- 综合排序
- 最热优先
- 最新优先
- 来自专栏我还不懂对话
【论文阅读】- 怎么快速阅读ML论文？
主题框架翻译于Eric Jang的博客https://blog.evjang.com/2021/01/understanding-ml.html，加了一些个人观点。 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。 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_7_VC
本文探讨了理论上的错误率与深度学习模型的关系，并分析了错误率的上限和下限。文章还讨论了如何利用VC dimension和模型复杂度来控制模型的误差率和样本复杂度，并提出了在深度学习模型选择中的一些实用建议。
94550发布于 2018-01-02 - 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 7、Efficient Language Modeling with Sparse all-MLP By Ping Yu et al. 架构在 ML 中的作用是否会进一步缩小？论文的回答是：是的。 et al. 2022 [6] “PaLM: Scaling Language Modeling with Pathways” by Aakanksha Chowdhery et al. 2022. [7]
63020编辑于 2022-04-14 - 来自专栏登神长阶
【论文复现】YOLOv7论文讲解
论文讲解 YOLO v7论文（YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors 由论文中图示，在5 FPS 到 160 FPS 范围内，YOLOv7 在 speed 和 accuracy 上都超过了所有已知的目标检测器，并且在 GPU V100 上 30 FPS 或更高的实时目标检测器中 论文方法 论文聚焦如何在目标检测中取得更快的速度、更高的精度。 它为什么具备如此好的效果，论文分两个方面给出了答案。 为了区分辅助头和原来的头，给他们分别命名为lead head和AUX head，这种使用辅助头，深度监督训练模型的方式在其他论文中也都已经使用过。 YOLO v7论文 链接 YOLO v7博客 编程未来，从这里启航！
1.3K10编辑于 2024-12-09 - 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。 sample_text_google) if word not in w2v]) print(' -- '.join(not_in_vocab)) motofone -- segment's -- we're -- ml910 Original source: https://tomaugspurger.github.io/modern-7-timeseries.html ''' ``` # Load a few companies ax.plot(pred.predicted_mean.index, pred.predicted_mean, label='One-step ahead forecast', alpha=.7) pred_future.predicted_mean.index), pred_future.predicted_mean, label='Dynamic forecast', alpha=.7)
1.8K80发布于 2018-01-30 - 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
每个月都会有几千篇的论文在arXiv发布，我们不可能看完所有的文章，但是我们可以从中找到一些趋势： 大型语言模型不再与较小的模型在同一类别中竞争(如训练前+监督数据微调)。为什么? 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。 但是还有一个重要的警告没有在论文中彻底解决：注意力矩阵中的偏差通过一个 softmax 来抑制远标记的贡献，这就像有一个注意力的“软窗口”。 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。
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
论文链接：https://arxiv.org/pdf/1911.09070v7.pdf 简介：这项论文最初在 2019 年 11 月份发布首版，机器之心进行了报道，本文是最新版。 论文 7：YOLOv4: Optimal Speed and Accuracy of Object Detection ? 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 项目地址：https://github.com/eriklindernoren/PyTorch-GAN 简介：PyTorchGAN 库由 Apple 公司的 ML 工程师 Erik Linder-Norén 基准地址：https://paperswithcode.com/sota/object-detection-on-coco Cascade Eff-B7 NAS-FPN 论文地址：https://arxiv.org
63420发布于 2021-03-15 - 来自专栏桑榆肖物
YOLOv7 在 ML.NET 中使用 ONNX 检测对象
本文介绍如何在 ML.NET 中使用 YOLOv7 的 ONNX 模型来检测图像中的对象。 什么是 YOLO YOLO（You Only Look Once）是一种先进的实时目标检测系统。 2022年7月，YOLOv7 来临。官方版的YOLOv7相同体量下比YOLOv5 精度更高，速度更快。 论文地址：https://arxiv.org/abs/2207.02696 Yolov7 ONNX 模型 开放神经网络交换 (ONNX) 是 AI 模型的开放源代码格式。 2.安装 Microsoft.ML.OnnxTransformer NuGet 包3.YOLOv7 整体结构与 YOLOv5 极其相似，我们可以直接使用 Yolov5Net NuGet 包里的分析器来处理模型输出 assemblyFolderPath, relativePath); return fullPath; } 完整的代码样例见：https://github.com/sangyuxiaowu/ml_yolov7
