DataWhale 第16页

【DW组队学习—吃瓜教程】task5：概览西瓜书+南瓜书第6章

参考资料：1、周志华《机器学习》2、B站up主‘二次元的Datawhale’《【吃瓜教程】《机器学习公式详解》（南瓜书）与西瓜书公式推导直播合集》

0_×·2022-12-30 10:13

Datawhale吃瓜教程Task5

参考资料：第6章-支持向量机_哔哩哔哩_bilibili第6章-软间隔与支持向量回归_哔哩哔哩_bilibili

丝竹青云·2022-12-30 10:33

Learn NLP with Transformer (Chapter 6)

BERT应用Task06BERT应用本次学习参照Datawhale开源学习：https://github.com/datawhalechina/learn-nlp-with-transformers内容大体源自原文

黑小板·2022-12-30 10:28

Tensorflow基础入门十大操作总结

↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale干货作者：李祖贤，Datawhale高校群成员，深圳大学TensorFlow是一个开源的、基于Python的机器学习框架

Datawhale·2022-12-30 08:09

我们做了一个智能零售结算平台

Datawhale分享作者：颜鑫，Datawhale成员目前在零售行业的实际运营过程中，会产生巨大的人力成本，例如导购、保洁、结算等，而其中，尤其需要花费大量的人力成本和时间成本在识别商品并对其进行价格结算的过程中

Datawhale·2022-12-30 07:06

【深度强化学习】6. Q-Learning技巧及其改进方案

【DataWhale打卡】第四次任务，主要是重新学习一下李宏毅的Q-learning部分的知识，推导很多。之前看的时候就是简单过了一遍，很多细节没有清楚。

*pprp*·2022-12-29 12:17

吴恩达最新采访！以数据为中心的原因

Datawhale干货编译：维克多、王晔，来源：AI科技评论吴恩达是人工智能（AI）和机器学习领域国际最权威的学者之一，最近一年里，他一直在提“以数据为中心的AI”，希望将大家的目光从以模型为中心转向以数据为中心

Datawhale·2022-12-28 18:21

Datawhale 图神经网络 Task01简单图论与环境配置与PyG库

1.简单图论用neo4j生成了一张图用以简单的了解图以及其背后的知识。首先，这张图有两种元素构成，节点和边，对应的就是实体和关系。然后节点油分为两类，一类是人，另一类是电影。图其实就是把语言以图的形式表现出来，重点是强调各个个体之间的关系，在这个万物互联的时代，图显得更加贴切实际了。自然而然的想到，图会包含节点属性，边属性，行走连同等等方面的特点，这都是为了充分考虑图的特性。当我们把自然语言或者实

Andrew_zjc·2022-12-28 17:09

零基础入门语义分割-地表建筑物识别 Task1 赛题理解 -学习笔记

比赛地址：零基础入门语义分割比赛-地表建筑物识别，该比赛是由天池和Datawhale联合举办的学习赛，进入比赛页面可以下载相关的数据集。学习任务：学习任务，查看学习任务，有层次递进的进行学习。

light-124·2022-12-28 15:07

深度学习撞墙了！

Datawhale干货编辑：机器之心早在2016年，Hinton就说过，我们不用再培养放射科医生了。如今几年过去，AI并没有取代任何一位放射科医生。问题出在哪儿？

Datawhale·2022-12-28 08:15

《机器学习》读书笔记2--线性模型

目录线性模型基本形式线性回归对数几率回归线性判别分析多分类学习类别不平衡问题ps.写在前面，本文是在参加datawhale组队学习，学习周志华老师的《机器学习》过程的学习笔记。

tiantizzz·2022-12-27 21:56

《机器学习》学习笔记（第3章线性模型）

《机器学习》学习笔记（第3章线性模型）参考资料：周志华《机器学习》以及Datawhale吃瓜教程机器学习三要素首先回顾一下直播课中概括的机器学习三要素：模型：根据具体问题，确定假设空间策略：根据评价标准

SongzeLiCEMA·2022-12-27 21:54

Numpy语法笔记（九）随机抽样

https://github.com/datawhalechina/team-learning-program/tree/master/IntroductionToNumpy随机抽样numpy.random

sunshinecxm_BJTU·2022-12-27 11:54

高校逐梦元宇宙，是风口还是噱头？

Datawhale干货来源：澎湃美数课编辑：李昊浩设计：王亚赛前言近日，Meta宣布裁员超11000人，被Meta寄予厚望的元宇宙平台HorizonWorlds月活用户不足20万，元宇宙开发部门2021

