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...

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...

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...

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...

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...

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...

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...

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...

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...

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...

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...

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...

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6...

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...

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...

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...

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。...

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...

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...

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...