deephub

摘要： 深度学习模型的可解释性为其预测提供了人类可以理解的推理。如果不解释预测背后的原因，深度学习算法就像黑匣子，对于一些场景说是无法被信任的。不提供预测的原因也会阻止深度学习算法在涉及跨域公平、隐私和安全的关键应用程序中使用。 深度学习模型的可解释性有助于增加对模型预测的信任， 提高模型对与公平、隐私和其 阅读全文

摘要： 无监督学习（Unsupervised Learning）是和监督学习相对的另一种主流机器学习的方法，无监督学习是没有任何的数据标注只有数据本身。 无监督学习算法有几种类型，以下是其中最重要的12种: 1、聚类算法根据相似性将数据点分组成簇 k-means聚类是一种流行的聚类算法，它将数据划分为k组。 阅读全文

摘要： 时间序列预测在最近两年内发生了巨大的变化，尤其是在kaiming的MAE出现以后，现在时间序列的模型也可以用类似MAE的方法进行无监督的预训练 Makridakis M-Competitions系列（分别称为M4和M5）分别在2018年和2020年举办（M6也在今年举办了）。对于那些不了解的人来说， 阅读全文

摘要： 五年前深度学习的一切都是关于如何构建新的、更优化的模型，以便更好地从非结构化数据中学习。这些努力带来了许多研究突破，突破了神经网络的可能性。但慢慢地越来越多的人对这种方法提出了批评，并建议首先关注数据的质量和一致性。这些批评的声音通常来自行业，来自在关键业务环境中长时间大规模操作模型的专业人士。 在 阅读全文

摘要： 我们以前也发过很多关于数据可视化的文章。但是对于展示来说，如果你的图表能够动起来，那么他的展示效果要比静态的图有更多的冲击力，尤其是你需要向领导和客户展示的时候。所以在本篇文章整列了2个简单的代码片段，可以让你的图表动起来 动画 Python中有许多用于绘制图形的库。Matplotlib, Seab 阅读全文

摘要： 人体活动识别（HAR）是一种使用人工智能（AI）从智能手表等活动记录设备产生的原始数据中识别人类活动的方法。当人们执行某种动作时，人们佩戴的传感器（智能手表、手环、专用设备等）就会产生信号。这些收集信息的传感器包括加速度计、陀螺仪和磁力计。人类活动识别有各种各样的应用，从为病人和残疾人提供帮助到像游 阅读全文

摘要： 本文将介绍如何使用深度高斯过程建模量化信号中的不确定性 先进的机器学习 (ML) 技术可以从数据中得出的非常复杂的问题的解答。但是由于其“黑盒”的性质，很难评估这些答案的正确性。如果想在照片中找到特定的人或者物，例如在照片中找到猫的照片，这可能是很适用的。但在处理医疗数据时，因为可解释性的原因一般都 阅读全文

摘要： 什么是知识问答 基于知识的问答是以知识库为认知源，在知识库的基础上回答自然语言问题。 知识库（KB）是一个结构化数据库，其中包含形式<主题，关系，对象>的事实集合，每个事实都可以随附所谓的属性。 ‍ 例如，“Barack Obama got married to Michelle Obama on 阅读全文

摘要： 深度图像分类模型通常以监督方式在大型带注释数据集上进行训练。随着更多带注释的数据加入到训练中，模型的性能会提高，但用于监督学习的大规模数据集的标注成本时非常高的，需要专家注释者花费大量时间。为了解决这个问题，人们开始寻找更便宜的标注的标签来源，是否有可能从已经公开的数据中学习高质量的图像分类模型？ 阅读全文

摘要： 在以前的文章中，我们讨论过Transformer并不适合时间序列预测任务。为了解决这个问题Google创建了Hybrid Transformer-LSTM模型，该模型可以实现SOTA导致时间序列预测任务。 但是我实际测试效果并不好，直到2022年3月Google研究团队和瑞士AI实验室IDSIA提出 阅读全文