摘要： 如果你还没有接受机器学习中开源工具的美妙之处 -- 那么你就错过了很多东西！ 开源社区规模庞大，对新工具的支持态度令人难以置信，并且接受了机器学习民主化的概念。 阅读全文

摘要： 如果你是一个机器学习（ML）程序员，向爸妈、亲友或者客户介绍自己的职业时，可能会遇到这样的尴尬。 现在有了斯坦福大学出品的 Gradio ，你真的可以把自己的ML模型“搬”出来了。 阅读全文

摘要： 本文以思维导图的形式，为大家介绍了深度学习的核心内容，主要包括： 深度学习基础、神经网络介绍、CNN从入门到应用、Caffe、Tensorflow、Pytorch等深度学习框架、词向量、循环神经网络、RNN条件生成与Attention、对抗生成网络、增强学习、迁移学习 。 阅读全文

摘要： 本文会从什么是基于内容的推荐算法、算法基本原理、应用场景、基于内容的推荐算法的优缺点、算法落地需要关注的点等5个方面来讲解。 阅读全文

摘要： 深度学习模型的价值在AI时代不断增大。要想得到一个高质量的深度学习模型，离不开4个要素，优秀的算法、充足的算力、丰富的数据以及专家知识。 阅读全文

摘要： 当提出向后不兼容的更改时python-ideas的新手偶尔会提出“Python 4000”的概念，这些更 改不给当前合法的Python3代码提供明确的移植路径。毕竟，我们允许Python 3.0进行这种更改，那么为什么我们不允许它用于Python 4.0呢？ 阅读全文

摘要： 如今，每家科技公司都在制定数据战略。 他们都意识到，拥有正确的数据(干净、尽可能多)会给他们带来关键的竞争优势。 数据，如果使用有效，可以提供深层次的、隐藏在表象之下的信息。 阅读全文

摘要： 前端开发(和网络开发)的世界正在以极快的速度发展。如今，如果不借助前端或Webpack、React Hooks、Jest、Vue和NG元素，你会很快被远远抛下。不过，情况正在发生改变。 阅读全文

摘要： 如今，人工智能已远远地超出科幻小说中的构想，成为了现实。人工智能技术广泛应用于处理分析大量数据，由于其处理的工作量及工作强度明显提高，因此这些工作今后无需人工操作。 阅读全文

摘要： 本文以非常宏大和透彻的视角分析了深度学习中的多种Normalization模型，包括大家熟悉的Batch Normalization (BN)和可能不那么熟悉 的Layer Normalization (LN)、Instance Normalization (IN) 及Group Normalization (GN)模型；用生动形象的例子阐述了这些Normalization模型之间的区别和联系；并在一个统一的数学框架下分析了它们的性质；最后从一个新的数学视角分析了BN算法为什么有效。 阅读全文