机器学习解决方案-四-

机器学习解决方案（四）

原文：annas-archive.org/md5/b07f17bc9671b217e2992493907316c0

译者：飞龙

协议：CC BY-NC-SA 4.0

附录 A. 速查表列表

这个附录主要帮助你获取我们在这本书中使用的不同 Python 库的速查表。除此之外，我已经为每个应用程序提供了安装 Python 依赖项的信息。你可以在每个应用程序的 README 部分找到这些安装相关信息。

那么，让我们跳转到相关的速查表信息。

速查表

我已经将所有速查表放在 GitHub 上，你可以随时参考，根据需要使用。以下是我包括的速查表：

• 基本的 Linux 操作系统命令

• 数据科学领域的 Python

• NumPy

• scipy

• pandas

• flask

• scikitlearn

• TensorFlow

• Keras

• pyspark

• 重要的数学概念

• 可视化库：Bokeh 和 matplotlib

• Git 命令

如果你希望添加其他库的速查表，也可以提供宝贵的反馈。你可以通过加入这个 Slack 频道提出你的请求和问题：jalajthanaki.slack.com。

所有速查表都可以在这个 GitHub 链接中找到：github.com/jalajthanaki/cheat_sheets_of_python_libraries。

摘要

在这个附录中，我们看到了可以探索的速查表列表。每个章节的安装指南已经提供，可以在它们各自的 GitHub 仓库下的相应 README 文件中找到。除此之外，如果有人想要澄清疑问，他们可以加入提供的 Slack 频道。

在附录 B 中，我将涵盖如何制定有效的策略以赢得黑客马拉松的不同方面。我还想让你知道如何更新自己，因为目前，数据科学相关领域发展非常迅速。所以，大家继续阅读吧！

附录 B. 赢得黑客马拉松的策略

这个附录真的很有趣，因为在这里我们正在讨论两个重要的方面。这两个方面如下：

• 赢得黑客马拉松的策略

• 保持更新

那么，让我们开始吧。

赢得黑客马拉松的策略

如果你想赢得黑客马拉松或任何 Kaggle 竞赛，那么以下是一些需要记住的事情：

• 一旦遇到竞赛，就尽快开始。

• 正确地进行探索性数据分析。这真的会帮助你构建一个好的解决方案。

• 尝试在前五次迭代中实现一个基线模型。

• 通过查看公开和私人排行榜来跟踪自己的进度以及他人的进度。

• 尝试不同的方法，并保持创新。

• 在论坛上提出合适的问题，但不要浪费太多时间。

• 如果你觉得为了赢得比赛你需要组建一个团队，那么就邀请其他成员加入你。

• 当你组建团队时，这很重要。你需要至少在比赛截止日期前 15 天组建团队，这样你的团队就可以一起工作，并提出最佳的方法。

• 团队成员的选择也起着重要的作用。你应该与那些技能互补的人组队，这样你们就可以利用彼此的知识。

• 理解团队成员的解决方案，并深入讨论方法。

• 你的团队成员应该了解彼此的优缺点，这样合作起来就更容易。

• 你的团队应该讨论机会——这意味着，你需要讨论其他可能的方法，以便在可能的情况下尝试它们。

• 如果你输掉了比赛，不要气馁。下次更加努力，并学习这次出了什么问题。列出那些出错的事情，下次你不会犯那样的错误。尝试改进这些事情。你肯定会赢。

保持更新

数据科学和人工智能（AI）相关技术和应用发展迅速，因此你需要保持更新。更新自己的最佳方式是关注科技巨头的科研博客。社交媒体平台如 Twitter、LinkedIn 和 Slack 真的会帮助你。你必须知道该跟随谁，以便向他们提出合适的问题。成为你感兴趣的各个社区的成员。尝试探索一些 YouTube 频道。你还可以使用像 Udacity、Coursera 等教育平台。你还可以在 Quora 上做出贡献。成为开源项目的一部分。在 GitHub 上更新你的工作。你还应该阅读或订阅博客和新闻。以下是一些有助于你更新知识的博客：

