AI公园
-
颠覆常识!深度神经网络并不是通过形状来识别物体的
和人类不同,AI物体识别靠的是小的细节,而不是图像的边界,但是总是有办法来弥补这个差别的!
-
请谨慎使用预训练的深度学习模型
预训练模型用起来非常容易,但是你是否忽略了可能影响模型性能的细节呢。
-
做物体检测的同学们,你们真的了解mAP吗?几张图让你明白
mAP是一种物体检测器准确率的度量方法,是不同的召回率值下的最大精确度的平均值。
-
新手如何开始学深度学习?别着急,看看别人走过的路先
很多人问我如何开始机器学习和深度学习。在这里,我整理了一个我使用过的资源列表,以及我第一次学习深度学习时所走过的路。
-
高斯,数据科学家最爱的男人
要问数据科学家最爱的女人是谁,这个问题很难,大家可能说出无数个答案,但是如果要问数据科学家最爱的男人是谁,那么回答就容易多了,毫无疑问就是高斯
-
在深度学习中,必须要懂的4个信息论的概念
信息论是对深度学习和人工智能做出重要贡献的一个重要领域,但很多人对信息论知之甚少。信息论可以看作是深度学习的基本组成部分:微积分、概率和统计学的复杂组合。
-
机器学习中数据清洗的艺术
数据清洗是大数据处理的第一步,很多同学对这一步感到没有头绪,不知道哪些该清洗掉,哪些不该,看看这篇文章,是不是能有点启发?
-
数据科学家为什么这么贵?
数据科学家为什么这么贵?这篇文章通过一些统计数据告诉你为什么
-
2019MIT深度学习基础课程:简介以及TensorFlow案例概要
2019的MIT的最新深度学习教程,内容包括神经网络解决计算机视觉、自然语言处理、游戏、自动驾驶、机器人等领域问题的基础知识。来一睹为快吧!
-
AI从业人员需要掌握的10大算法
这10个算法(方法)可以说是目前深度学习中非常基础和出镜率非常高的算法和方法,关键是非常的有效,一起来看看吧!
-
你训练的神经网络不对头的37个原因
大家都遇到过这种情况,训练的时候没什么问题,测试的时候就不对劲了,想找问题,感觉无处入手,那么今天,给你37个建议,看看再说吧。
-
卷积神经网络感受野计算指南
感受野可能是卷积神经网络(CNNs)中最重要的概念之一,值得更多的关注。
-
卷积神经网络图像分类技巧,论文讨论
这篇文章是对Bag of Tricks for Image Classification with Convolutional Neural Networks中分享的思想的概述和我自己的一点思考。
-
归一化 vs 标准化 定量的分析
不要再用sklearn中的StandarScaler作为默认的特征缩放方法了,别的方法可以给你7%的准确率提升!
-
新手数据科学家最容易踩的5个坑,来看看你有没有中招
新手数据科学家最容易踩的5个坑,来看看你有没有中招