- 综合排序
- 最热优先
- 最新优先
- 来自专栏DeepHub IMBA
2022 年 4 月 10篇 ML 研究论文推荐
NVidia 的新 H100 GPU已经发布了，我们也很久没有发论文推荐了，这是4月份的论文推荐：Google 的 5400 亿参数 PaLM、Pathways、Kubric、Tensor Programs 论文的这项工作展示了如何更有效地完成超参数调整。 为了训练神经网络，必须选择合适的超参数。 3、Pathways: Asynchronous Distributed Dataflow for ML and PaLM: Scaling Language Modeling with Pathways 4、STaR: Selt-Taught Reasoner. 架构在 ML 中的作用是否会进一步缩小？论文的回答是：是的。
63020编辑于 2022-04-14 - 来自专栏我还不懂对话
【论文阅读】- 怎么快速阅读ML论文？
机器学习的论文很多，怎么从Arxiv上泛滥的文章中选择论文阅读，那么我们就需要快速地了解论文内容概要，从而决定是否精读。 ML模型是去拟合偏差和数据。有时候数据中偏差很大，有时候很小，为了确保模型泛化很好（拟合数据而非偏差）需要更多的偏差和数据，最好是无偏数据。 4. 训练完成后模型是否对未见数据具有泛化性？个人认为是训练数据是否和真实世界数据分布一致？ 论文里面的说法是否可靠？个人理解，是说论文里面指标是否靠谱，方法是否实用等。凭我自己的经验，一般可以从以下几点来看：论文方法是否过于trick，是否非常复杂（奥卡姆剃刀原理）。 Referencehttps://blog.evjang.com/2021/01/understanding-ml.html图片
73120编辑于 2022-10-08 - 来自专栏YoungGy
ML基石_4_FeasibilityOfLearning
数学上的发生几率保证 PAC: probably approximately correct
31520发布于 2019-05-27 - 来自专栏应兆康的专栏
Python ML Library --- sklearn_Par. 4
本文相关资料下载地址: https://github.com/yingzk/sklearn_learning/tree/master/page4 ?
69380发布于 2018-03-21 - 来自专栏SAP Technical
S4 HANA ML error分析
点击进入：S/4 HANA ML error分析 SAP系统中的ML是物料分类账，在S/4 HANA系统中的物料账变成强制开启的了。 下面了解几个相关的TCODE： OMX1：对相应的评估范围激活物料账 OMX2：定义物料账类型 OMX3：分配相应的物料账类型到评估范围 可能正在实施S/4 HANA系统的顾问在配置物料分类账的时候，会碰到和我一样的问题 从上图可以看到会有提示，ML货币类型但不是FI货币类型，因为货币类型31（group currency，group valuation）已被定义为物料分类帐货币类型，但不是FI货币类型。 然后查了一下资料，S/4 HANA中不再允许使用参考FI或CO货币设定（标识来自FI的货币，来自CO的货币）的物料账类型。不再有默认的物料账类型0000了。 4、做完以上步骤后，物料分类帐类型中的货币类型31就将是FI货币类型，OMX3就会显示一致性消息。 希望此文对正在使用S/4 HANA系统的朋友有所帮助。
65200发布于 2020-11-27 - 来自专栏量化投资与机器学习
【代码+论文】通过ML、Time Series模型学习股价行为
今天编辑部给大家带来的是来自Jeremy Jordan的论文，主要分析论文的建模步骤和方法，具体内容大家可以自行查看。 步骤4：将文本转换为文字嵌入 with open('glove.6B/glove.6B.50d.txt') as words: w2v = {word.split()[0]: np.vectorize sample_text_google) if word not in w2v]) print(' -- '.join(not_in_vocab)) motofone -- segment's -- we're -- ml910 -- you're -- 3gq -- i'll -- ray's -- wasn't -- they're -- what's -- i'd -- motowi4 array([ 911., 679., 88., 15., 12., 3., 2., 1., 2., 2.]), array([ 0., 2., 4.
