连续分级概率评分（Continuous Ranked Probability Score, CRPS）或“连续概率排位分数”是一个函数或统计量，可以将分布预测与真实值进行比较。

DeepTime，是一个结合使用元学习的深度时间指数模型。通过使用元学习公式来预测未来，以应对时间序列中的常见问题（协变量偏移和条件分布偏移——非平稳）。该模型是时间序列预测的元学习公式协同作用的一个很好的例子。

语音识别是人工智能中的一个领域，它允许计算机理解人类语音并将其转换为文本。该技术用于 Alexa 和各种聊天机器人应用程序等设备。而我们最常见的就是语音转录，语音转录可以语音转换为文字记录或字幕。

在开发过程中，我很确定我们大多数人都会想知道这一点，而且通常情况下存在开发空间。在本文中总结了一些方法来监控 Python 代码的时间和内存使用情况。

卷积神经网络(CNN)是解决图像分类、分割、目标检测等任务的流行模型。本文将CNN应用于解决简单的二维路径规划问题。主要使用Python, PyTorch, NumPy和OpenCV。

Pandas 是数据科学社区中使用最广泛的库之一，它是一个强大的工具，可以进行数据操作、清理和分析。本文将提供最常用的 Pandas 函数以及如何实际使用它们的样例。我们将涵盖从基本数据操作到高级数据分析技术的所有内容，到本文结束时，你会深入了解如何使用 Pandas 并使数据科学工作流程更高效。

本文是关于如何使用cuda和Stable-Diffusion生成视频的完整指南，将使用cuda来加速视频生成，并且可以使用Kaggle的TESLA GPU来免费执行我们的模型。

目前流行的强化学习算法包括 Q-learning、SARSA、DDPG、A2C、PPO、DQN 和 TRPO。 这些算法已被用于在游戏、机器人和决策制定等各种应用中，并且这些流行的算法还在不断发展和改进，本文我们将对其做一个简单的介绍。

OpenAI 于 2022 年 11 月下旬推出的 ChatGPT 在网络世界引起了不小的轰动。它不仅引起了社交媒体用户的关注，也引起了各大媒体的关注。

对时间序列进行分类是应用机器和深度学习模型的常见任务之一。本篇文章将涵盖 8 种类型的时间序列分类方法。这包括从简单的基于距离或间隔的方法到使用深度神经网络的方法。这篇文章旨在作为所有时间序列分类算法的参考文章。

在数学上，高斯噪声是一种通过向输入数据添加均值为零和标准差(σ)的正态分布随机值而产生的噪声。 正态分布，也称为高斯分布，是一种连续概率分布，由其概率密度函数 (PDF) 定义：

2022年， Vision Transformer (ViT)成为卷积神经网络(cnn)的有力竞争对手，卷积神经网络目前是计算机视觉领域的最先进技术，广泛应用于许多图像识别应用。在计算效率和精度方面，ViT模型超过了目前最先进的(CNN)几乎四倍。

MLP-Mixer, ResMLP和gMLP，其架构与图像大小相关，因此在目标检测和分割中是无法使用的。而CycleMLP有两个优点。(1)可以处理各种大小的图像。(2)利用局部窗口实现了计算复杂度与图像大小的线性关系。

JupyterLab是 Jupyter Notebook「新」界面。它包含了jupyter notebook的所有功能，并升级增加了很多功能。它最大的更新是模块化的界面，可以在同一个窗口以标签的形式同时打开好几个文档，同时插件管理非常强大，使用起来要比jupyter notebook高大尚许多。

“You Only Learn One Representation: Unified Network for Multiple Tasks”2021/05, [链接]

YOLO V8已经在本月发布了，我们这篇文章的目的是对整个YOLO家族进行比较分析。了解架构的演变可以更好地知道哪些改进提高了性能，并且明确哪些版本是基于那些版本的改进，因为YOLO的版本和变体的命名是目前来说最乱的，希望看完这篇文章之后你能对整个家族有所了解。

