Datawhale开源学习

(github标星9200+)《南瓜书》：周志华《机器学习》的代码实现

有个非盈利的开源学习组织Datawhale开源了一个github仓库：“南瓜书(PumpkinBook)”，对《机器学习》（西瓜书）里比较难理解的公式加以解析，以及对部分公式补充具体的推导细节。
风度78·2022-03-16 07:36

【机器学习】机器学习的学习经验总结！

作者：王茂霖，华中科技大学，Datawhale成员本文分享了机器学习概念，学习路线和知识体系，希望帮助大家更好地入门机器学习。
风度78·2022-03-16 07:36

从绩点 1.8 逆袭的复旦博士，华为天才少年！

Datawhale干货内容：复旦大学林田，编辑：募格学术要说起华为「天才少年」，毕业即拿百万年薪，那话题度可以直接拉满。这不，2022年首个公开亮相的华为天才少年来了。
Datawhale·2022-03-15 10:31

最新开源的目标检测算法来了！

Datawhale开源方向：目标检测开源项目说到目标检测，那可谓当前的自动驾驶、新零售、智慧工业等热门行业中的关键技术之一。
Datawhale·2022-03-15 07:00

python高阶函数心得体会_Python高阶函数使用总结

Datawhale干货作者：皮钱超，厦门大学，Datawhale原创作者本文约2000字，建议阅读6分钟审稿人：耿远昊，Datawhale成员，华东师范大学，开源教程《Joyful-Pandas》核心贡献者
喵鱼酱·2022-03-13 14:53

我的Pandas学习经历及动手实践

Datawhale干货作者：吴忠强，东北大学，Datawhale成员想入门人工智能或者数据分析，要重视可以快速上手的学习技能：掌握一些基本概念，建立一个知识框架，然后就去实战，在实战中学习新知识，来填充这个框架
Datawhale·2022-03-09 08:03

【分布式系列01期】常见的分布式ID生成方案浅析及大厂方案调研

本文已收录到1.4K+Star数的开源学习指南—《大厂面试指北》，如果想要了解更多，可以访问Github项目主页：https://github.com/NotFound9/interviewGuide在日常的业务开发中
Not_Found9·2022-03-03 13:29

金融风控评分卡建模全流程！

↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale干货作者：桔了个仔，南洋理工大学，数据科学家知乎丨https://zhuanlan.zhihu.com/p/148102950
Datawhale·2022-03-03 07:12

国内顶级赛事CCF BDCI即将开赛！

Datawhale赛事主办单位：中国计算机学会近年来，随着大数据与人工智能技术的发展，数据竞赛以迅猛之势进入大众视野。
Datawhale·2022-02-26 07:16

Task5 基于深度学习的文本分类2

地址：https://github.com/datawhalechina/team-learning-nlp/blob/master/NewsTextClassification/Task5%20%E5%
黑乎乎AI·2022-02-22 03:30

【AI自学】 完备的 AI 学习路线，最详细的资源整理！

【导读】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、强化学习、前沿
湾区人工智能·2022-02-21 22:26

DataWhale：SQL-TASK06

练习1各部门工资最高的员工CREATETABLEEmployee(IdINTEGERNOTNULL,NameVARCHAR(50),SalaryINTEGERNOTNULL,DepartmentIdINTEGERNOTNULL,PRIMARYKEY(Id));STARTTRANSACTION;INSERTINTOEmployeeVALUES(1,'Joe',70000,1);INSERTINTOE
张边城·2022-02-18 21:50

全球人工智能技术创新大赛【热身赛一】布匹疵点智能识别Baseline

spm=5176.12281949.1003.16.493e8f15PPTpkVbaseline地址：https://github.com/datawhalechina/team-learning-cv
听城·2022-02-16 22:40

Datawhale 计算机视觉基础-图像处理（下）-Task03 Haar特征描述算子-人脸检测

1、积分图1.1、积分图的概念在获取了矩形特征后，要计算矩形特征的值，Viola等人提出了利用积分图求特征值的方法。积分图的概念可用下图表示：坐标A(x,y)的积分图是其左上角的所有像素之和（图中的阴影部分）。定义为：图片.png其中ii(x,y)表示积分图，i(x,y)表示原始图像，对于彩色图像，是此点的颜色值；对于灰度图像，是其灰度值，范围为0~255。图片.png在上图中，A(x,y)表示点
蔓藤树下的甜蜜·2022-02-16 16:58

