deephub

摘要： 这篇文章将会详细介绍格拉姆角场 （Gramian Angular Field），并通过代码示例展示“如何将时间序列数据转换为图像”。 Gramian Angular Summation / Difference Fields (GASF / GADF)可以将时间序列转换成图像，这样我们就可以将卷积神 阅读全文

摘要： 在机器学习中，如果我们的样本数量很大，在大多数情况下，首选解决方案是减少样本量、更改算法，或者通过添加更多内存来升级机器。这些方案不仅粗暴，而且可能并不总是可行的。由于大多数机器学习算法都期望数据集（例如常用的 DataFrame）是保存在内存中的对象（因为内存读取要比磁盘读取快不止一个量级），所以 阅读全文

摘要： 孤立森林是 一种无监督算法的异常检测，可以快速检测数据集中的异常值。 孤立森林是一种简单但非常有效的算法，能够非常快速地发现数据集中的异常值。理解这个算法对于处理表格数据的数据科学家来说是必须的，所以在本文中将简要介绍算法背后的理论及其实现。 由于其算法非常的简单并且高效，所以 Scitkit Le 阅读全文

摘要： 对于NLP 爱好者来说HuggingFace肯定不会陌生，因为现在几乎一提到NLP就会有HuggingFace的名字出现，HuggingFace为NLP任务提供了维护了一系列开源库的应用和实现，虽然效率不是最高的，但是它为我们入门和学习提供了非常好的帮助，今天我们来看一下用于NLP任务的数据集总结。 阅读全文

摘要： 部分依赖图 (PDP) 和个体条件期望 (ICE) 图可用于可视化和分析训练目标与一组输入特征之间的交互关系。 部分依赖图（Partial Dependence Plot) 部分依赖图显示了目标函数（即我们的机器学习模型）和一组特征之间的依赖关系，并边缘化其他特征的值（也就是补充特征）。它们是通过将 阅读全文

摘要： 本篇文章将对自监督学习的要点进行总结，包括以下几个方面： 监督学习与自监督学习 自监督学习需求背后的动机 NLP 和CV中的自监督学习 联合嵌入架构 对比学习 关于数据增强的有趣观察 非对比学习 总结和参考 监督学习与自监督学习 监督学习：机器学习中最常见的方法是监督学习。在监督学习中，我们得到一组 阅读全文

摘要： 说到计算机生成的图像肯定就会想到deep fake：将马变成的斑马或者生成一个不存在的猫。在图像生成方面GAN似乎成为了主流，但是尽管这些模型在生成逼真的图像方面取得了巨大成功，但他们的缺陷也是十分明显的，而且并不是生成图像的全部。自编码器（autoencoder）作为生成的图像的传统模型还没有过时 阅读全文

摘要： 数据对于当今的每个行业都很重要，几乎每家公司都在收集数据并使用它们来做出数据驱动的业务决策。在这个过程中最重要的步骤之一是分析数据。有许多专门用于数据可视化的 python 库。例如 Matplotlib、Seaborn 等，但是他们只提供了图标的功能，如果我们需要进行EDA则需要手动编写代码。在本 阅读全文

摘要： 新手而言管理 Python 项目中的依赖项是非常具有挑战性的，这个问题是由历史原因引起的并且一直被吐槽。 在今天的文章中，我们将讨论如何正确管理 Python 项目的依赖关系。更具体地说，将讨论 requirements.txt 文件的用途以及如何使用 setuptools 来分发自定义的Pytho 阅读全文

摘要： 在这篇论文中，作者提出了一种优化的方法来找到给定模型的通用对抗样本（首先在 Moosavi-Desfooli 等人 [1] 中引入）。作者还提出了一种低成本算法来增强模型对此类扰动的鲁棒性。 Universal Adversarial Perturbations (UAP) 很“便宜” - 单个噪声 阅读全文