机器学习文章

• 深度学习中常见的权重初始化方法
• 如何从头构建一个机器学习模型
• 终于把神经网络中的激活函数搞懂了
• 终于把 Transformer 中的注意力机制搞懂了
• 快速学会一个算法，CNN
• 快速学会一个算法，Faster R-CNN
• 快速学习一个算法，神经网络
• 终于把机器学习中的混淆矩阵搞懂了
• 快速学会一个算法，SVM
• 机器学习中的五个重要权衡
• 快速学习一个算法，DBSCAN
• SVM多分类分析：SHAP解释各类别下各特征对模型的影响力
• 基于机器学习和深度学习的时间序列分析和预测（Python）
• 一文掌握：机器学习中的降维方法全解析
• 利用SHAP解释二分类模型的四种机器学习GUI工具
• 利用XGBoost模型进行多分类任务下的SHAP解释附代码讲解及GUI展示
• 优化XGBoost回归模型：网格搜索与K折交叉验证实现
• Vosk-API：赋能全场景语音交互的离线语音识别神器，支持Python、C++、Rust、Go等
• 多分类如何绘制ROC曲线--宏平均ROC曲线1-YbQ)
• t-SNE 的进化：Barnes-Hut t-SNE 如何应对大规模数据集降维
• 特征工程进阶：暴力特征字典的构建与应用 实现模型精度质的飞跃
• 梯度提升集成：CatBoost与NGBoost模型的K折交叉验证及组合预测
• K-means聚类与t-SNE降维：多维数据的二维可视化
• 提升机器学习精度：利用SHAP值与蒙特卡洛模拟优化特征选择
• 模型过拟合与欠拟合的核心原理及其与数据集分割的关系
• 基于XGBoost模型的心脏病风险预测与解释：Streamlit应用程序开发
• 实用机器学习技巧：利用混淆矩阵热力图直观展示模型分类效果
• 基于时域卷积神经网络的时间序列异常检测（Python）
• 简单的基于机器学习的风速预测（Python）
• 实用机器学习技巧：使用ROC曲线进行多模型性能比较
• Unet 与 TransUnet 架构结合，模型保持CNN的局部特征，利用 Transformer 进行图像分割