deephub

摘要： 图表是数据探索过程的基础，它们让我们更好地理解我们的数据——例如，帮助识别异常值或所需要做的数据处理或者作为建立机器学习模型提供新的想法和方式。绘制图表是任何数据科学报告的重要组成部分。 Python 有许多可视化库用于制作静态或动态图。在本教程中，我将尽力帮助你理解 matplotlib 逻辑。 阅读全文

摘要： 重塑 DataFrame 是数据科学中一项重要且必不可少的技能。在本文中，我们将探讨 Pandas Melt() 以及如何使用它进行数据处理。 最简单的melt 最简单的melt()不需要任何参数，它将所有列变成行（显示为列变量）并在新列值中列出所有关联值。 df_wide.melt() 这个输出通 阅读全文

摘要： 能够以准确有效的方式构建神经网络是招聘人员在深度学习工程师中最受追捧的技能之一。PyTorch 是一个 主要用于深度学习的Python 库。PyTorch 最基本也是最重要的部分之一是创建张量，张量是数字、向量、矩阵或任何 n 维数组。在构建神经网络时为了降低计算速度必须避免使用显式循环，我们可以使 阅读全文

摘要： 什么是BERT？ BERT（Bidirectional Encoder Representations from Transformers）在各种自然语言处理任务中提供了最前沿的结果在深度学习社区引起了轰动。德夫林等人。2018 年在 Google 使用英文维基百科和 BookCorpus 开发了 阅读全文

摘要： 对于 Graph ML 来说2021年是重要的一年——成千上万的论文、无数的会议和研讨会......说明这个领域是在蓬勃的发展。我将Graph ML 这一年的进展进行结构化的展示，并重点介绍 🔥 趋势和主要进步。 无论您是在研究细分的主题还是刚开始使用 Graph ML - 我们都希望这篇文章是一 阅读全文

摘要： 还记得LeCun被拒的论文VICReg吗，今天我们就来说说它 在深度网络中权重和激活那个更重要？显然是权重，因为我们可以从权重推导出网络的激活。但是深度网络是非线性嵌入函数；我们只想要这种非线性嵌入。在这种嵌入基础上进行训练并获得结果（例如分类），我们要么需要在分类网络中使用线性分类器，要么需要在输 阅读全文

摘要： 在以前的文章中我们介绍过一些基于遗传算法的知识，本篇文章将使用遗传算法处理机器学习模型和时间序列数据。 超参数调整（TPOT ） 自动机器学习（Auto ML）通过自动化整个机器学习过程，帮我们找到最适合预测的模型，对于机器学习模型来说Auto ML可能更多的意味着超参数的调整和优化。 在这里我们使 阅读全文

摘要： 前两篇文章我们已经介绍了自回归模型PixelCNNs，以及如何处理多维输入数据，本篇文章我们将关注 PixelCNNs 的最大限制之一（即盲点）以及如何改进以修复它。 在前两篇文章中，我们介绍了生成模型PixelCNN 概念并研究了彩色 PixelCNN 的工作原理。PixelCNN 是一种学习像素 阅读全文

摘要： 本篇文章将分享5个很棒但是却不被常被提及的Python库，这些库可以帮你解决各种自然语言处理(NLP)工作。 Contractions Contractions它可以扩展常见的英语缩写和俚语。并且可以快速、高效的处理大多数边缘情况，例如缺少撇号。 例如：以前需要编写一长串正则表达式来扩展文本数据中的 阅读全文

摘要： 关系提取( Relation Extraction)是一项自然语言处理任务，旨在提取实体之间的关系。例如，从句罗密欧与朱丽叶是由威廉莎士比亚写的，我们可以提取关系三元组（威廉莎士比亚，是罗密欧与朱丽叶的作者）。 关系提取是自动知识图谱构建中的一项关键技术。通过关系提取，我们可以累积提取新的关系事实， 阅读全文