Task4 基于深度学习的文本分类1

地址：https://github.com/datawhalechina/team-learning-nlp/blob/master/NewsTextClassification/Task4%20%E5%
黑乎乎AI·2022-02-14 12:12

DataWhale组队学习：SQL-TASK02

1、select用法（略）2、where用法（略）3、关于*和DISTINCTselect*fromtable1wherecolumn1='certain';selectdistinctcolumn1fromtable1wherecolumn1='certain'4、COUNT(*)会得到包含NULL的数据行数，而COUNT()会得到NULL之外的数据行数。5、MAX/MIN函数几乎适用于所有数据
emmmmeee·2022-02-12 04:07

Datawhale 计算机视觉基础-图像处理（下）-Task04 HOG特征描述算子-行人检测

1、HOG特征方向梯度直方图（HistogramofOrientedGrandient,HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构建特征。HOG特征结合SVM分类器已经广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。HOG特征是一种图像局部特征，其基本思路是对图像局部的梯度幅值和方向进行投票统计，形成基于梯度特性
蔓藤树下的甜蜜·2022-02-11 21:35

Datawhale 知识图谱组队学习 Task 1 知识图谱介绍

知识图谱（KnowledgeGraph）以结构化的形式描述客观世界中概念、实体及其之间的关系，将互联网的信息表达成更接近人类认知世界的形式，供了一种更好地组织、管理和理解互联网海量信息的能力。知识图谱给互联网语义搜索带来了活力，同时也在智能问答中显示出强大威力，已经成为互联网知识驱动的智能应用的基础设施。知识图谱的研究背景定义知识图谱是结构化的语义知识库，用于以符号形式描述物理世界中的概念及其相互
听城·2022-02-09 22:45

关键点检测项目代码开源了！

作者：闫永强，算法工程师，Datawhale成员本文通过自建手势数据集，利用YOLOv5s检测，然后通过开源数据集训练squeezenet进行手部关键点预测，最后通过指间的夹角算法来判断具体的手势，并显示出来
·2022-02-09 11:59

数据挖掘组队学习之数据分析

同DataWhale一起组队学习：https://tianchi.aliyun.com/notebook-ai/detail?
612twilight·2022-02-06 12:10

Datawhale 知识图谱组队学习 Task 2 基于医疗知识图谱的问答系统操作介绍

该部分的具体讲解将在[Datawhale知识图谱组队学习Task3Neo4j图数据库导入数据进行介绍；第二部分：启动问答测试。
听城·2022-02-06 10:18

Datawhale 知识图谱组队学习 Task 1 Neo4J介绍与基本使用

知识图谱由于其数据包含实体、属性、关系等，常见的关系型数据库诸如MySQL之类不能很好的体现数据的这些特点，因此知识图谱数据的存储一般是采用图数据库（GraphDatabases）。而Neo4j是其中最为常见的图数据库。安装JDKhttps://www.injdk.cn/，根据自己需求下载，注意：社区版4.2.2需要jdk版本为jdk11JDK下载安装完成中选择将其添加到PATH安装完成后在命令行
听城·2022-02-06 04:27

天池&Datawhale--零基础入门数据挖掘 Task1&Task2

一、赛题理解1、赛题题目：零基础入门数据挖掘-二手车交易价格预测2、赛题概况训练集：15万条测试集A：5万条测试集B：5万条特征+标签（包括15个显著特征和15个匿名特征）SaleID-销售样本IDname-汽车编码regDate-汽车注册时间model-车型编码brand-品牌bodyType-车身类型fuelType-燃油类型gearbox-变速箱power-汽车功率kilometer-汽车行
吴旭东_1113·2022-02-06 02:50

DataWhale组对学习之知识图谱task02

参考datawhale开源组织:https://github.com/datawhalechina/team-learning-nlp/blob/master/KnowledgeGraph_Basic/
YANJINING·2022-02-05 22:24

优先队列基础知识

碰巧Datawhale在新的一期组队学习中组织了数据结构与算法的课程学习。
hello_JeremyWang·2022-02-04 16:25

队列基础知识

碰巧Datawhale在新的一期组队学习中组织了数据结构与算法的课程学习。
hello_JeremyWang·2022-02-04 16:25

数组双指针和数组窗口

碰巧Datawhale在新的一期组队学习中组织了数据结构与算法的课程学习。
hello_JeremyWang·2022-02-04 16:24

DataWhale组队学习之知识图谱task05

参考datawhale开源组织:https://github.com/datawhalechina/team-learning-nlp/blob/master/KnowledgeGraph_Basic/
YANJINING·2022-02-03 15:59