Datawhale·2022-12-27 11:16

easyRL学习笔记：强化学习基础

https://datawhalechina.github.io/easy-rl/#/chapter1/chapter1pipinstallgym配置开发环境https://book.douban.com

irrationality·2022-12-26 23:34

强化学习算法Q-learning学习

TCCCLY·2022-12-26 23:29

Day14-集成学习-机器学习-案例一：幸福感预测(DataWhale)

案例一：幸福感预测需要使用包括个体变量(性别、年龄、地域、职业、健康、婚姻与政治面貌等)、家庭变量(父母、配偶、子女、家庭资本)、社会态度(公平、信用、公共服务)等139个维度来预测其对幸福感的影响。1.基本信息数据信息维度：139个数据集：8000组预测值：(1,2,3,4,5)。1最低，5最高评价指标使用均方误差MSE，即Score=1n∑1n(yi−y∗)2Score=\frac{1}{n}

liying_tt·2022-12-26 14:20

机器学习笔记(第四章决策树)

机器学习（周志华著）Datawhale打卡第三天第四章决策树算法基本流程决策树是一种常见的机器学习算法。以二分类任务为例，算法从根节点开始，经过若干内部节点判断，到达某个叶子节点判定结果。如图所示。

猪里程·2022-12-26 04:18

图神经网络的解释性综述！

Datawhale干货来源：纪厚业，北京邮电大学，图与推荐编辑：数据派THU本文约1.5w字，干货满满，建议收藏本文对近期提出的GNN解释技术进行了系统的总结和分析，归纳对比了该问题的解决思路。

机器学习算法那些事·2022-12-25 21:21

【Datawhale组队学习Pytorch】Task03

【项目简介】PyTorch是利用深度学习进行数据科学研究的重要工具，在灵活性、可读性和性能上都具备相当的优势，近年来已成为学术界实现深度学习算法最常用的框架。考虑到PyTorch的学习兼具理论储备和动手训练，两手都要抓两手都要硬的特点，我们开发了《深入浅出PyTorch》课程，期望以组队学习的形式，帮助大家从入门到熟练掌握PyTorch工具，进而实现自己的深度学习算法。学习的先修要求是，会使用Py

听小瑜·2022-12-25 15:01

机器学习数学本质的理解

Datawhale干货作者：鄂维南院士，来源：科学智能AISI北京时间2022年7月8日晚上22:30，鄂维南院士在2022年的国际数学家大会上作一小时大会报告(plenarytalk)。

Datawhale·2022-12-25 15:51

数据分析——泰坦尼克号乘客数据集

数据分析——泰坦尼克号（五）第三章数学模型的建立和评估泰坦尼克号乘客数据：https://www.kaggle.com/c/titanic/overviewDatawhale开源课程：https://github.com

Compass_NULL·2022-12-25 10:06

【Datawhale学习笔记】Pytorch整体框架搭建入门——MNIST时装分类02

在上一篇文章中，有关利用Pytorch完成神经网络的模型搭建已经完成了。从整体流程来看，把神经网络的学习看作是1.数据预处理2.模型的设计3.损失函数以及优化方案设计4.前向传播5.反向传播6.更新参数这6个步骤，其实只完成了前2步。在这篇文章中，开始真正对模型的训练。第3步：损失函数以及优化方案设计机器学习和深度学习中针对任务目标（回归/分类）定义了损失函数，比如回归里的最小平方偏差MSD，多分

tigerwang29·2022-12-25 09:20

【Datawhale学习笔记】Pytorch整体框架搭建入门——MNIST时装分类01

神经网络的学习主要包含了以下几个过程：1.数据预处理2.模型的设计3.损失函数以及优化方案设计4.前向传播5.反向传播6.更新参数上述6点在我看来，前3点是体现了神经网络的设计艺术的——如果把神经网络的学习看作是人和机器的合作，那么前3点工作无疑是需要人工去完成的。在利用Pytorch编写神经网络代码时，前三点往往比较让我头大，特别是第一点！简直像是变形金刚一样，对着数据各种操作，最终把他们变成符

tigerwang29·2022-12-25 09:50

12个领域，55部分， AI 学习资源全整理

来源|Datawhale本文由知名开源平台，AI技术平台以及领域专家：Datawhale，ApacheCN，AI有道和黄海广博士联合整理贡献，内容涵盖AI入门基础知识、数据分析\挖掘、机器学习、深度学习

xinshucredit·2022-12-25 01:36

第27期 Datawhale 组队学习吃瓜教程——西瓜书+南瓜书第一章和第二章 / 周志华《机器学习》

摘要：本文是包含第一章和第二章的理论及推导内容说明：本次学习是基于西瓜书，南瓜书，及部分网上参考资料（链接会放在最后）目录摘要：本文是包含第一章和第二章的理论及推导内容说明：本次学习是基于西瓜书，南瓜书，及部分网上参考资料（链接会放在最后）第一章绪论1.1理论1.1.1基本术语1.1.2假设空间1.1.3版本空间1.1.4归纳偏好1.2理论推导第二章模型评估和选择2.1理论2.1.1经验差和过拟合

