python

通过回归任务介绍了 XGBoost 特征重要性计算（包括SHAP）

Feature selection in machine learning

Boruta:An all relevant feature selection method based on Random Forest estimators

Boruta:one of the most effective feature selection algorithms

Feature Selection: Beyond feature importance?

What Exactly Is Happening Inside the Transformer

10 Stochastic Gradient Descent Optimisation Algorithms

Illustrated Self-Attention

以动图的方式介绍了自注意力机制的工作原理。

图解 RNN, LSTM, GRU

动图逐步演示RNN（RNN,LSTM,GRU）的工作流程。

Paper：Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation

Cho机器翻译论文（RNN Seq2Seq）。论文被引：11398（2020/11/08）；论文年份：2014。

Paper：Effective Approaches to Attention-based Neural Machine Translation

Luong注意力机制论文。论文被引：4675（2020/11/08）；论文年份：2015。

Paper：Neural Machine Translation by Jointly Learning to Align and Translate

Bahdanau注意力机制论文。论文被引：14978（2020/11/07）；论文年份：2014。

Paper：Sequence to Sequence Learning with Neural Networks

Seq2Seq 模型论文。论文被引：12780（2020/11/07）；论文年份：NIPS 2014。

Illustrated Attention

以机器翻译为例图解注意力机制（Attention Mechanism），主要介绍了全局注意力（Global Attention）机制。

【神经网络知识点01】 1.定义：神经网络是具有适应性的简单单元组成的广泛并行互联的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。 2.感知机（Perceptron）由两层神经元组成，可以实现逻辑与、或、非运算，无法完成异或运算，即只能处理线性可分的问题。要想解决异或运算等非线性问题，可通过多层前馈神经网络解决。“前馈”并不意味着网络中的信号不能向后传，而是指网络拓扑结构上不存在环或回路。 3.读取训练集一遍称为进行了“一轮”（one round or one epoch）学习。 4.神经网络学到的东西，蕴含在连接权和阈值中。标准的BP算法每次只针对一个训练样本更新连接权和阈值。累计BP则针对累计误差最小化，它在读取整个训练集一遍后才对参数进行更新。标准BP与累计BP算法的区别类似于GD与SGD之间的区别。 5.增量学习（incremental learning）是指在学得模型后，再接收到训练样本时，仅根据新样本对模型进行更新，不必重新训练整个模型，并且先前学习到的有效信息不会被“冲掉”；在线学习（online learning）是指每次获得一个样本就进行一次模型更新。显然，在线学习是增量学习的特例，而增量学习可以视为“批模式”（batch-mode）的在线学习。 6.径向基函数（RBF）网络是一种单隐层前馈神经网络，使用RBF作为隐层的激活函数，具有足够多的隐层的RBF网络能够以任意精度逼近任意连接函数。 7.竞争学习是一种常用的无监督学习策略。常用的竞争神经网络有ART、SOM。 8.其它的神经网络有级联相关网络，递归神经网络，Boltzman机等。

发布Blink于 4 月前