在本文中，我将展示如何从神奇宝贝系列不同游戏中的Pokedex条目中获取神奇宝贝描述，并使用Stable Diffusion根据这些藐视生成图片，这样可以看看AI如何解释这些描述的。这篇文章中，我只生成了最初的150个神奇宝贝，如果需要其他的可以自行尝试。

基于文本提示的生成图像模型近年来取得了惊人的进展，这得益于新型的深度学习架构、先进的训练范式(如掩码建模)、大量图像-文本配对训练数据的日益可用，以及新的扩散和基于掩码的模型的发展。

2022年整个领域在几个不同的方面取得了进展，本文将尝试介绍一些在过去一年左右的时间里出现的更有前景和关键的论文，以及Flow Forecast [FF]预测框架。

联合学习 (FL) 是一种出色的 ML 方法，它使多个设备（例如物联网 (IoT) 设备）或计算机能够在模型训练完成时进行协作，而无需共享它们的数据。

扩散模型的兴起可以被视为人工智能生成艺术领域最近取得突破的主要因素。而稳定扩散模型的发展使得我们可以通过一个文本提示轻松地创建美妙的艺术插图。所以在本文中，我将解释它们是如何工作的。

TensorFlow和PyTorch是两个最受欢迎的开源深度学习框架，这两个框架都为构建和训练深度学习模型提供了广泛的功能，并已被研发社区广泛采用。但是作为用户，我们一直想知道哪种框架最适合我们自己特定项目，所以在本文与其他文章的特性的对比不同，我们将以实际应用出发，从性能、可伸缩性和其他高级特性方面比较TensorFl...

评估性能对预测模型的开发至关重要。交叉验证是一种流行的技术。但是在处理时间序列时，应该确保交叉验证处理了数据的时间依赖性质。在之前的文章中，我们也做过相应的介绍。

对于数据科学项目来说，我们一直都很关注模型的训练和表现，但是在实际工作中如何启动和运行我们的模型是模型上线的最后一步也是最重要的工作。今天我将通过一个简单的案例：部署一个PyTorch图像分类模型，介绍这个最重要的步骤。我们这里使用PyTorch和Flask。可以使用pip install torch和pip install flask安装这些包。...

数据可视化本身就是一种通用语言。我们这里通用语言的意思是：它能够向各行各业的人表示信息。它打破了语言和技术理解的障碍。数据是一些数字和文字的组合，但是可视化可以展示数据包含的信息。

就机器学习而言，音频本身是一个有广泛应用的完整的领域，包括语音识别、音乐分类和声音事件检测等等。传统上音频分类一直使用谱图分析和隐马尔可夫模型等方法，这些方法已被证明是有效的，但也有其局限性。近期VIT已经成为音频任务的一个有前途的替代品，OpenAI的Whisper就是一个很好的例子。

Pandas是Python中一个强大且流行的数据操作库，特别适合处理时间序列数据。它提供了一系列工具和函数可以轻松加载、操作和分析时间序列数据。

本文将比较各种降维技术在机器学习任务中对表格数据的有效性。我们将降维方法应用于数据集，并通过回归和分类分析评估其有效性。我们将降维方法应用于从与不同领域相关的 UCI 中获取的各种数据集。总共选择了 15 个数据集，其中 7 个将用于回归，8 个用于分类。

2022年随着聊天GPT和Mid - journey和Dall-E等图像生成器的流行，我们看到了整个人工智能领域的重大进展。在人工智能和计算机科学的时代，这是令人振奋的一年。本文我们总结了在2022年发表的最具开创性的10篇论文，无论如何你都应该看看。

PyTorch 2.0 于 2022 年 12 月上旬在 NeurIPS 2022 上发布，它新增的 torch.compile 组件引起了广泛关注，因为该组件声称比 PyTorch 的先前版本带来更大的计算速度提升。