• DataScienceCentral 网站

• Google 研究博客

• DeepMind 博客

• KDNuggets 网站博客

• Medium 网站

• www.kaggle.com/blog

• www.library.cornell.edu/

• arxiv.org/

摘要

在本附录中，我们讨论了一些可以帮助你理解与数据科学相关的黑客马拉松策略的技巧和窍门，并列出了一些真正有助于你的学习资源，以便你对人工智能领域的当前情况有一个大致的了解。记住，始终保持开放和好奇的心态去学习新事物，如果你知道些什么，那么就与他人分享你的知识。

第十二章：索引

A

• 抽象摘要

  • 关于 / 抽象摘要

• AdaBoost 算法

  • 关于 / AdaBoost

  • 参考链接 / AdaBoost

  • 参数 / AdaBoost

• 算法，基线模型

  • 多项式朴素贝叶斯 / 多项式朴素贝叶斯

  • C-支持向量机分类，带核 rbf / C-支持向量机分类，带核 rbf

  • C-支持向量机分类，带核线性 / C-支持向量机分类，带核线性

  • 线性支持向量机分类 / 线性支持向量机分类

• 对齐 / 对齐

• 亚马逊评论数据集

  • 关于 / 理解亚马逊评论数据集

  • 数据属性 / 理解亚马逊评论数据集

• apps.tsv

  • 关于 / apps.tsv

  • 用户 ID / apps.tsv

  • WindowsID / apps.tsv

  • 分割 / apps.tsv

  • 申请日期 / apps.tsv

  • 职位 ID / apps.tsv

• 曲线下面积 (AUC) / AUC

• 人工智能 (AI)

  • 参考链接 / 保持更新

• Atari 游戏机器人

  • 关于 / 基本 Atari 游戏机器人

• 属性，BX-Book-Ratings.csv

  • 用户 ID / BX-Book-Ratings.csv

  • ISBN / BX-Book-Ratings.csv

  • 书籍评分 / BX-Book-Ratings.csv

• 属性，BX-Books.csv

  • ISBN / BX-Books.csv

  • 书名 / BX-Books.csv

  • 书籍作者 / BX-Books.csv

  • 出版年份 / BX-Books.csv

  • 出版社 / BX-Books.csv

  • 图片 URL-S / BX-Books.csv

  • 图片 URL-M / BX-Books.csv

  • 图片 URL-L / BX-Books.csv

• 属性，BX-Users.csv

  • 用户 ID / BX-Users.csv

  • 位置 / BX-Users.csv

  • 年龄 / BX-Users.csv

• 属性，异常值

  • 不保证线的循环利用 / 不保证线的循环利用

  • 年龄 / 年龄, 30-59 天逾期次数不更糟

  • 债务比率 / 债务比率

  • 月收入 / 月收入, 开放信用额度贷款的属性数量，异常月收入

  • 数据值频率，分析 / 90 天逾期次数, 60-89 天逾期但未恶化次数

  • 值的频率 / 房地产贷款或信用额度数量

  • 数据点，频率值 / 受抚养人数

B

• bAbI 数据集，聊天机器人开发

  • 关于 / The bAbI dataset

  • 下载链接 / The bAbI dataset

  • (20) QA bAbI 任务 / The (20) QA bAbI tasks QA bAbI tasks")

• 基线方法

  • 问题 / 现有方法的问题, 基线方法的问题, 现有方法的问题

  • 优化 / 优化现有方法, 优化基线方法, 优化基线方法, 如何优化现有方法

  • 关键概念，用于优化 / 理解优化方法的关键概念

  • 构建 / 构建基线方法, 构建基线方法

  • 实现 / 实现基线方法, 实现基线方法, 实现最佳方法

  • 数据准备 / 数据准备

  • 探索性数据分析 (EDA) / 探索性数据分析 (EDA)")

