请您勇敢地去翻译和改进翻译。虽然我们追求卓越，但我们并不要求您做到十全十美，因此请不要担心因为翻译上犯错——在大部分情况下，我们的服务器已经记录所有的翻译，因此您不必担心会因为您的失误遭到无法挽回的破坏。（改编自维基百科）

Note: 赛场一“数字人体”挑战赛以肺部CT多病种智能诊断为课题，开放高质量CT标注数据，要求选手提出并综合运用目标检测、深度学习等人工智能算法，识别肺结节、索条（条索状影）、动脉硬化或钙化、淋巴结钙化等多个病种，避免同一部位单病种的反复筛查，提高检测的速度和精度，辅助医生进行诊断。

欢迎大家在我们平台上投放广告。如果你希望在我们的专栏、文档或邮件中投放广告，请准备好各种尺寸的图片和专属链接，联系咸鱼（1034616238）。

【导读】 关于机器学习的学习资料从经典书籍、免费公开课到开源项目应有尽有，可谓是太丰富啦，给学习者提供了极大的便利。但网上比比皆是的学习资料大部分都是英文材料，这可难倒了英语不好的学习者，单词不认识，理解不到位。小编不禁想问：就真的就没办法了嘛。其实也不尽然，中文还是有一些不错的学习资料的，像周志...

在这段时间里： 这些已有的项目即将完结，为所有贡献者点个赞： PyTorch 1.0 中文文档 Seaborn 0.9 中文文档 Impatient JavaScript 中文版 OpenCV 4.0 中文文档 UCB CS61b 课本：Java 中的数据结构 百页机器学习小书 我们又新开设了一些翻译项目： Scrapy 1.6 中文文档 Numba 0.44 中文文档 Cython 3.0 中文文档 UIUC CS...

来源：知乎问题『如何评价 ApacheCN ？』 StarSky： 造福初学者，业内人应该是看不上的 张一极： 如果这么一群人如此自发的努力不够珍贵,那该怎样纯粹的亮光,才能照亮那些不知珍贵为何物的人. 冇冇： 我只想看片刻女装 （有什么奇怪的东西混进来了） 周湘斌： 这个组织有很多给力优秀的大佬，利用私人时间大量无偿帮助了...

欢迎大家在我们平台上投放广告。如果你希望在我们的专栏、文档或邮件中投放广告，请准备好各种尺寸的图片和专属链接，联系咸鱼（QQ 1034616238）。

首先回顾一下上一个计划的完成情况，除了筹集赞助都完成得很好。实话说，很多 AI 独角兽（见『2019 年人工智能行业又进入冬天了吗？』），互联网创业公司，绝大多数开源社区（见『Redis 作者 antirez：开源维护者的挣扎』）都没有很好的商业模式，我不相信我们能这么快解决，慢慢找吧。

欢迎大家在我们平台上投放广告。如果你希望在我们的专栏、文档或邮件中投放广告，请准备好各种尺寸的图片和专属链接，联系咸鱼（QQ 1034616238）。

Datawhale暑期组队学习计划 马上就要开始啦 这次共组织15个组队学习 涵盖了AI领域从理论知识到动手实践的内容 按照下面给出的最完备学习路线分类 难度系数分为低、中、高三档 可以按照需要参加 学习路线 基础知识 1 Python基础 课程简介 课程设计：马晶敏，叶梁 组队学习说明：学习python基础知识，针对python小白的学习...

欢迎大家在我们平台上投放广告。如果你希望在我们的专栏、文档或邮件中投放广告，请准备好各种尺寸的图片和专属链接，联系咸鱼（QQ 1034616238）。

请您勇敢地去翻译和改进翻译。虽然我们追求卓越，但我们并不要求您做到十全十美，因此请不要担心因为翻译上犯错——在大部分情况下，我们的服务器已经记录所有的翻译，因此您不必担心会因为您的失误遭到无法挽回的破坏。（改编自维基百科）

自编码器（AE）及其变体被广泛用于无监督学习 [74]，它适用于学习没有监督信息的图节点表示。 在本节中，我们将首先介绍图自编码器，然后转向图变分自编码器和其他改进。表 4 总结了所调查的 GAE 的主要特征。

ApacheCN 优质博文推荐计划正式启动 接受以下主题的博文： 人工智能（论文解读，比赛心得，面经，知识点讲解） 环材化生劝退 CS 留学申请，IT 外企求职 每日从所有投稿中精选两篇，在 ApacheCN 全公众平台推送。 请在 apachecn/awesome-article-recomm 仓库新建 Issue，按以下格式填写： 博文地址 是否为个人原创 投稿推...