weixin_45856170·2022-12-24 14:47

[Datawhale组队学习|李宏毅机器学习]学习笔记03

本篇笔记包含学习章节：P5误差从哪来P6梯度下降P7梯度下降（用AOE演示）P8梯度下降（用Minecraft演示）目录一、误差的来源二、梯度下降（一）学习率的选择（1）手动调整（2)自适应学习率（3）Adagrad算法（4）随机梯度下降法（5）特征缩放（二）梯度下降法的数学基础（三）梯度下降的限制：局部最优一、误差的来源error来自于bias和variance。关于偏差和方差的认识可以从射箭的

喜欢皂粉·2022-12-24 14:16

【2021.07】datawhale组队学习李宏毅task03

文章目录误差的来源估测bias和variance估测估测x的偏差和方差评估x的偏差估测x的方差多个f不同模型的方差不同模型的偏差偏差v.s.方差误差来自方差还是偏差？偏差大-欠拟合方差大-过拟合模型选择交叉验证N-foldcrossvalidationgradientdescentadaptivelearningrateAdagrad是什么？Adagrad举例多参数下结论不一定成立进一步的解释随机

Mounvo·2022-12-24 14:10

DataWhale组队sklearn学习 -- K-Means

k-means用于无监督学习用于分类思想：我们假设相似的事物之间的距离也会比较近，即：“物以类聚，人以群分”的思想。因此对于给定的样本集，按照样本之间的距离，将样本集划分为k个簇。然后让簇内尽量紧密，簇间尽量距离大，从而实现分类。特点：优点思路比较简单实现简单聚类效果不错可解释性强缺点对于噪点很敏感。如果在远处有一个早点，那么簇中心的位置就可能有很大的偏移k值很难确定如果两个簇间的距离比较近，此时

小灰机大·2022-12-24 14:10

神经网络的可解释性综述！

↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale干货作者：机器学习小谈，来源：图灵人工智能地址｜https://zhuanlan.zhihu.com/p/368755357

Datawhale·2022-12-24 14:09

可解释机器学习发展和常见方法！

↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale干货来源：新智元，编辑：数据派THU本文约2000字，建议阅读5分钟本文介绍IML领域的历史，给出了最先进的可解释方法的概述

Datawhale·2022-12-24 14:09

Datawhale组队学习之集成学习——Task 6 Boosting

Datawhale组队学习之集成学习——Task6Boosting一、Boosting方法的基本思路二、Adaboost算法1、Adaboost基本原理2、使用sklearn对Adaboost算法进行建模三

Codewith_jing·2022-12-24 14:08

Datawhale组队学习之集成学习——Task3偏差和方差理论

Datawhale组队学习之集成学习——Task3偏差和方差理论前言一、优化基础模型1、训练均方误差与测试均方误差：2、偏差-方差的权衡：3、特征提取：4、压缩估计(正则化)：5、降维：6、示例二、对模型超参数进行调优

Codewith_jing·2022-12-24 14:38

四、GradCAM可解释性分析——可解释性机器学习（DataWhale组队学习）

目录CAM算法回顾CAM算法流程CAM算法的精妙之处CAM算法的缺点GradCAMGrad-CAM算法的优点：Grad-CAM算法的缺点：Grad-CAM算法的改进Grad-CAM++算法Score-CAM算法LayerCAM算法总结CAM算法回顾CAM算法流程输入原始图像，经过多层无池化的全卷积神经网络处理得到最后一层512个14×14的channel使用GAP对512个channel分别求平均

卡拉比丘流形·2022-12-24 14:07

datawhale-吃瓜教程-线性模型

datawhale-吃瓜教程-线性模型提示：这里可以添加系列文章的所有文章的目录，目录需要自己手动添加Task01：概览西瓜书+南瓜书第1、2章Task02：详读西瓜书+南瓜书第3章Task03：详读西瓜书

小740·2022-12-24 14:04

Datawhale吃瓜教程Task3

参考资料：【吃瓜教程】《机器学习公式详解》（南瓜书）与西瓜书公式推导直播合集_哔哩哔哩_bilibili

丝竹青云·2022-12-24 14:33

Datawhale 图神经网络task2

消息传递图神经网络引用自https://github.com/datawhalechina/team-learning-nlp/tree/master/GNN前面文章：图神经网络打卡task1一、引言在开篇中我们已经介绍

