摘要：
当我们考虑时间序列的增强树时，通常会想到 M5 比赛，其中前十名中有很大一部分使用了 LightGBM。但是当在单变量情况下使用增强树时，由于没有大量的外生特征可以利用，它的性能非常的糟糕。 首先需要明确的是M4 比赛的亚军 DID 使用了增强树。但是它作为一个元模型来集成其他更传统的时间序列方法。 阅读全文
摘要：
动机 GAN 中的生成器通常以随机采样的潜在向量 z 作为输入，生成高保真图像。通过改变潜在向量 z，我们可以改变输出图像。 然而，为了改变输出图像中的特定属性（例如头发颜色、面部表情、姿势、性别等），我们需要知道移动潜在向量 z 的特定方向。 以前的一些文章试图以监督的方式解释潜在的语义。他们通常 阅读全文
摘要：
遗传算法可以做什么？ 遗传算法是元启发式算法之一。它有与达尔文理论（1859 年发表）的自然演化相似的机制。如果你问我什么是元启发式算法，我们最好谈谈启发式算法的区别。 启发式和元启发式都是优化的主要子领域，它们都是用迭代方法寻找一组解的过程。启发式算法是一种局部搜索方法，它只能处理特定的问题，不能 阅读全文
摘要：
主要包括Pipeline, Datasets, Metrics, and AutoClasses HuggingFace是一个非常流行的 NLP 库。本文包含其主要类和函数的概述以及一些代码示例。可以作为该库的一个入门教程 。 Hugging Face 是一个开源库，用于构建、训练和部署最先进的 N 阅读全文
摘要：
D分离（D-Separation）又被称作有向分离，是一种用来判断变量是否条件独立的图形化方法。相比于非图形化方法，D-Separation更加直观且计算简单。对于一个DAG（有向无环图），D-Separation方法可以快速的判断出两个节点之间是否是条件独立的。 了解 D 分离 在贝叶斯网络中，D 阅读全文
摘要：
本文中将讨论如何建立一个有效的混合预测器，并对常见混合方式进行对比和分析 基于树的算法在机器学习生态系统中是众所周知的，它们以主导表格的监督任务而闻名。在学习过程中，树的分裂标准只关注相关特征和有用值的范围，所以给定一组表格特征和要预测的目标，无需太多配置和特定的预处理就可以得到令人满意的结果。 但 阅读全文
摘要：
自监督 ResNets 能否在 ImageNet 上没有标签的情况下超越监督学习？ 在本文中将介绍最近一篇推动自监督学习状态向前发展的论文，该论文由 DeepMind 发表，绰号为 ReLICv2。 Tomasev 等人的论文“Pushing the limits of self-supervise 阅读全文
摘要：
特征工程是从现有特征创建新特征的过程，通过特征工程可以捕获原始特征不具有的与目标列的额外关系。这个过程对于提高机器学习算法的性能非常重要。尽管当数据科学家将特定的领域知识应用特定的转换时，特征工程效果最好，但有一些方法可以以自动化的方式完成，而无需先验领域知识。 在本文中，我们将通过一个示例介绍如何 阅读全文
摘要：
所有的机器学习算法都需要输入数值型的向量数据，图嵌入通过学习从图的结构化数据到矢量表示的映射来获得节点的嵌入向量。它的最基本优化方法是将具有相似上下文的映射节点靠近嵌入空间。我们可以使用两种正交方法（同质性和结构等效性）之一或它们的组合来定义图中节点的上下文。 图数据库和机器学习 图数据库可以支持来 阅读全文
摘要：
本篇文章将总结时间序列预测方法，并将所有方法分类介绍并提供相应的python代码示例，以下是本文将要介绍的方法列表： 1、使用平滑技术进行时间序列预测 指数平滑 Holt-Winters 法 2、单变量时间序列预测 自回归 (AR) 移动平均模型 (MA) 自回归滑动平均模型 (ARMA) 差分整合 阅读全文