1.8K80发布于 2018-01-30 - 来自专栏Linux学习~
【面试智力题】3ml 5ml 杯子各一个，拼出 4ml 的容量
问题描述 3ml 5ml 杯子各一个，两个杯子没有刻度，只知道最大容量，并且不能借助其它容器，拼出 4ml 的容量 思路 凑配问题 解法一 将3ml杯子装满水倒入5ml杯子，此时5ml杯中有 3ml水 重复步骤一，此时3ml杯中剩1ml水，5ml杯中有5ml水 将5ml杯子中的水倒出去，此时5ml杯中没有水 将3ml杯中的1ml水倒入5ml杯中，此时5ml杯中有1ml水 把3ml杯子倒满，倒入 5ml杯中，此时5ml杯中有1ml+3ml=4ml水 解法二 将5ml杯子装满水倒入3ml杯子，此时5ml杯中有2ml水 把3ml杯中水倒掉，5ml杯中的2ml水倒入3ml杯中，此时5ml杯中没有水 再次将 5ml杯子装满水倒入3ml杯子，由于3ml杯中只能再倒入1ml水，所以给3ml杯子倒满水后停，5ml杯中还剩5ml-1ml=4ml水
44160编辑于 2022-11-30 - 来自专栏数据派THU
收藏｜最优论文+代码查找神器，覆盖AI全领域（966个ML任务、8500+论文）
本文介绍了查找论文及对应源码神器的最新版本，从应用领域到具体任务再到实现一步到位。 目前该网站已经完成了代码与论文的自动化链接，正在研究自动提取论文中的评估数据。 每一个分类下面所列出的项目包含：论文标题、机构、发表日期、摘要、任务分类等信息。 ? 使用 现在，我们来看看这个 ML SOTA 浏览器怎么用吧。 我们可以看到 5 个数据集的 SOTA 论文，每一行分别列出了数据集名称、SOTA 模型名称、论文、源代码等。 如下图所示，点击“See all”之后，页面跳转到在 PASCAL VOC 2012 数据集上的排行榜详细信息，如下图所示，图中绿色点为曾经的 SOTA 论文，图中折线表示趋势图，灰色点表示性能较弱的其他论文
1.6K30发布于 2019-03-08 - 来自专栏DeepHub IMBA
2021 年 10 月推荐阅读的10篇精选ML论文
幸运的是，学者们经常关注这一点，传统上大多数揭示事实的论文都来自大学，就像我们很快就会看到的那篇。 这篇论文的缺点也是它的优点:为进一步优化他们的实验而付出的有限的范围和努力。 比较使用多模态数据进行完全微调的模型(Frozen finetuned)和保持语言模型不变的模型(Frozen VQA-blind)是很有趣的:只有后者从训练数据集(Conceptual caption[4] 这本纸质书包含了很多内容:概述、介绍和论文，内容涉及在大量数据的监督下训练的大型神经模型的新兴领域，为此，它们被称为基础模型。 By OpenAI et al.; 2020. [4] Conceptual 12M: Pushing Web-Scale Image-Text Pre-Training To Recognize Long-Tail
57120发布于 2021-10-09 - 来自专栏机器之心
AI所有领域最优论文+代码查找神器：966个ML任务、8500+论文任你选
目前该网站已经完成了代码与论文的自动化链接，正在研究自动提取论文中的评估数据。 数据下载 论文摘要：https://paperswithcode.com/media/about/papers-with-abstracts.json.gz 论文与代码之间的链接：https://paperswithcode.com 每一个分类下面所列出的项目包含：论文标题、机构、发表日期、摘要、任务分类等信息。 ? 使用 现在，我们来看看这个 ML SOTA 浏览器怎么用吧。 我们可以看到 5 个数据集的 SOTA 论文，每一行分别列出了数据集名称、SOTA 模型名称、论文、源代码等。 如下图所示，点击「See all」之后，页面跳转到在 PASCAL VOC 2012 数据集上的排行榜详细信息，如下图所示，图中绿色点为曾经的 SOTA 论文，图中折线表示趋势图，灰色点表示性能较弱的其他论文
80730发布于 2019-04-29 - 来自专栏机器之心
2020年，那些「引爆」了ML社区的热门论文、库和基准
