deephub

摘要： 并非所有彩色的图像都应该是彩色的，或者换句话说并非所有使用 RGB（红、绿、蓝）编码的图像都应该使用这些颜色！ 在本文中，我们将探讨特征工程的不同方式（将原始颜色值进行展开）如何有助于提高卷积神经网络的分类性能。 有多种方法可以更改和调整 RGB 图像的颜色编码（例如，将 RGB 转换为 HSV、L 阅读全文

摘要： 图是我最喜欢使用的数据结构之一，它们可以使我们能够表示复杂的现实世界网络，如快速交通系统（例如，公交道路、地铁等）、区域或全球空中交通，或者人们的社交网络之类的相关事物。并且他们非常灵活，很容易被人类理解，但是为了让计算机“理解”和“学习”它们，我们需要额外的一步（称为矢量化）。这种解释可能过于简单 阅读全文

摘要： 自举元学习到深度学习的时间序列预测，外推与泛化之间的关系与 Ridge Rider 探索多样化最优 ‘Bootstrapped Meta-Learning’ Flennerhag et al. (2021) | 📝 https://arxiv.org/pdf/2109.04504.pdf建议通过运 阅读全文

摘要： 今天我将讨论如何在多分类中使用混淆矩阵评估模型的性能。 什么是混淆矩阵？ 它显示了实际值和预测值之间的差异。它告诉我们有多少数据点被正确预测，哪些数据点没有被正确预测。对于多分类来说，它是一个 N * N 矩阵，其中 n 是编号。输出列中的类别，也称为目标属性。一二分类任务中包含了 2 个类也就是一 阅读全文

摘要： 在本文中我们将使用深度学习方法 (LSTM) 执行多元时间序列预测。 我们先来了解两个主题—— 什么是时间序列分析？ 什么是 LSTM？ 时间序列分析：时间序列表示基于时间顺序的一系列数据。它可以是秒、分钟、小时、天、周、月、年。未来的数据将取决于它以前的值。 在现实世界的案例中，我们主要有两种类型 阅读全文

摘要： 批大小是机器学习中重要的超参数之一。这个超参数定义了在更新内部模型参数之前要处理的样本数量。 上图为使用 SGD 测试不同批量大小的示例。 批量大小可以决定许多基于深度学习的神经网络的性能。有很多研究都在为学习过程评估最佳批量大小。例如，对于 SGD可以使用批量梯度下降（使用批量中的所有训练样本）或 阅读全文

摘要： 多年来，深度学习一直在不断发展。深度学习实践高度强调使用大量参数来提取有关我们正在处理的数据集的有用信息。通过拥有大量参数，我们可以更容易地分类/检测某些东西，因为我们有更多的可以清楚地识别的数据。 目前为止深度学习中，特别是在自然语言处理领域的一个显着里程碑是语言模型的引入，它极大地提高了执行各种 阅读全文

摘要： Kaggle 决定将他们每月的表格竞赛延续到 2022 年这对于我们来说是非常好的消息。并且也Kaggle 表示他们已经考虑大家的评论，所以我希望这意味着他们将不再使用庞大到使系统崩溃的数据集，这次1月的比赛数据集就不是很大。 在我看来，2022 年 1 月的竞赛问题是对涵盖几年时间的销售额的预测， 阅读全文

摘要： 还记得我们上次分享的使用DALL-E生成神奇宝贝的文章吗，这次Reddit的网友又给出了效果更好的版本。 每年数以百万计的人都热切地等待着新一代神奇宝贝的发布。尽管收藏不断增加，但目标始终如一——Gotta Catch 'Em All！ 作为一个狂热的神奇宝贝粉丝和人工智能爱好者，我曾多次尝试将两者 阅读全文

摘要： variability被称作变异性或者可变性，它描述了数据点彼此之间以及距分布中心的距离。 可变性有时也称为扩散或者分散。因为它告诉你点是倾向于聚集在中心周围还是更广泛地分散。 低变异性是理想的，因为这意味着可以根据样本数据更好地预测有关总体的信息。高可变性意味着值的一致性较低，因此更难做出预测。在 阅读全文