  • 客户类别，生成 / 生成客户类别

  • 客户分类 / 分类客户

  • 客户，分类 / 分类客户

  • 测试矩阵 / 理解测试矩阵

  • 结果，测试 / 测试基准方法的结果, 测试基准方法的结果

  • 准确率分数，为分类器生成 / 为分类器生成准确率分数

  • 混淆矩阵，为分类器生成 / 为分类器生成混淆矩阵

  • 学习曲线，为分类器生成 / 为分类器生成学习曲线

  • 基本概念 / 理解基本概念

  • 推荐系统，架构 / 推荐系统架构

  • 步骤，实现 / 实现基准方法的步骤

  • 数据集，加载 / 加载数据集, 加载数据集

  • 特征生成，使用 TF-IDF / 使用 TF-IDF 生成特征

  • 余弦相似度矩阵，构建 / 构建余弦相似度矩阵

  • 预测，生成 / 生成预测

  • 关键概念，优化 / 理解优化方法的关键概念

  • 关于 / 最佳方法

  • GloVe 模型，加载 / 加载 GloVe 模型

  • 预处理 / 预处理

  • 预计算 ID 矩阵，加载 / 加载预计算的 ID 矩阵

  • 训练集和测试集，分割 / 分割训练集和测试集

  • 神经网络，构建 / 构建神经网络

  • 神经网络，训练 / 训练神经网络

  • 训练好的模型，加载 / 加载训练好的模型

  • 训练好的模型，测试 / 测试训练好的模型

• 基准方法，职位推荐引擎

  • 构建 / 构建基准方法

  • 实现 / 实现基准方法

  • 常量，定义 / 定义常量

  • 数据集，加载 / 加载数据集

  • 辅助函数，定义 / 定义辅助函数

  • TF-IDF 向量，生成 / 生成 TF-IDF 向量和余弦相似度

  • 测试矩阵 / 理解测试矩阵

  • 缺陷 / 基线方法的问题

  • 优化 / 优化基线方法

• 基线方法，摘要应用

  • 构建 / 构建基线方法

  • 实现 / 实现基线方法

  • Python 依赖项，安装 / 安装 Python 依赖项

  • 代码，用于生成摘要 / 编写代码并生成摘要

  • 缺陷 / 基线方法的问题

  • 优化 / 优化基线方法

• 基线模型

  • 特征工程 / 为基线模型进行特征工程, 找出特征重要性, 为基线模型进行特征工程

  • 训练 / 训练基线模型, 训练基线模型, 训练基线模型

  • 测试 / 测试基线模型, 测试基线模型, 测试基线模型

  • 训练，分割 / 分割训练和测试数据集

  • 数据集，测试 / 分割训练和测试数据集

  • 预测标签，分割用于训练 / 分割预测标签用于训练和测试数据集

  • 预测标签，分割用于测试数据集 / 分割预测标签用于训练和测试数据集

  • 情感分数，转换为 numpy 数组 / 将情感分数转换为 numpy 数组

  • 机器学习模型，训练 / 机器学习模型的训练

  • 输出，生成 / 生成和解释输出

  • 输出，解释 / 生成和解释输出

  • 准确度分数，生成 / 生成准确度分数

  • 输出，可视化 / 可视化输出

  • 训练和测试数据集，构建 / 构建基线模型的训练和测试数据集

  • 实现 / 实现基线模型

  • 多项式朴素贝叶斯，测试 / 多项式朴素贝叶斯的测试

  • SVM，使用 rbf 核进行测试 / 使用 rbf 核测试 SVM

  • SVM，使用线性核进行测试 / 使用线性核测试 SVM

  • SVM，使用 linearSVC 进行测试 / 使用 linearSVC 测试 SVM

• 基线模型，实时物体识别应用

  • 特征工程 / 基线模型的特征工程

  • 构建 / 构建基线模型

  • 测试 / 测试基线模型

  • 缺陷 / 现有方法的缺陷

  • 优化 / 如何优化现有方法

  • 优化过程 / 理解优化过程

• 基本概念，基线方法

  • 基于内容的方法 / 理解基于内容的方法

• 基本版本，聊天机器人开发

  • 关于 / 构建聊天机器人的基本版本

  • 基于规则的系统 / 为什么基于规则的系统会工作？, 理解基于规则的系统

  • 实现 / 理解方法

  • 问题，列出 / 列出可能的问题和答案

  • 答案，列出 / 列出可能的问题和答案

  • 标准消息，决定 / 决定标准消息

  • 架构 / 理解架构

  • 缺陷 / 现有方法的缺陷

  • 优化，理解关键概念 / 理解优化方法的关键概念