一个追逐自我的程序员·2022-12-24 12:59

DataWhale图网络学习（六）基于图神经网络的图表征学习方法

基于图神经网络的图表征学习方法1图同构网络理论1.1基于图同构网络的图表征学习1.2图同构和WLTest算法1.3判断图同构性的条件1.4关于图同构网络的总结：2图同构网络实现2.1基于图同构网络的图表征模块2.2基于图同构网络的节点嵌入模块（GINNodeEmbeddingModule）2.3GINConv--图同构卷积层2.4AtomEncoder与BondEncoder前边我们已经了解了图节

快乐星球小怪兽·2022-12-24 12:25

【算法竞赛学习】金融风控之贷款违约预测-赛题理解

项目地址：https://github.com/datawhalechina/team-learning-data-mining/tree/

jaeden_xu·2022-12-24 10:15

天池风控算法大赛来了！

Datawhale赛事主办方：阿里云、intel、ApacheFlink第三届ApacheFlink极客挑战赛暨AAIGCUP已在阿里云天池平台拉开帷幕。

Datawhale·2022-12-24 10:42

Datawhale - Hello Transformer

文章目录模型结构概览模型输入EncoderDecoder代码自己碰到的问题李宏毅老师的transformer讲解的非常细致，可以看这个视频入门模型结构概览模型输入EncoderDecoder代码#-*-coding:utf-8-*-"""transformer网络结构@author:[email protected]:http://nlp.s

代码小白QAQ·2022-12-24 01:44

【学习笔记】Datawhale零基础入门NLP赛事－－天池新闻文本分类－－Day2数据理解与数据分析

今日目标学习使用Pandas读取赛题数据分析赛题数据的分布规律了解PandasIntrotoPandasBasicConceptspandas是面向列的数据分析应用程序接口PrimaryDatastructure:dataframe&seriesseries:asinglecolumndataframe:containsoneormoreseriesloadanentirefileintoaDat

Raven and Time·2022-12-23 18:53

[datawhale 挑战赛打卡]零基础入门推荐系统 - 新闻推荐

赛题背景预测用户未来点击新闻文章为任务，根据用户历史浏览点击新闻文章的数据信息预测用户最后一次点击行为

就聊CRUD·2022-12-23 18:53

Datawhale 李宏毅机器学习 Task6

这期学习的主题是：卷积神经网络。百科上的解释：卷积神经网络（ConvolutionalNeuralNetworks,CNN）是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络。卷积神经网络一、为什么用CNN我们都知道CNN常常被用在影像处理上，如果你今天用CNN来做影

社区小萌新·2022-12-23 16:37

数据分析中的数据处理以及特征分析

主要讲述在数据处理及特征分析中利用到的pandas库中的功能，该文以Datawhale提供的资料以及网络搜集的资源整理而成，如有错误欢迎指正。

沈走天·2022-12-23 14:56

Day05-《西瓜书》-支持向量机(DataWhale)

六、支持向量机**来源：**https://www.bilibili.com/video/BV1Mh411e7VU?p=96.1间隔与支持向量训练样本集D={(x1,y1),(x2,y2),...,(xm,ym)},yi∈{−1,+1}D=\{(x_1,y_1),(x_2,y_2),...,(x_m,y_m)\},y_i\in\{-1,+1\}D={(x1,y1),(x2,y2),...,(xm,

liying_tt·2022-12-23 13:31

【Datawhale可解释性机器学习笔记】LIME

介绍LIME算法是MarcoTulioRibeiro2016年发表的论文《“WhyShouldITrustYou?”ExplainingthePredictionsofAnyClassiﬁer》中介绍的局部可解释性模型算法。该算法主要是用在文本类与图像类的模型中。论文地址WhyShouldITrustYou?”ExplainingthePredictionsofAnyClassiﬁer基本特征可解

JeffDingAI·2022-12-23 13:00

基于yolov5的工业缺陷检测方案

点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达Datawhale干货作者：limzero，西安交通大学，Datawhale原创作者比赛介绍工业缺陷检测是当前深度学习落地的热门项目

小白学视觉·2022-12-23 12:57

动手学数据分析-Task04：数据可视化

本学习笔记为Datewhale-7月组队学习-动手学数据分析的学习内容，学习链接为：https://github.com/datawhalechina/hands-on-data-analysis数据可视化前言一

weison（cv）·2022-12-23 11:14

【Python基础】手把手教你数据可视化！（附实例讲解）

点击上方“小白学视觉”，选择加"星标"或“置顶”重磅干货，第一时间送达作者：CrescentAI，华南理工大学，Datawhale优秀学习者前言本文对课程数据集及泰坦尼克号数据集进行了实例讲解，一步一步带你绘制数据可视化中常用的五种图形

小白学视觉·2022-12-23 11:13

推荐频道

DataWhale