2.1K20编辑于 2022-11-18 - 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。 参考链接： https://www.reddit.com/r/MachineLearning/comments/n7qrz5/d_why_has_machine_learning_become_such_a_toxic
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。 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
1.1K20发布于 2019-06-02 - 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 —
53740发布于 2020-09-14 - 来自专栏CSDN社区搬运
YOLOv7论文讲解和代码复现
论文讲解 YOLO v7论文（YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors 由论文中图示，在5 FPS 到 160 FPS 范围内，YOLOv7 在 speed 和 accuracy 上都超过了所有已知的目标检测器，并且在 GPU V100 上 30 FPS 或更高的实时目标检测器中 论文方法 论文聚焦如何在目标检测中取得更快的速度、更高的精度。 它为什么具备如此好的效果，论文分两个方面给出了答案。 为了区分辅助头和原来的头，给他们分别命名为lead head和AUX head，这种使用辅助头，深度监督训练模型的方式在其他论文中也都已经使用过。 论文 链接 YOLO v7博客 希望对你有帮助！
62610编辑于 2024-11-28 - 来自专栏YoungGy
ML基石_LinearModelsForClassfication
本文介绍了用于分类的线性模型的基本回顾，包括线性回归、逻辑回归、支持向量机、朴素贝叶斯、K近邻、决策树、随机森林、梯度提升树、神经网络等。作者通过对比各个方法的优缺点，提出了改进的随机梯度下降法、概率线性模型、OVO、OVA、Logistic回归、二分类、多分类等方案。
67570发布于 2018-01-02 - 来自专栏AI科技评论
学界 | CVPR 2019 论文解读：人大 ML 研究组提出新的视频测谎算法
AI 科技评论按：计算机视觉顶会 CVPR 2019 即将于 6 月在美国长滩召开，今年大会共收到超过 5165 篇论文投稿，最终收录的论文为 1299 篇。 今年的 CVPR 2019，卢志武博士领导的中国人民大学信息学院机器学习（ML）组共有 3 篇论文被录用，论文主题涵盖视频识别、小样本学习、视觉对话等热点问题，本文中要解读的论文便是其中关于视频识别的一篇 此外，为了克服数据量过小的问题,，作者在模型中加入了元学习 (ML) 和对抗学习 (AL) 模块, 这些都对提高模型的鲁棒性有很大的帮助。 ? 表 2：微表情识别结果 四、团队介绍 中国人民大学信息学院机器学习（ML）组由卢志武博士，以及 20 名博士生与硕士生组成，隶属于文继荣教授的大数据分析团队。 目前，人大 ML 组已经在 TPAMI、IJCV、NIPS、CVPR 等国际顶级期刊/会议上发表 40 余篇论文，主持了 NSFC、KJW 等多个国家科研项目，还曾获人工智能国际权威评测 ImageNet
1.5K10发布于 2019-05-08 - 来自专栏机器之心
7 papers | NeurIPS 2019获奖论文揭晓；OpenAI刀塔2论文公布
本周既有 NeurIPS 2019 公布的杰出论文奖和经典论文奖论文，也有 MIT 联合 IBM 推出的使图像识别 SOTA 模型性能下降 40 多个点的 ObjectNet 数据集以及 OpenAI 击败 OG 战队的 Dota 2 智能体论文。 OpenAI 公开研究论文。 论文 7：Point-Voxel CNN for Efficient 3D Deep Learning 作者：Zhijian Liu、Zhijian Liu、Zhijian Liu、Zhijian Liu PVCNN 在内存和计算上都十分高效：我们只用十分之一的内存就可以取得远高于 volumetric CNN baseline 的准确率，而对比于多个基于点云直接进行深度学习的方法，我们又可以得到平均 7
65710发布于 2019-12-23 毕业论文轻松搞定：推荐7款高效AI论文写作工具！
前言：对许多学生而言，完成毕业论文堪称一场不小的挑战——既需要扎实的知识积累，又考验逻辑构建与文字表达能力。好在随着技术进步，如今涌现出多款高效的AI论文写作工具，能为论文创作提供有力支持。 接下来，笔者将为大家详细介绍7款实用工具。1. 图灵论文AI写作助手工具介绍：在论文创作中，选择趁手的工具往往能大幅降低时间与精力消耗。 除改稿功能外，图灵论文AI写作助手的其他性能同样出色：30分钟内完成5万字初稿的生成（覆盖多种论文类型）、为问卷类论文提供问卷设计与样本数据分析服务、自动处理参考文献交叉引用、内置丰富素材库等。 缺点：免费版字数限制严格，无法支持长篇论文创作。需用户自行调整论文结构与格式。图片展示：图片7. 结尾：上述7款AI论文写作工具各具特色，适配不同需求场景——无论是提升效率、优化内容，还是获取免费范文参考，均能从中找到合适选择。期待这些工具能助力大家轻松完成毕业论文，顺利迈向学业新阶段。
65410编辑于 2025-07-25- 来自专栏张善友的专栏
ML-Framework：ML.NET 0.3 带来新组件
ML.NET在今年微软在Build 2018 会议上宣布的机器学习框架现已正式推出0.3版本 https://github.com/dotnet/machinelearning/releases/tag Microsoft希望.NET开发人员能够设计自己的ML模型并将其集成到他们的应用程序中，而无需构建特定的专有技术，让AI技术平民化。 ML.NET 0.3现在提供了许多用于训练机器学习模型的新组件以及以流行的ONNX格式导出模型的选项，当然还包括了许多Bug修复。 ML.NET 0.3中新增的训练模块（Learner）适用于不同的分类要求。 在ML.NET 0.3中，可以使用LightGBM的所有功能 - 除了排名评估器，预计将在更高版本中提供。
63120发布于 2018-07-24
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