我用YOLOv5做情感识别！

作者：陈信达，上海科技大学，Datawhale成员AI技术已经应用到了我们生活中的方方面面，而目标检测是其中应用最广泛的算法之一，疫情测温仪器、巡检机器人、甚至何同学的airdesk中都有目标检测算法的影子
·2022-01-24 14:57

技术博客丨我用深度学习做个视觉AI微型处理器！

作者：张强，Datawhale成员讲多了算法，如何真正将算法应用到产品领域？本文将带你从0用深度学习打造一个视觉AI的微型处理器。
·2021-12-30 16:53

通俗讲解强化学习！

Datawhale干货作者：知乎KingJames，伦敦国王大学知乎｜https://www.zhihu.com/people/xu-xiu-jian-33前言：强化学习这个概念是2017年AlphaGo
Datawhale·2021-12-06 21:43

小白也能通俗易懂的联邦学习！

Datawhale干货作者：知乎KingJames，伦敦国王大学知乎｜https://www.zhihu.com/people/xu-xiu-jian-33前言：联邦学习是近些年研究非常热门的领域，目前在工业界很多领域已经落地应用了
Datawhale·2021-12-05 22:00

动手实践系列：CV语义分割！

Datawhale干货作者：游璐颖，福州大学，Datawhale成员图像分割是计算机视觉中除了分类和检测外的另一项基本任务，它意味着要将图片根据内容分割成不同的块。
Datawhale·2021-12-04 21:00

Python数据分析：从0完成一个数据分析实战（1天）Task04

Python数据分析：从0完成一个数据分析实战（1天）Task041、赛前准备1.1前言本次赛事由开源学习组织Datawhale主办，主要带领学习者利用Python进行数据分析以及数据可视化，包含数据集的处理
CharlesDavid_coder·2021-12-03 17:37

为什么要研究游戏AI呢？

↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale干货作者：叶鑫，伦敦大学玛丽女王学院，Datawhale成员AI作为时下计算机算法的超级巨星，在例如CV、NLP、语音
Datawhale·2021-11-20 21:00

DataWhale——机器学习常用算法总结

机器学习笔记一级目录机器学习定义分类学派分类按照学习方式分类业务领域分类学习步骤学习技巧学习轮次任务按照模型来分机器学习开发流程数据集常见数据集误差分析泛化误差分析欠拟合：高偏差低方差过拟合：低偏差高方差交叉验证线性回归逻辑回归支持向量机遇事不决就加核决策树随机森林无监督学习聚类kmeans均值漂移（不需要指定聚类数）层次聚类密度聚类混合高斯聚类AP(近邻传播算法affinitypropagati
小陈phd·2021-11-18 12:48

我在交大的数学建模经验！

Datawhale干货作者：白志威，上海交通大学，吴文俊班内容概括1.数学建模介绍2.如何学习数学建模（含资料推荐）3.数模给我带来的收获数学建模介绍在了解什么是数学建模之前，我们可以先理解数学建模的意义
Datawhale·2021-11-17 21:00

DataWhale——人工智能、机器学习与深度学习绪论

人工智能、机器学习与深度学习人工智能定义人工智能历史机器学习分类，按照监督方式深度学习主要应用数学基础张量基本知识矩阵的秩：矩阵的逆矩阵的广义逆矩阵矩阵分解矩阵特征分解常见的概率分布二项分布均匀分布高斯分布***指数分布多变量概率分布条件概率联合概率条件概率和联合概率的关系贝叶斯公式（重点掌握）常用统计量信息论熵(Entropy)联合熵条件熵互信息KL散度，相对熵交叉熵最小二乘估计人工智能定义个人
小陈phd·2021-11-17 10:26

linux基础（一）

这次跟着coggle的开源学习路径梳理一下，巩固基础。也许你会问，数分还需要掌握这些么？
·2021-11-16 15:02

UnusualDeepLearning-task1

task1绪论与深度学习概述、数学基础(Datawhale31期组队学习)文章目录task1绪论与深度学习概述、数学基础基础点知识点1人工智能、机器学习与深度学习1.1人工智能1.2机器学习2深度学习的定义和主要应用
yxyibb·2021-11-15 15:30

2021数据挖掘赛题方案来了！

Datawhale干货作者：阿水，北京航空航天大学，Datawhale成员本文以世界人工智能创新大赛（AIWIN）心电图智能诊断竞赛为实践背景，给出了数据挖掘实践的常见思路和流程。
Datawhale·2021-11-14 21:00

