03 2023 档案
摘要:原文:https://datascienceatthecommandline.com/2e/chapter-11-conclusion.html 在这最后一章,这本书接近尾声。我将首先回顾我在前面十章中讨论的内容,然后给你三条建议,并提供一些资源来进一步探索我们触及的相关主题。最后,如果您有任何问题
阅读全文
摘要:原文:https://datascienceatthecommandline.com/2e/chapter-6-project-management-with-make.html 我希望现在您已经开始认识到命令行是一个非常方便的数据处理环境。您可能已经注意到,由于使用了命令行,我们: 调用许多不同的
阅读全文
摘要:原文:https://datascienceatthecommandline.com/2e/chapter-7-exploring-data.html 在所有这些艰苦的工作之后(除非你已经有了干净的数据),是时候享受一些乐趣了。现在您已经获得并清理了数据,您可以继续进行 OSEMN 模型的第三步,即
阅读全文
摘要:原文:https://datascienceatthecommandline.com/2e/chapter-7-exploring-data.html 在所有这些艰苦的工作之后(除非你已经有了干净的数据),是时候享受一些乐趣了。现在您已经获得并清理了数据,您可以继续进行 OSEMN 模型的第三步,即
阅读全文
摘要:原文:https://datascienceatthecommandline.com/2e/chapter-9-modeling-data.html 在本章中,我们将执行 OSEMN 模型的第四步:数据建模。一般来说,模型是对数据的抽象或更高层次的描述。建模有点像创建可视化,因为我们从单个数据点后退
阅读全文
摘要:原文:https://datascienceatthecommandline.com/2e/chapter-10-polyglot-data-science.html 通晓多种语言的人就是能讲多种语言的人。在我看来,通晓多种语言的数据科学家是指使用多种编程语言、工具和技术来获取、清理、探索和建模数据
阅读全文
摘要:原文:https://datascienceatthecommandline.com/2e/chapter-5-scrubbing-data.html 两章前,在 OSEMN 数据科学模型的第一步,我们看到了从各种来源获取数据。这一章讲的都是第二步:清理数据。你看,你很少能立即继续探索甚至建模数据。
阅读全文
摘要:原文:https://datascienceatthecommandline.com/2e/chapter-4-creating-command-line-tools.html 在整本书中,我将向您介绍许多基本上适合一行的命令和管道。这些被称为一行程序或管道。能够只用一行程序执行复杂的任务是命令行的
阅读全文
摘要:原文:https://datascienceatthecommandline.com/2e/chapter-3-obtaining-data.html 贡献者:Ting-xin 本章讨论 OSEMN 模型的第一步:获取数据。毕竟,没有任何数据,我们就没有多少数据科学可以做。我假设你已经有了解决数据科
阅读全文
摘要:原文:https://datascienceatthecommandline.com/2e/chapter-2-getting-started.html 贡献者:Ting-xin 在这一章中,我需要确定你能够利用命令行做数据科学,为此你需要能满足一些条件。条件主要分为三个部分:(1)拥有与我在本书中
阅读全文
摘要:原文:https://datascienceatthecommandline.com/2e/chapter-1-introduction.html 贡献者:Ting-xin 这本书是关于如何利用命令行做数据科学的。我的目标是通过教你使用命令行的力量,让自己成为一名更高效和多产的数据科学家。 在标题中
阅读全文
摘要:原文:https://datascienceatthecommandline.com/2e/chapter-1-introduction.html 贡献者:Ting-xin 这本书是关于如何利用命令行做数据科学的。我的目标是通过教你使用命令行的力量,让自己成为一名更高效和多产的数据科学家。 在标题中
阅读全文
摘要:作者:材料劝退活雷锋 论做科研的话,挺朝阳的,比较好水文章。材料的好多方向做合成做表征和炒菜差不多,入行门槛低,数理基础要求低。我的好多博士同学本硕都是双非,照样各种顶级文章发得飞起,全篇文章没一个公式。 我本科时学专业课完全靠背,觉得学了这么多数学物理毫无用武之地,一度怀疑这专业是大坑,但还抱有希
阅读全文
