AI公园专栏
-
一个可以进行机器学习特征选择的python工具
用这个工具可以高效的构建机器学习工作流程。一起来了解一下这个工具吧。
-
手把手教你解决90%的NLP问题
利用机器学习方法来理解和利用文本,从最简单的到state-of-the-art,由浅入深,循序渐进。
-
为什么特征相关性非常的重要?
数据与特征相关被认为是数据预处理中特征选择阶段的一个重要步骤,尤其是当特征的数据类型是连续的。那么,什么是数据相关性呢?
-
推荐系统数据集大列表
今天给大家介绍一个github仓库,收集了非常多的推荐系统的数据集,非常的全面,非常的实用,做推荐系统相关的同学可以收藏一下。
-
什么是神经网络嵌入,为什么要使用它们,以及如何学习它们
神经网络嵌入的解释,非常有用的东西,一看就明白。
-
训练神经网络的秘诀,Andrej Karpathy大神的刷屏之作
很多人都曾亲身经历过“卷积神经网络就是这么工作的”和“我们的convnet实现了最先进的结果”之间的巨大差距。
-
只用一张训练图像进行图像的恢复
计算机视觉的深度学习应用往往需要大量的图像数据集,现在我告诉你,只有一张图像也可以训练,是不是非常神奇?
-
12个现实世界中的机器学习真相
当你在现实世界中工作时,有几个事实是你必须面对的,这也是本文的主要内容。
-
使用详细的例子来理解RNN中的注意力机制
使用详细的例子来理解RNN中的注意力机制。
-
5个面试问题判断是否是一个好的数据科学家
对于我们这些从事这一行业的人来说,我们总是发现科学家严重短缺。事情在变好之前,往往会变得更坏,因为对机器学习,AI和深度学习的需求正处在一个上升的趋势。结果就是,我们发现很多人冲着高薪,从其他职业转型。这样的结果很明显,雇主们面临的问题是:并不能为你的空缺职位找到好的候选人。
-
数据科学工程师常犯的错误Top10
数据科学家是“比任何软件工程师都更擅长统计,比任何统计学家都更擅长软件工程的人”。
-
如何从一个好的数据科学家成长为优秀的数据科学家
数据科学就业市场正在迅速变化。能够建立机器学习模型曾经是只有少数杰出科学家才具备的一项精英技能。
-
关于数据驱动的重新思考
要想做出数据驱动的决策,就必须是数据(而不是其他东西)驱动它。看起来很简单,但在实践中却很少见,因为决策者缺乏关键的心理习惯。
-
代码实践|通过简单代码来回顾卷积块的历史
我试着定期阅读ML和AI的论文,这是保持不掉队的唯一的方法。作为一个计算机科学家,我常常会在看科学性的文字描述或者是数据公式的时候遇到麻烦。我发现通过代码来理解会好很多。所以,在这篇文章中,我会通过Keras实现的方式,带领大家回顾一下最近的一些文章中的重要的卷积块。
-
一文让你看懂转置卷积(反卷积,分数卷积),非常详细的图解描述
如果你听说过转置卷积并对它的实际含义感到困惑,这篇文章就是为你写的。