论文 4：Big Transfer (BiT): General Visual Representation Learning ? 论文链接：https://arxiv.org/pdf/1911.04252v4.pdf 简介：机器之心在 2019 年 11 月对该论文 v1 版进行了报道，本文是 v2 版本。 论文 7：YOLOv4: Optimal Speed and Accuracy of Object Detection ? 论文链接：https://arxiv.org/pdf/2004.10934v1.pdf 简介：2020 年 4 月份，YOLO 的官方 Github 开源了 YOLOv4，迅速引起了 CV 社区的关注。 项目地址：https://github.com/rwightman/pytorch-image-models 简介：pytorch-image-models 库由热衷于构建 ML 和 AI 系统的加拿大人
63420发布于 2021-03-15 - 来自专栏时空探索之旅
论文拾遗 | 4月论文集锦
因此，决定开设此栏目，分享有一些有意思的论文（热度大），有部分论文可能后续出AI论文速读和论文精读。 分享的论文将不拘泥于时空（spatial-temporal）和时序（time series）领域，我们也会收录其他领域有意思的文章，期待与大家在学术的海洋中，一起探索，一起遨游！ 关键词：语言模型，时间序列，零样本推理 通过GPT-4获取可以执行以生成信号的代码来生成真实的时间序列和文本对 3. （就5页） 关键词：Mamba，Transformer，时间序列预测 MambaFormer 4. 关键词：Visual Mamba，状态空间模型 4.
53110编辑于 2024-11-19 - 来自专栏CV学习史
GoogLeNetv4 论文研读笔记
为此，他们设计了Inception v4，相比v3，它有更加统一简化的网络结构和更多的inception模块 在本文中，他们将两个纯Inception变体(Inception-v3和v4)与消耗相似的 Inception-v4网络的35 * 35 网格模块，对应Inception-v4的Inception-A ? Inception-v4网络的17 * 17 网格模块，对应Inception-v4的Inception-B ? Inception-v4网络的8 * 8 网格模块，对应Inception-v4的Inception-C ? 35 * 35 -> 17 * 17 的降维模块(Fig7) ? 之后Inception-ResNet-v2与Inception-v4相比，架构的总体结构可以看出是很相似的，最大的区别在于数据是否是直接传到下一层的，如下 Inception-v4(Inception-A
80520发布于 2019-09-10 - 来自专栏Mybatis学习
YOLO V4论文解读
YOLO V4论文解读 一、YOLOV3回顾 二、YOLOV4中 三、Bag of freebies 数据扩充： 模拟对象遮挡： 结合多幅图像进行数据扩充： 解决类别不平衡： label smoothing module: 3、feature integration:（特征集成） 4、activation function: 5、post-processing method: YOLOv4 - use: 五 、 Random training shapes (随机多尺度的训练) 12、 Mish activation 13、 CSP 14、 SPP 15、 SAM-block 16、 PAN YOLO V4论文地址 CIoU_ loss(yolov4采用的) Yolov4-use: 1、CutMix and Mosaic data augmentation. 2、DropBlock regularization. 好了上面就是对YOLOv4的一些新的改进的解读，具体参考了b站的一位小伙伴，后面我将继续写下yolov4的代码具体实现。。。真的好难，加油！
1.1K30发布于 2021-06-21 - 来自专栏机器之心
