作者|Mandy Gu
编译|Flin
来源|towardsdatascience
Logistic回归,通过估计事件发生的对数概率来对事件发生的概率进行建模。如果我们假设对数比值和 j 个自变量之间存在线性关系,那么我们可以将事件发生的概率p建模为:
你可能注意到未指定对数底。对数的底
现在的神经网络通常都特别深,在输出层向输入层传播导数的过程中,梯度很容易被激活函数或是权重以指数级的规模缩小或放大,从而产生“梯度消失”或“梯度爆炸”的现象,造成训练速度下降和效果不理想。
如何避免或者减轻这一现象的发生呢?归一化就是方法的一种。归一化将网络中层与层之间传递的数据限
作者|Krunal Kshirsagar
编译|Flin
来源|Medium
什么是SLAM?
即时定位与地图构建(simultaneous localization and mapping,简写成SLAM),用于环境模型(map)的并行构建,以及在其中移动的机器人的状态估算。换句话说,
前言
MATLAB一向是理工科学生的必备神器,但随着中美贸易冲突的一再升级,禁售与禁用的阴云也持续笼罩在高等学院的头顶。也许我们都应当考虑更多的途径,来辅助我们的学习和研究工作。
虽然PYTHON和众多模块也属于美国技术的范围,但开源软件的自由度毕竟不是商业软件可比拟的。
本文是一篇入
作者|Andre Ye
编译|Flin
来源|towardsdatascience
通常,数据科学家会建立一个图像识别模型,观察其准确性,如果足够高,就表示工作完成了。自从我13岁开始学习机器学习,我就一直不明白这一点。为什么要花费所有的时间来建立最好的模型——只是为了满足于一个数字?
作者|Peter Yu
编译|Flin
来源|towardsdatascience
最近,我一直在寻找方法来加快我的研究和管理我的实验,特别是围绕着写训练管道和管理实验配置文件这两个方面,我发现这两个新项目叫做PyTorch Lightning和Hydra。PyTorch Lightni
AI 在各大领域的发展有目共睹,而作为人工智能皇冠上的明珠--自然语言处理却成果了了,大多实现或者以半成品的形式躺在实验室中,或者仅仅作为某个产品的辅助功能。而这一情况在 BERT 出现后出现了很大的改善。
本文就是通过一款工具的介绍,带大家了解下 BERT 对 NLP 实际效果带来的巨
作者|Aparna Dhinakaran
编译|Flin
来源|towardsdatascience
部署健壮的、可扩展的机器学习解决方案仍然是一个非常复杂的过程,需要大量的人力参与,并做出很多努力。因此,新产品和服务需要很长时间才能上市,或者在原型状态下就被放弃,从而降低了行业内的对它
作者|Kelvin Lee
编译|Flin
来源|towardsdatascience
获得对正则化的直观认识
在机器学习中,正则化是一种用来对抗高方差的方法——换句话说,就是模型学习再现数据的问题,而不是关于问题的潜在语义。与人类学习类似,我们的想法是构建家庭作业问题来测试和构建知识,
本系列是台湾大学资讯工程系林軒田(Hsuan-Tien Lin)教授开设的《机器学习基石》课程的梳理。重在梳理,而非详细的笔记,因此可能会略去一些细节。
该课程共16讲,分为4个部分:
机器什么时候能够学习?(When Can Machines Learn?)
机器为什么能够学习?(Why
作者|GUEST
编译|VK
来源|Analytics Vidhya
介绍
我们有多少次尝试将一个值与一个范围进行比较,结果却不令人满意?
Excel是最常用的数据可视化工具,因为全球有超过12亿人在使用Excel。尽管如此,Excel在数据可视化方面有局限性。解决这些局限性的方法是Tab
一.导论
目前深度学习已经在2D计算机视觉领域取得了非凡的成果,比如使用一张图像进行目标检测,语义分割,对视频当中的物体进行目标跟踪等任务都有非常不错的效果。传统的3D计算机视觉则是基于纯立体几何来实现的,而目前我们使用深度学习在3D计算机视觉当中也可以得到一些不错的效果,目前甚至有超越传
作者|Alvira Swalin
编译|VK
来源|Medium
第一部分主要讨论回归度量
在后现代主义的世界里,相对主义以各种各样的形式,一直是最受欢迎和最受诟病的哲学学说之一。相对主义认为,没有普遍和客观的真理,而是每个观点都有自己的真理。
在这篇文章中,我将根据目标和我们试图解决的
前言
最近公司向员工搜集公司杂志的文章,刚好最近学习了机器学习相关课程。为了赚取购买课程的费用,所以写了如下文章投稿赚取稿费。
如下文章可能涉及一些我所购买课程的内容,所以不便将所有资源进行展示。
当初写这篇文章的目的除了赚取公司的稿费外,还有就是给现有web开发的同事提供一些
来源|机器之心
讲 CS231n 的 Justin Johnson 在密歇根大学推出了一套计算机视觉的进阶课程。
计算机视觉在日常生活中已经无处不在。从搜索引擎、图像理解、地图、医疗、无人机、自动驾驶到各类手机 app,都离不开计算机视觉。这些应用中有许多像图像分类和目标检测这样的视觉
在之前的文章中我训练模型都是使用的 CPU,因为家中黄脸婆不允许我浪费钱买电脑
作者|RAM DEWANI
编译|VK
来源|Analytics Vidhya
介绍
效率已成为及时完成工作的关键因素。一个人不应该花超过合理的时间去完成事情。尤其是当任务涉及基本编码时。使用Pandas库能节省你的时间。
Pandas是一个开源包。它有助于用Python语言执行数据分析
作者|Devyanshu Shukla
编译|Flin
来源|medium
在这篇文章中,我们将讨论关于语言模型(LM)的所有内容
什么是LM
LM的应用
如何生成LM
LM的评估
介绍
NLP中的语言模型是计算句子(单词序列)的概率或序列中下一个单词的概率的模型。即
句子的概率:
下一
作者|Soner Yıldırım
编译|VK
来源|Towards Data Science
Pandas是一个python数据分析库。它提供了许多函数和方法来加快数据分析过程。pandas之所以如此普遍,是因为它具有强大的功能,以及他简单的语法和灵活性。
在这篇文章中,我将举例来解释2
小编在市面看了很多介绍计算机视觉的知识,感觉都非常深奥,难以理解和入门。因此总结出了一套容易理解的教程,希望能够和大家分享。
一.人工神经网络
人工神经网络是一种模拟人脑构建出来的神经网络,每一个神经元都具有一定的权重和阈值。仅有单个神经元的图例如下所示:
从中可以看到每一个神经