暂时未有相关云产品技术能力~
公众号 Deephub-IMBA
这3个Scikit-learn的特征选择技术,能够有效的提高你的数据预处理能力
使用神经网络解决拼图游戏
为什么我们的神经网络需要激活函数
使用神经网络为图像生成标题
检测假新闻:比较不同的分类方法的准确率
检测假新闻:比较不同的分类方法的准确率
在Python中使用Torchmoji将文本转换为表情符号
使用Keras构建具有自定义结构和层次图卷积神经网络(GCNN)
快速介绍Python数据分析库pandas的基础知识和代码示例
快速介绍Python数据分析库pandas的基础知识和代码示例
卷积神经网络中的参数共享/权重复制
为什么说神经网络可以逼近任意函数?
快速解释如何使用pandas的inplace参数
使用Yolov5进行端到端目标检测
通过深度学习进行高频传感器故障检测和预测性维护
深度学习模型压缩方法的特点总结和对比
人工智能的编年史——从开始到现在
利用机器学习探索食物配方:通过Word2Vec模型进行菜谱分析
如何在GPU上设计高性能的神经网络
各种形式的图神经网络的实现和基准测试
深入卷积神经网络:高级卷积层原理和计算的可视化
进行图像增广(数据扩充)的15种功能总结和Python代码实现
进行图像增广(数据扩充)的15种功能总结和Python代码实现
进行图像增广(数据扩充)的15种功能总结和Python代码实现
机器学习常见的损失函数以及何时使用它们
使用PyTorch实现鸟类音频检测卷积网络模型
使用PyTorch实现鸟类音频检测卷积网络模型
Beam Search、GREEDY DECODER、SAMPLING DECODER等解码器工作原理可视化
直观理解并使用Tensorflow实现Seq2Seq模型的注意机制
直观理解并使用Tensorflow实现Seq2Seq模型的注意机制
在没有技术术语的情况下介绍Adaptive、GBDT、XGboosting等提升算法的原理简介
在tensorflow2.2中使用Keras自定义模型的指标度量
Meal Kit 的时间序列数据预测实践
使用TensorBoard进行超参数优化
自注意力机制(Self-Attention)的基本知识
深度学习中的模型修剪
深度学习中的模型修剪
Focal Loss详解以及为什么能够提高处理不平衡数据分类的表现
手推公式:LSTM单元梯度的详细的数学推导
使用PyTorch从理论到实践理解变分自编码器VAE
在本文中,我们将探索知识蒸馏的概念,以及如何在PyTorch中实现它。
AUC到底代表什么呢,我们从另外一个角度解释AUC,
交叉验证应用于时间序列需要注意是要防止泄漏和获得可靠的性能估计本文将介绍蒙特卡洛交叉验证。这是一种流行的TimeSeriesSplits方法的替代方法。
降维算法:主成分分析 VS 自动编码器(三)
降维算法:主成分分析 VS 自动编码器(二)
降维算法:主成分分析 VS 自动编码器(一)
为什么在线性模型中相互作用的变量要相乘
熵、交叉熵和KL散度的基本概念和交叉熵损失函数的通俗介绍
BN,LN,IN,GN都是什么?不同归一化方法的比较
如何找到时序数据中线性的趋势(二)