摘要:译者:毛毛虫 作者: Matthew Inkawhich 在本教程中,我们探索了一个好玩和有趣的循环序列到序列的模型用例。我们将用 Cornell Movie-Dialogs Corpus处的电影剧本来训练一个简单的聊天机器人。 在人工智能研究领域中对话模型模型是一个非常热门的话题。聊天机器人可以在
阅读全文
摘要:达内 Java 企业面试题精选 达内 20 本教材里面的最后一本,偏 Java 语言和 Web 框架。 Github 下载Gitee 下载 传智播客面试宝典 传智播客总结的面试宝典,里面有 Android、C++、Java、PHP、大数据五种。 CSDN 下载 数据结构与算法/leetcode/li
阅读全文
摘要:译者:BXuan694 class torch.utils.data.Dataset 表示数据集的抽象类。 所有用到的数据集都必须是其子类。这些子类都必须重写以下方法:__len__:定义了数据集的规模;__getitem__:支持0到len(self)范围内的整数索引。 class torch.u
阅读全文
摘要:译者:bat67 最新版会在译者仓库首先同步。 目前为止,我们以及看到了如何定义网络,计算损失,并更新网络的权重。 现在可能会想, 数据呢? 通常来说,当必须处理图像、文本、音频或视频数据时,可以使用python标准库将数据加载到numpy数组里。然后将这个数组转化成torch.*Tensor。 对
阅读全文
摘要:| 排名 | 品牌 | 型号 | 颗粒 | 寿命 | 接口 | | | | | | | | | #1 | INTEL | P5800x/P5810x | 傲腾 | 100DWPD | U.2 | | #1 | 大普微/铠侠 | X2900P | SLC | 100DWPD | U.2 | | #3
阅读全文
摘要:译者:Yif Du 协议:CC BY-NC-ND 4.0 欢迎任何人参与和完善:一个人可以走的很快,但是一群人却可以走的更远。 本书旨在为新人提供自然语言处理(NLP)和深度学习,以涵盖这两个领域的重要主题。这两个主题领域都呈指数级增长。对于一本介绍深度学习和强调实施的NLP的书,本书占据了重要的中
阅读全文
摘要:译者:平淡的天 作者: Adam Paszke 本教程将展示如何使用 PyTorch 在OpenAI Gym的任务集上训练一个深度Q学习 (DQN) 智能点。 任务 智能点需要决定两种动作:向左或向右来使其上的杆保持直立。你可以在 Gym website 找到一个有各种算法和可视化的官方排行榜。 当
阅读全文
摘要:译者:bat67 最新版会在译者仓库首先同步。 PyTorch中,所有神经网络的核心是autograd包。先简单介绍一下这个包,然后训练我们的第一个的神经网络。 autograd包为张量上的所有操作提供了自动求导机制。它是一个在运行时定义(define-by-run)的框架,这意味着反向传播是根据代
阅读全文
摘要:译者:lhc741 作者:Jeremy Howard,fast.ai。感谢Rachel Thomas和Francisco Ingham的帮助和支持。 我们推荐使用notebook来运行这个教程,而不是脚本,点击这里下载notebook(.ipynb)文件。 Pytorch提供了torch.nn、to
阅读全文
摘要:译者:kunwuz torch.hub.load(github, model, force_reload=False, *args, **kwargs) 从github上加载一个带有预训练权重的模型。 参数: github – 必需,一个字符串对象,格式为“repo_owner/repo_name[
阅读全文
摘要:译者:keyianpai 创建 Torch 脚本代码将追踪和脚本化结合起来Torch 脚本语言参考 类型表达式语句变量解析python值的使用调试内置函数 Torch脚本是一种从PyTorch代码创建可序列化和可优化模型的方法。用Torch脚本编写的代码可以从Python进程中保存,并在没有Pyth
阅读全文
摘要:LINE: Large-scale Information Network Embedding Arxiv 1503.03578 三、问题定义 我们使用一阶和二阶邻近度,正式定义了大规模信息网络嵌入问题。 我们首先定义一个信息网络如下: 定义 1(信息网络):信息网络定义为G = (V, E),其中
阅读全文
摘要:译者:cangyunye 作者: Adam Paszke 修订者: Adam Dziedzic 在这个教程里,我们要完成两个任务: 创建一个无参神经网络层。 这里需要调用numpy作为实现的一部分。 创建一个权重自主优化的伸进网络层。 这里需要调用Scipy作为实现的一部分。 import torc
阅读全文
摘要:译者:冯宝宝 本教程将向您展示如何使用ONNX将已从PyTorch导出的神经模型传输模型转换为Apple CoreML格式。这将允许您在Apple设备上轻松运行深度学习模型,在这种情况下,可以从摄像机直播演示。 什么是ONNX ONNX(开放式神经网络交换)是一种表示深度学习模型的开放格式。借助ON
阅读全文