  • seq2seq 模型 / 理解 seq2seq 模型

• 游戏机器人的基本版本

  • 实施基本版本的游戏机器人 / 实施游戏机器人的基本版本

• 最佳方法

  • 关于 / 最佳方法

  • 实施最佳方法 / 实施最佳方法

• 最佳方法，聊天机器人开发

  • 实施最佳方法 / 实施最佳方法

  • 随机测试模式 / 随机测试模式

  • 用户交互测试模式 / 用户交互测试模式

• 最佳方法，职位推荐引擎

  • 关于 / 最佳方法

  • 实施最佳方法 / 实施最佳方法

  • 数据集，过滤 / 过滤数据集

  • 准备训练数据集 / 准备训练数据集

  • 连接操作，应用 / 应用连接操作

  • TF-IDF 和余弦相似度分数，生成 / 生成 TF-IDF 和余弦相似度分数

  • 推荐生成 / 生成推荐

• 最佳方法，实时物体识别应用

  • 实施最佳方法 / 实施最佳方法

  • YOLO / 理解 YOLO

  • 实施 Darkflow，使用 / 使用 YOLO 实施最佳方法

  • 实施 Darknet，使用 / 使用 Darknet 进行实施

  • 实施 Darkflow，使用 / 使用 Darkflow 进行实施

• 最佳方法，摘要应用

  • 构建 / 最佳方法背后的理念, 最佳方法

  • 实施最佳方法 / 实施最佳方法

  • 项目结构 / 理解项目结构

  • 辅助函数 / 理解辅助函数

  • 摘要，生成 / 生成摘要

• Book-Crossing 数据集

  • 关于 / Book-Crossing 数据集

  • 参考链接 / Book-Crossing 数据集

  • BX-Book-Ratings.csv / BX-Book-Ratings.csv

  • BX-Books.csv / BX-Books.csv

• BX-Book-Ratings.csv / BX-Book-Ratings.csv

• BX-Books.csv / BX-Books.csv

• BX-Users.csv / BX-Users.csv

C

• CAS-PEAL Face Dataset

  • 关于 / CAS-PEAL Face Dataset

  • URL，用于下载 / CAS-PEAL Face Dataset

• 聊天机器人开发

  • 问题陈述 / 介绍问题陈述

  • 基于检索的方法 / 基于检索的方法

  • 基于生成的方法 / 基于生成的方法

  • 开放域 / 开放域

  • 闭域 / 闭域

  • 简短对话 / 简短对话

  • 长对话 / 长对话

  • 开放域，基于生成的方法 / 开放域和基于生成的方法

  • 开放域，基于检索的方法 / 开放域和基于检索的方法

  • 闭域，基于检索的方法 / 闭域和基于检索的方法

  • 闭域，基于生成的方法 / 闭域和基于生成的方法

  • 数据集 / 理解数据集

  • 基本版本，构建 / 构建聊天机器人的基本版本

  • 修订方法，实现 / 实现修订方法

  • 关键概念，用于解决现有问题 / 理解关键概念以解决现有问题

  • 记忆网络 / 记忆网络

  • 最佳方法 / 最佳方法

  • 混合方法 / 讨论混合方法

• 分类器模型

  • 生成 / 最佳方法

  • 实现 / 实现最佳方法

• 闭域聊天机器人

  • 开发 / 闭域

• 基于 CNN 的方法

  • 实现 / 实现基于 CNN 的方法

• COCO 数据集

  • 关于 / COCO 数据集

  • URL / COCO 数据集

• 编码环境

  • 设置 / 设置编码环境, 设置编码环境

  • dlib，安装 / 安装 dlib

  • 人脸识别，安装 / 安装 face_recognition

• 协同过滤

  • 关于 / 协同过滤

  • 基于记忆的协同过滤 / 基于记忆的协同过滤

  • 基于模型的协同过滤 / 基于模型的协同过滤

• 概念和方法，基于逻辑回归的方法

  • 关于 / 理解概念和方法, 基于逻辑回归的方法

  • 基于对齐的方法 / 基于对齐的方法

  • 基于平滑的方法 / 基于平滑的方法

• 混淆矩阵 / 混淆矩阵

• 消费者

  • 类型 / 介绍客户细分

• 上下文向量 / 理解 seq2seq 模型

• 卷积神经网络

  • 构建 / 构建卷积神经网络

• 卷积神经网络 (CNN)

