项目介绍：
本科毕业选的深度学习的毕设，一开始只是学习了一下YOLOv3模型， 按照作者的指示在官网上下载下来权重，配好环境跑出来Demo,后来想着只是跑模型会不会太单薄，于是想了能不能做出来个比较实用的东西（因为模型优化做不了）。于是乎做一个可以检测人体的可操控移动小车的想法就诞生了。
标签：AI
分类模型（分类器）是一种有监督的机器学习模型，其中目标变量是离散的（即类别）。评估一个机器学习模型和建立模型一样重要。我们建立模型的目的是对全新的未见过的数据进行处理，因此，要建立一个鲁棒的模型，就需要对模型进行全面而又深入的评估。当涉及到分类模型时，评估过程变得有些棘手。
在这篇文章中，
引言：
这个系列的笔记是台大李宏毅老师机器学习的课程笔记
视频链接（bilibili）：李宏毅机器学习(2017)
另外已经有有心的同学做了速记并更新在github上：李宏毅机器学习笔记(LeeML-Notes)
很久都没有用高数及线性代数的知识，很多都生疏了，这节课有很多的数学公式及概念
移步bdata-cap.com
Faiss 快速入门（1）
Faiss 更快的索引（2）
Faiss低内存占用（3）
Faiss 构建: clustering, PCA, quantization（4）
如何选择Faiss索引（5）
官网地址 ，你也可以访问我的Github，运行代
什么是标签平滑？在PyTorch中如何去使用它？
在训练深度学习模型的过程中，过拟合和概率校准(probability calibration)是两个常见的问题。一方面，正则化技术可以解决过拟合问题，其中较为常见的方法有将权重调小，迭代提前停止以及丢弃一些权重等。另一方面，Platt标度法
博客：博客园 | CSDN | blog
目录写在前面Inception-V1 (GoogLeNet)BN-InceptionInception-V2, V3Inception-V4，Inception-ResNet-v1，Inception-ResNet-v2参考
写在前面
Incept
本文翻译自kaggle learn，也就是kaggle官方最快入门kaggle竞赛的教程，强调python编程实践和数学思想（而没有涉及数学细节），笔者在不影响算法和程序理解的基础上删除了一些不必要的废话，毕竟英文有的时候比较啰嗦。
一.决策树算法基本原理
背景：假设你的哥哥是一个投资房地
您可能会感到惊讶，但这是有效的。
最近，我阅读了arXiv平台上的Jonathan Frankle，David J. Schwab和Ari S. Morcos撰写的论文“Training BatchNorm and Only BatchNorm: On the Expressive P
目录ML-Agents（五）GridWorldVisual ObservationsMasking Discrete Actions环境与训练参数场景基本结构代码分析环境初始化代码Agent脚本初始化与重置动作遮罩Agent动作反馈FixedUpdate()手动操作代码关于GridSett
首先导入数据，将数据分为训练集和测试集：
import pandas as pd
# Load data
melbourne_file_path = '../input/melbourne-housing-snapshot/melb_data.csv'
melbourne_da
本文翻译自kaggle learn，也就是kaggle官方最快入门kaggle竞赛的教程，强调python编程实践和数学思想（而没有涉及数学细节），笔者在不影响算法和程序理解的基础上删除了一些不必要的废话，毕竟英文有的时候比较啰嗦。
一.什么是过拟合和欠拟合？
过拟合的含义就是当前模型十分
本文翻译自kaggle learn，也就是kaggle官方最快入门kaggle竞赛的教程，强调python编程实践和数学思想（而没有涉及数学细节），笔者在不影响算法和程序理解的基础上删除了一些不必要的废话，英文有的时候比较啰嗦。
一.什么是模型验证
模型验证在机器学习当中非常重要，因为有的
前段时间因为店铺不能开门，我花了一些空余时间看了很多机器学习相关的资料，我发现目前的机器学习入门大多要不门槛比较高，要不过于着重使用而忽视基础原理，所以我决定开一个新的系列针对程序员讲讲机器学习。这个系列会从机器学习的基础原理开始一直讲到如何应用，看懂这个系列需要一定的编程知识（主要会使用
[白话解析] 通俗解析集成学习之bagging，boosting & 随机森林
0x00 摘要
本文将尽量使用通俗易懂的方式，尽可能不涉及数学公式，而是从整体的思路上来看，运用感性直觉的思考来解释 集成学习。并且从名著中延伸了具体应用场景来帮助大家深入这个概念。
在机器学习过程中，
论文超级大合集下载，整理好累，拿走不谢！！！
————————————————————————————————————
CVPR-2020
AAAI-2020
CVPR-2019
NIPS-2019
ICCV-2019
IJCAI-2019
————————————————————————
目录注： 本实验的源代码和测试数据已经上传到git上，链接如下一、实验目的二、实验内容与设计思想三、实验使用环境四、实验步骤和调试过程4.1 通过简单例子理解k-近邻算法4.2 分析k-近邻算法在改进约会网站中的应用4.2.1 题目说明4.2.2 源代码解析（运用kNN算法求解的一般步骤解
http://www-personal.umich.edu/~jizhu/jizhu/wuke/Friedman-AoS01.pdf
https://www.cnblogs.com/bentuwuying/p/6667267.html
https://www.cnblo
ABSTRACT
这篇paper中作者结合GBDT和LR，取得了很好的效果，比单个模型的效果高出3%。随后作者研究了对整体预测系统产生影响的几个因素，发现Feature（能挖掘出用户和广告的历史信息）+Model（GBDT+LR）的贡献程度最大，而其他因素（数据实时性，模型学习速
目录Spectral ClusteringGraph Partitioning$d$-Regular GraphMotif-Based Spectral Clustering
转自本人：https://blog.csdn.net/New2World/article/details/1053
本文旨在探究将PyTorch Lightning应用于激动人心的强化学习（RL）领域。在这里，我们将使用经典的倒立摆gym环境来构建一个标准的深度Q网络（DQN）模型，以说明如何开始使用Lightning来构建RL模型。
在本文中，我们将讨论：
什么是lighting以及为什么要将它应用于
客服
