暂时未有相关云产品技术能力~
暂无个人介绍
贷款违约预测-Task1 赛题理解
Datawhale 零基础入门CV赛事-Task5 模型集成
Datawhale 零基础入门CV赛事-Task4 模型训练与验证
Datawhale 零基础入门CV赛事-Task3 字符识别模型
Datawhale 零基础入门CV赛事-Task2 数据读取与数据扩增
该部分的学习内容是对经典的阈值分割算法进行回顾,图像阈值化分割是一种传统的最常用的图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。它特别适用于目标和背景占据不同灰度级范围的图像。它不仅可以极大的压缩数据量,而且也大大简化了分析和处理步骤,因此在很多情况下,是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。图像阈值化的目的是要按照灰度级,对像素集合进行一个划分,得到的每个子集形成一个与现实景物相对应的区域,各个区域内部具有一致的属性,而相邻区域不具有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。
Task04 图像滤波
Task03 彩色空间互转
该部分将对基本的几何变换进行学习,几何变换的原理大多都是相似,只是变换矩阵不同,因此,我们以最常用的平移和旋转为例进行学习。在深度学习领域,我们常用平移、旋转、镜像等操作进行数据增广;在传统CV领域,由于某些拍摄角度的问题,我们需要对图像进行矫正处理,而几何变换正是这个处理过程的基础,因此了解和学习几何变换也是有必要的。
图像插值算法和OpenCV框架
动手学深度学习(十四) NLP注意力机制和Seq2seq模型(下)
动手学深度学习(十四) NLP注意力机制和Seq2seq模型(上)
动手学深度学习(十三) NLP机器翻译(下)
动手学深度学习(十三) NLP机器翻译(上)
动手学深度学习(十二) NLP循环神经网络进阶(下)
动手学深度学习(十二) NLP循环神经网络进阶(上)
动手学深度学习(十一) NLP循环神经网络(下)
动手学深度学习(十一) NLP循环神经网络(上)
动手学深度学习(十) NLP 语言模型与数据集
动手学深度学习(八) NLP 文本预处理
动手学深度学习(八) 优化算法进阶(下)
动手学深度学习(八) 优化算法进阶(中)
动手学深度学习(八) 优化算法进阶(上)
动手学深度学习(七) 梯度下降(下)
动手学深度学习(七) 梯度下降(上)
动手学深度学习(六) 凸优化(下)
动手学深度学习(六) 凸优化(上)
动手学深度学习(五) 梯度消失、梯度爆炸(下)
动手学深度学习(五) 梯度消失、梯度爆炸(上)
动手学深度学习(四) 过拟合欠拟合及其解决方案(下)
动手学深度学习(四) 过拟合欠拟合及其解决方案(上)
动手学深度学习(三) 多层感知机(下)
动手学深度学习(三) 多层感知机(上)
本课程面向希望更多的通过代码实践去学习深度学习原理的同学和在职人士。
动手学深度学习(一) 线性回归(下)
动手学深度学习(一) 线性回归(上)
动手学深度学习(二) Softmax与分类模型(二)
动手学深度学习(二) Softmax与分类模型(一)
关键词:机器学习|深度学习|自然语言处理|数据挖掘
生成对抗网络(英语:Generative Adversarial Network,简称GAN)是非监督式学习的一种方法,通过让两个神经网络相互博弈的方式进行学习。该方法由伊恩·古德费洛等人于2014年提出。生成对抗网络由一个生成网络与一个判别网络组成。生成网络从潜在空间(latent space)中随机取样作为输入,其输出结果需要尽量模仿训练集中的真实样本。判别网络的输入则为真实样本或生成网络的输出,其目的是将生成网络的输出从真实样本中尽可能分辨出来。而生成网络则要尽可能地欺骗判别网络。两个网络相互对抗、不断调整参数,最终目的是使判别网络无法判断生成网络的输出结果是否真实。
Leetcode-Medium 96.Unique Binary Search Trees
机器学习(二十)贪心学院ML训练营学习1 -KNN算法
LDA模型是NLP中很基础也是大家广为熟知的模型,在面试过程也经常遇到。本文简单讲述下其大致流程。
机器学习(十九)EM:期望最大算法
机器学习(十八)极大似然估计
大数据入门与实战-SQL基础教程
大数据入门与实战-Hive 常见SQL、技巧与问题
机器学习(十七)Microsoft的InterpretM可解释性 机器学习模型
深度学习笔记总结(2) 改善深层神经网络:超参数调试、 正则化以及优化
针对深度学习基础部分,有必要恶补一些吴恩达的深度学习课程,其实晚上有很多总结和笔记,本系列文章是针对黄海广大佬整理的《深度学习课程笔记(V5.47)》的总结和自己的理解,以便加深印象和复习。