标签：机器学习

红色石头 发布于 2021-09-22

机器学习、深度学习最简单的入门方式就是基于 Python 开始编程实战。最近闲逛 GitHub，发现了一个非常不错的 Python 学习实例集，完全是基于 Python 来实现包括 ML、DL 等领域。推荐给大家~ 首先放上该开源项目的 GitHub 地址： https://gi...

阅读(149)评论(0)赞 (0)标签：Python / 机器学习 / 深度学习

红色石头 发布于 2021-08-20

什么是支持向量机（SVM）？ 支持向量机 (SVM) 是一种相对简单的监督机器学习算法，用于解决分类或回归问题。它更适合分类，但有时对回归也非常有用。 SVM算法的本质是在不同的数据类型之间找到一个超平面来创建边界。在二维空间中，这个超平面是一条直线。 在 SVM算法中，我们在 ...

阅读(67085)评论(0)赞 (4)标签：SVM / 机器学习

红色石头 发布于 2021-08-02

大家好，好久没给大家推荐优质的机器学习 GitHub 开源资料了。最近逛 GitHub，发现了一个非常不错的 AI 资料，兼顾理论和实战，非常不错！ 首先放上该资源的 GitHub 地址： https://github.com/ben1234560/AiLearning-Theo...

阅读(1657)评论(0)赞 (2)标签：机器学习 / 深度学习 / 资源

红色石头 发布于 2021-06-01

无论你是学习机器学习还是深度学习，看学术论文必不可少。作为 AI 初学者而言，如何挑选更适合自己、更容易学习的 AI 论文尤为重要！真的会起到事半功倍的效果。 今天给大家推荐一个非常不错的 GitHub 开源项目：TopPaper。该项目汇聚了 AI 方向重点核心的论文，方便初学...

阅读(26664)评论(0)赞 (5)标签：机器学习 / 深度学习 / 资源

红色石头 发布于 2021-06-01

无论是做机器学习、深度学习、自然语言处理还是其它领域，算法的重要性不言而喻！吃透算法底层原理、掌握算法数学推导和代码实现，对提高自己的硬核实力来说非常重要！今天给大家推荐一个超赞的开源算法笔记！中文版！而且在 GitHub 上已经收获了近 1k 的赞了！ 首先放上该笔记的 Git...

阅读(36948)评论(0)赞 (1)标签：机器学习 / 算法

红色石头 发布于 2021-04-16

【简介】 本文提出了一种新的采样策略——输出多样化采样，替代对抗攻击方法中常用的随机采样，使得目标模型的输出尽可能多样化，以此提高白盒攻击和黑盒攻击的有效性。实验表明，该种采样策略可以显著提升对抗攻击方法的性能。 论文地址： https://arxiv.org/abs/2003....

阅读(3177)评论(0)赞 (2)标签：机器学习 / 深度学习 / 神经网络

红色石头 发布于 2021-03-07

提起李宏毅老师，熟悉机器学习的读者朋友一定不会陌生。最典型的就是开局一言不合就“宝可梦”。李宏毅老师幽默风趣的教学风格也吸引力很多机器学习爱好者。 李宏毅老师的机器学习课程可以说是最具代表性的中文公开课之一，已成为大量国内初学者的首选。2021 年，李宏毅老师的机器学习课程又于 ...

阅读(30547)评论(0)赞 (4)标签：机器学习 / 李宏毅 / 课程

红色石头 发布于 2021-03-03

今天给大家推荐一个硬核干货：一个基于 PyTorch 的图像模型库（PyTorch Image Models，TIMM），用于最新图像分类。 这个库从 330+ 种预训练的最新图像分类模型中进行选择，方便我们使用提供的脚本在 ImageNet 等研究数据集上重新训练模型。而且，可...

阅读(3844)评论(0)赞 (3)标签：GitHub / 机器学习 / 深度学习 / 资源

红色石头 发布于 2021-03-02

系列文章： 吴恩达《Machine Learning》精炼笔记 1：监督学习与非监督学习 吴恩达《Machine Learning》精炼笔记 2：梯度下降与正规方程 吴恩达《Machine Learning》精炼笔记 3：回归问题和正则化 吴恩达《Machine Learning...

阅读(4009)评论(0)赞 (2)标签：吴恩达 / 机器学习

红色石头 发布于 2021-03-02

系列文章： 吴恩达《Machine Learning》精炼笔记 1：监督学习与非监督学习 吴恩达《Machine Learning》精炼笔记 2：梯度下降与正规方程 吴恩达《Machine Learning》精炼笔记 3：回归问题和正则化 吴恩达《Machine Learning...

阅读(2898)评论(0)赞 (2)标签：吴恩达 / 机器学习