夸大ML能力、论文纸上谈兵……机器学习社区为何变成这样？
发帖者总结了以下几点： 一些群体自认为可以掌控 ML 领域 在 ML 领域，我经常会看到一个群体或多个群体蜂拥至某个问题上，拿出 ML 这个工具，然后声称问题「已经解决」。 我曾见过很多在著名学术会议上发表 CV 论文的学者，在与他们的交谈中，发现他们不清楚「颜色空间为什么有用」甚至「不清楚什么是像素」（像素绝对不是图像上的小方块）。 绝大多数论文都是「纸上谈兵」，不涉及实际工作 过去很多人都提到过这一点，但我必须澄清自己的观点。我知道，很多因素导致了这一问题以及所有其他问题。 论文往往只包含微小的架构变化或渐进式的改进，「真正的思想」却看不到。这就导致有时一位博士却不擅长工程实践，或者其研究效率比不上有经验的硕士生。 公平来讲，ML 领域也应如此。但很遗憾，ML 领域却没有发挥应有的作用，尤其是在同行业的一般企业中。 认为ML可以解决现实世界所有问题 这一问题也常常被提及。
33850发布于 2021-06-08 - 来自专栏iOSDevLog
ML任务
表 ML任务： 任务 输出类型 问题的例子 算法 监督学习 回归 实数 根据其特点预测房价 线性回归和多项式回归 分类 明确的 垃圾邮件/非垃圾邮件分类 KNN，NaïveBayes，逻辑回归，决策树
57820发布于 2018-11-20 - 来自专栏机器学习与python集中营
AI所有领域最优论文+代码查找神器：966个ML任务、8500+论文任你选(亲测好用)
目前该网站已经完成了代码与论文的自动化链接，正在研究自动提取论文中的评估数据。 每一个分类下面所列出的项目包含：论文标题、机构、发表日期、摘要、任务分类等信息。 ? 使用 现在，我们来看看这个 ML SOTA 浏览器怎么用吧。 我们可以看到 5 个数据集的 SOTA 论文，每一行分别列出了数据集名称、SOTA 模型名称、论文、源代码等。 如下图所示，点击「See all」之后，页面跳转到在 PASCAL VOC 2012 数据集上的排行榜详细信息，如下图所示，图中绿色点为曾经的 SOTA 论文，图中折线表示趋势图，灰色点表示性能较弱的其他论文 Mask-RCNN最详细解读 3. python面试题精讲——逻辑运算and-or运算的本质 4. 还没听过“无锚点框(no anchor)”的检测算法？看看这篇吧！ 5.
1.1K20发布于 2019-06-02 - 来自专栏CreateAMind
4篇前沿强化学习论文
4 UNSUPERVISED CONTROL THROUGHNON-PARAMETRIC DISCRIMINATIVE REWARDS David Warde-Farley, Tom Van de Wiele
69330发布于 2018-12-26 - 来自专栏量子位
这份GitHub 2.3k星的ML论文清单拿好，工作用得上
在工作中动手实施自己的ML项目之前，了解领域里的前沿进展，吸收前人的经验，是很有必要的。 不过，现在arXiv上每天都有成百篇新论文冒头，哪些值得看？ 为此，亚马逊工程师Eugene Yan等人打造了一个论文合集，在这个GitHub项目中，持续共享Google、亚马逊、Facebook等等大公司在数据科学和机器学习方面的论文和博客文章。 ? 而这份清单，收集了电商、视频、音乐、课程种种不同业务的推荐算法技术博客/论文。 ? ，这份论文/文章列表还收录了一些失败的经验。 传送门 项目地址： https://github.com/eugeneyan/applied-ml — 完 —
53640发布于 2020-09-14 - 来自专栏范传康的专栏
TinyML-4：（Quantization） 为什么int8足够用于ML
这意味着推理效率已成为部署ML解决方案（包括TinyML）的一个紧迫问题。 这就是Quantization量化的用处。 如果可以采用32位模型并将其简化为8位模型例如，每个权重用8位而不是32位表示，那么内存就会自动减少4倍。安装到设备上成为可能。
2.2K51发布于 2021-01-10
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号