转载：一文讲解图像插值算法原理

最近在研究插值算法，看到这篇CSDN博主Datawhale学习介绍的博文，觉得介绍得挺不错，转载过来。
LaoYuanPython·2021-11-05 08:31

【DataWhale组队学习】吃瓜教程(西瓜书+南瓜书)Task04-激活函数

本次任务是周志华老师《机器学习》第五章神经网络的内容，重点学习了前三个小节。学习过程中发现西瓜书对于神经网络激活函数的内容并未涉及太多，于是结合邱锡鹏老师的《神经网络与深度学习》第四章前馈神经网络的部分也进行了学习。下面对激活函数的学习结果进行大致的整理。一、激活函数的性质1.连续并可导（允许少数点上不可导）的非线性函数可导的激活函数可以直接利用数值优化的方法来学习网络参数。2.激活函数及其导函数
哒卜琉歪歪·2021-10-25 23:02

【DataWhale组队学习】吃瓜教程(西瓜书+南瓜书)Task03-香农信息量与信息熵

本次任务是周志华老师《机器学习》第四章决策的内容，该部分在本科也有过简单接触，研一机器学习课上也进行了系统的学习，下面对决策树所涉及的基础知识——香农信息量与信息熵进行整理。香农信息量假设p是连续型随机变量X的概率分布，p(x)为随机变量X在X=x处的概率密度函数值（若X为离散型，则p(x)为某一具体随机事件的概率），则随机变量X在X=x处的香农信息量定义为：单位为比特（向上取整）。香农信息量用于
哒卜琉歪歪·2021-10-24 23:40

DataWhale-树模型与集成学习-Task04-集成模式-202110

partB：集成模式：4.两种并行集成的树模型一、练习题1.练习题1解答：均方误差RMSE是预测值与真实值得误差平方根的均值。r2_score方法是将预测值和只使用均值的情况下相比，看能好多少。当量纲不同时，r2_score更容易衡量模型的效果好坏。2.练习题2解答：没有影响，因为只是对应位置上的值相减，和位置的顺序没有关系。二、知识回顾4.什么是随机森林的oob得分？解答：随机森林由于每一个基学
JZT2015·2021-10-24 23:56

2021科大讯飞-车辆贷款违约预测赛事 Top1方案！

↑↑↑关注后"星标"Datawhale每日干货&每月组队学习，不错过Datawhale干货作者：望尼玛，浙江大学，Datawhale优秀选手知乎｜https://www.zhihu.com/people
Datawhale·2021-10-21 21:00

Pytorch实战（1）

需要指出的是，本文第一部分的文字和代码完全来自于Datawhale团队（深入浅出Pytorch），感谢~~第二部分是自己独立搭建的第一个小的网络模型。
hello_JeremyWang·2021-10-20 20:07

【DataWhale组队学习】吃瓜教程(西瓜书+南瓜书)Task02-心得感想

线性模型在本科阶段已经学了至少七遍了，几乎每门课都会讲到线性回归，虽然每次学习都或多或少有新的收获，但每次学习内容都大同小异。西瓜书本章节内容从广度和深度上都对线性模型有了新的拓展，学完后发现这一章融汇了多种知识去呈现线性模型，每种方法都殊途同归。本章学习主要跟着B站视频【吃瓜教程】《机器学习公式详解》(南瓜书)与西瓜书公式推导进行学习（安利一下，阿婆讲的真的很好！），以下是Task02任务进行中
哒卜琉歪歪·2021-10-18 23:49

DataWhale-树模型与集成学习-Task01-决策树-202110

一、练习题1.练习01解答：(1)(2)结合可以得到(3)通过上面已经得到的公式，很容易证明(4)H(X)对应AUB,H(Y)对应BUC,H(X|Y)对应A,H(Y|X)对应C,H(Y,X)对应AUBUC,G(Y,X)对应B2.练习02【练习】假设当前我们需要处理一个分类问题，请问对输入特征进行归一化会对树模型的类别输出产生影响吗？请解释原因。解答：不会，因为归一化处理不会改变样本输入特征和样本标
JZT2015·2021-10-14 21:35

Task 01：决策树（上）打卡（学习内容简单总结+课后题自解

Task1：学习链接：PartA:决策树—Datawhale(datawhalechina.github.io)学习到的知识：从信息论中引入信息熵，此作为判断节点不纯度，通过分裂来降低子节点的平均不纯度
小果一粒沙·2021-10-14 20:40
上一页 28 29 30 31 32 33 34 35 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他