请您勇敢地去翻译和改进翻译。虽然我们追求卓越，但我们并不要求您做到十全十美，因此请不要担心因为翻译上犯错——在大部分情况下，我们的服务器已经记录所有的翻译，因此您不必担心会因为您的失误遭到无法挽回的破坏。（改编自维基百科）

请您勇敢地去翻译和改进翻译。虽然我们追求卓越，但我们并不要求您做到十全十美，因此请不要担心因为翻译上犯错——在大部分情况下，我们的服务器已经记录所有的翻译，因此您不必担心会因为您的失误遭到无法挽回的破坏。（改编自维基百科）

请您勇敢地去翻译和改进翻译。虽然我们追求卓越，但我们并不要求您做到十全十美，因此请不要担心因为翻译上犯错——在大部分情况下，我们的服务器已经记录所有的翻译，因此您不必担心会因为您的失误遭到无法挽回的破坏。（改编自维基百科）

请您勇敢地去翻译和改进翻译。虽然我们追求卓越，但我们并不要求您做到十全十美，因此请不要担心因为翻译上犯错——在大部分情况下，我们的服务器已经记录所有的翻译，因此您不必担心会因为您的失误遭到无法挽回的破坏。（改编自维基百科）

摘要在短短三年内，变分自编码器（VAE）已经成为复杂分布的无监督学习的最流行的方法之一。 VAE 很有吸引力，因为它们建立在标准函数近似器（神经网络）之上，并且可以用随机梯度下降进行训练。 VAE 已经展示出产生多种复杂数据的希望，包括手写数字 [1, 2]，面部 [1, 3, 4] ，门牌号 [5, 6]，CIFAR 图像 [6]，场景物理...

欢迎大家在我们平台上投放广告。如果你希望在我们的专栏、文档或邮件中投放广告，请准备好各种尺寸的图片和专属链接，联系咸鱼（QQ 1034616238）。

经过我们几天的调查，结论如下： 这些代码派生于仓库 KrisYu/LeetCode-CLRS-Python，并且到目前为止，KrisYu 仍然是主要贡献者（但奇怪的是，他的名字没出现在任何一个代码中）。 我们获取了 KrisYu 的授权，但没有明确提出用于商用。 Lisanaaa 是主要维护者之一，他复制粘贴了大量代码，所以贡献视图里他是最多的。 我...

包含 Spring 系列文档（Spring, Spring Boot, Spring Cloud, Spring Security, Spring Session），大数据（Apache Hive, HBase, Apache Flume），日志（Log4j2, Logback），Http Server（NGINX，Apache），Python，数据库（OpenTSDB，MySQL，PostgreSQL）等最新官方文档以及对应的中文翻译。

让我们首先正式定义异构文本网络上的预测性文本嵌入的问题。 与无监督的文本嵌入方法（包括学习文本的一般语义表示的 Skip-gram 和段落向量）相比，我们的目标是学习为给定文本分类任务优化的文本表示。 换句话说，我们预期文本嵌入对给定任务具有强大的预测性表现力。 基本思想是在学习文本嵌入时合并有标签和无标签的...

几个月前，红色石头发文介绍过一份在 GitHub 上非常火爆的项目，名为：DeepLearning-500-questions，中文译名：深度学习 500 问。作者是川大的一名优秀毕业生谈继勇。该项目以深度学习面试问答形式，收集了 500 个问题和答案。内容涉及了常用的概率知识、线性代数、机器学习、深度学习、计算机视觉等热点问题。

转自Datawhale，图文 | 蜉蝣 一、我是小白，怎么开始修炼之路？ 1.如何开始学习AI知识 有目标的学习，从项目，从试验场景中找解决问题的方法，以实现某个问题为导向去学习。 2.如何入门 Just Do it！ 找到自己的目标 我想做pm，就从excel入手，学一些python数据统计知识，积累一些数据统计技能。 我想做数据分析师、大数...

作者：CodeWithZhangYi Ummm....上面这张图好像变成了我的[说正事」专用图，下次试试其他的样式或者画风，也欢迎大家投稿呀！ Hi，大家好！这里是 ZhangYi。 除了断斯续续更新课程之外，好久没有跟大家分享和讨论 Girls-In-AI（下面简称 GIA）的未来发展路线了。（其实一开始我也没想到会有一呼百应甚至一呼千应的反响，...

GirlsInAI（GIA） 是一个面向编程 零基础 的AI算法工程师养成计划。鼓励更多的女孩子去学习编程甚至成为科技行业的领袖。希望大家都能站在食物链上游看一看，因为风景真的很好。入门帖：如何成为一名AI算法工程师

内容来自 DataSciComp，人工智能/数据科学比赛整理平台。Github：iphysresearch/DataSciComp 本项目由 ApacheCN 强力支持。 微博 | 知乎 | CSDN | 简书 | OSChina | 博客园 Data Science for Good: CareerVillage.org [链接] Feb 26th - April 30th, 2019 // Host by Kaggle // Prize: $15,000 Note: Match career advic...

欢迎大家在我们平台上投放广告。如果你希望在我们的专栏、文档或邮件中投放广告，请准备好各种尺寸的图片和专属链接，联系咸鱼（QQ 1034616238）。

我们将网络中的特征学习表示为最大似然优化问题。 设G = (V, E)为给定网络。 我们的分析是通用的，适用于任何有向（无向）的带权（无权）网络。 设f: V -> R^d是从节点到特征表示的映射函数，我们的目标是为下游预测任务学习它。 这里d是指定我们的特征表示的维数的参数。 等价地，f是大小|V|×d的参数矩阵 。 对于每...