在本文中，我们将了解SHAP的理论基础，并看看SHAP值的计算方法。博弈论与机器学习SHAP值基于Shapley值，Shapley值是博弈论中的一个概念。Shapley所做的是量化每个玩家对游戏的贡献。SHAP所做的是量化每个特征对机器学习模型做出的预测的

你能解释一下VGGNet和ResNet的区别吗?这是人工智能和机器学习领域的一个常见面试问题。虽然答案可以在网上找到，但一直还没能找到一个简明扼要的答案。我们将从什么是VGGNet开始，然后看看VGGNet遇到了什么问题，以及ResNet如何解决它。VGG

本文我们将学习pytorch中的张量，它是一个多维数组，零维就是一个点，一维就是向量，二维就是一般的矩阵，多维就相当于一个多维的数组，这和 numpy理解是一样的，不同的是Tensor不仅可以在CPU上跑，在GPU上也可以跑。给定一个张量数据，我们可以确定

深度学习模型具有很大的灵活性，如果机器学习训练数据集不够大，过度拟合可能成为一个严重的问题。让我们来看一个例子。问题陈述你刚刚被法国足球公司聘为人工智能专家。他们希望您推荐法国守门员应将足球踢到的位置，以便法国队的球员可以用头撞球。每个点对应于足球场上的位

通常，机器学习模型没有经过训练，无法通过将知识从一种模型转移到另一种模型来工作。这里的知识意味着在每个层中获得的更新的权重和偏差。因此，迁移学习可以利用从一项任务中获得的知识来解决相关的其他任务。使用迁移学习的主要好处是，它可以通过再次使用已开发模型的模块

你想学习机器学习吗？这里有一份机器学习实践教程 Practiacl AI 。在GitHub上，它已经收获过万标星，这位“超人气选手”帮助了很多人的机器学习。Practical AI 机器学习实践 是一份贯穿了机器学习起步到进阶的教程，从 Notebook

随着机器学习和深度学习技术的不断应用，AI 的落地场景越来越多，极大地提升了研发效率和应用功能。与此同时，本文的作者还认为，AI 的应用还将深刻地影响芯片市场，借助 AI 重塑芯片设计，能够帮助架构性能提升百倍以上。关于AI的应用方式也存在一定程度的混乱。

探索性数据分析是一种分析机器学习数据集以总结其主要特征的方法。它用于理解数据，获取有关它的一些上下文，理解变量和它们之间的关系，并制定在构建机器学习预测模型时可能有用的假设。所有数据分析必须以一些关键问题或目标为指导。具体来说，我们将重点介绍seaborn

在数据科学中，不平衡的机器学习数据集并不奇怪。如果用于分类问题的数据集，如情绪分析、医学成像或其他与离散预测分析相关的问题，对于不同的类，其实例的数量是不相等的，那么这些机器学习数据集就是不平衡的。这意味着数据集中的类之间存在不平衡，因为属于每个类的实例数

本文是您可以用于机器学习和数据科学的不同图表的高级概述，以及如何使用Matplotlib，Pandas Visualization和Seaborn实现它们。通过这三个库中的每一个，我将创建一个Scatter，Line-，Bar Chart和Histogra

介绍梯度提升技术在工业中得到广泛应用，并赢得了许多Kaggle 比赛。互联网已经对梯度提升有了很多很好的解释，但我们注意到缺乏关于自定义损失函数的信息：why,when and where。这篇文章是我们尝试总结自定义损失函数在许多实际问题中的重要性 -

回归比分类化更复杂，需要更多关注，因此我将尝试以简单的方式打破这个复杂的主题。因此，如果我们添加第三个维度，它将在右上角窗口中看起来像，但我们不需要看Y，因为我们首先需要使用此散点图并查看决策树是如何创建的。所以一旦我们运行了回归意义上的决策树算法会发生的

交叉验证是一种用来衡量和评估机器学习模型性能的技术。在培训期间，我们创建了训练集的多个分区，并在这些分区的不同子集上进行训练/测试。交叉验证经常用于为给定的数据集训练、测量和最终选择机器学习模型，因为它有助于评估模型的结果在实践中如何推广到独立的数据集。本

介绍从严重不平衡的训练数据集中生成有价值的分类模型在机器学习中可能具有挑战性。我还将概述ML工程师在处理严重不平衡的数据集时所犯的一些最常见的错误。机器学习工程师经常遇到需要根据可用特征将实例分类为两个类别之一的问题。

提到深度学习库就不得不提到Caffe，它是由Berkeley Vision and Learning Center建立的深度学习框架。Caffe本身并不是一个Python库，但它可提供绑定到Python上的编程语言。1）模块化，且速度极快，能够运行最佳的模

关键时刻，第一时间送达！如果你不仅是个足球迷，而且也是高科技人员的话，我猜你肯定知道机器学习和人工智能也是目前的流行词。让我们结合两者来预测一下本届俄罗斯 FIFA 世界杯哪个国家将夺冠。用机器学习来预测谁将赢得2018 FIFA世界杯的冠军；预测整个比赛

大多数人听到“机器学习”，往往会在脑海中勾勒出一个机器人：一个可靠的管家，或是一个可怕的终结者，这取决于你问的是谁。但是机器学习并不是未来的幻想，它已经来到我们身边了。机器学习的起点和终点分别是什么呢？然后，我们会学习一个典型的机器学习项目的工作流程，讨论

本文旨在为强化学习 - 策略梯度中最重要的一类控制算法提供简明而全面的介绍。我将在进展中讨论这些算法，从头到尾得出众所周知的结果。它针对的是具有合理背景的读者，以及机器学习中的其他任何主题。介绍强化学习指的是学习问题和机器学习的子领域，近来出于很多原因而出

顶级开源项目先让我们看看今年的一些顶级开源项目。BERT 是 Bidirectional Encoder Representations from Transformer 的缩写，一种解决自然语言处理问题的新方法，可以获得最先进的处理结果。它是基于 Ten

k均值算法在机器学习中聚类算法有很多，k均值算法是最经典的聚类算法，这个算法的目的就是要找到数据的分组，分组的数目由K指定。这个算法基于提供的特征，迭代地将数据分配个K个组别的其中一个。数据是基于数据相似性被聚类的，相似性度量是基于距离计算的，最典型的就是