  • 关于 / 用于人脸识别的卷积神经网络 (CNN) for FR")

  • 简单 CNN 架构 / 简单 CNN 架构

  • 工作，用于人脸识别 / 理解 CNN 在人脸识别中的应用

• 卷积神经网络 (CNN) / 为什么我们应该使用预训练模型？

• 卷积神经网络 (CNN) / 如何优化现有方法

• Cornell Movie-Dialogs 数据集，聊天机器人开发

  • 关于 / Cornell Movie-Dialogs 数据集

  • 下载链接 / Cornell Movie-Dialogs 数据集

  • movie_conversations.txt 的内容 / movie_conversations.txt 的内容详情

  • movie_lines.txt 的内容 / movie_lines.txt 的内容详情

• 相关性 / 相关性

• 交叉验证

  • 关于 / 交叉验证

  • 技术 / 交叉验证

  • 使用 / 使用 CV 的方法

  • 优点 / 使用简历的方法

  • 缺点 / 使用简历的方法

• 基于交叉验证的方法

  • 实现 / 实现基于交叉验证的方法

• 客户类别

  • 生成 / 生成客户类别, 生成客户类别

  • 数据格式化 / 格式化数据

  • 创建 / 创建客户类别

  • 数据编码 / 数据编码

  • PCA 分析 / PCA 分析

  • 聚类分析，使用轮廓分数 / 使用轮廓分数分析聚类

• 客户分类

  • 关于 / 分类客户

  • 辅助函数，定义 / 定义辅助函数

  • 数据，分为训练集 / 将数据分为训练集和测试集

  • 数据，分为测试集 / 将数据分为训练集和测试集

  • 机器学习（ML）算法，实现 / 实现机器学习（ML）算法

• 客户细分 / 介绍客户细分

  • 问题陈述 / 介绍问题陈述

  • 参考 / 构建基线方法

  • 用于领域 / 各种领域的客户细分

• Cython

  • 安装 / 安装 Cython

D

• Darkflow

  • 使用，用于 YOLO 实现 / 使用 Darkflow 实现

• Darknet

  • 使用，用于 YOLO 实现 / 使用 Darknet 实现

• 数据

  • 过滤，基于地理位置 / 基于地理位置的数据过滤

  • 加载，使用 dataset_loader 脚本 / 使用 dataset_loader 脚本加载数据

• 数据分析

  • 关于 / 数据分析

  • 数据预处理 / 数据预处理, 基本数据分析随后进行数据预处理

  • 统计属性，列出 / 列出统计属性

  • 缺失值，查找 / 查找缺失值

  • 缺失值，替换 / 替换缺失值

  • 相关性 / 相关性

  • 异常值检测 / 检测异常值

  • 异常值，处理 / 处理异常值/ 数据预处理和数据分析

• 数据属性，纽约时报新闻文章数据集

  • type_of_material / 理解纽约时报新闻文章数据集

  • 标题 / 理解纽约时报新闻文章数据集

  • pub_date / 理解纽约时报新闻文章数据集

  • section_name / 理解纽约时报新闻文章数据集

• 数据属性，探索性数据分析（EDA）

  • 国家 / 国家

  • 客户和产品 / 客户和产品

  • 客户和产品 / 客户和产品

  • 产品类别 / 产品类别

• 数据格式化

  • 关于 / 格式化数据

  • 产品，分组 / 分组产品

  • 数据集，拆分 / 拆分数据集

  • 订单，分组 / 分组订单

• 数据帧

  • 合并 / 合并数据帧

• 数据准备

  • 关于 / 数据准备

• 数据预处理

  • 关于 / 数据预处理

  • 变更 / 第一次变更, 第二次变更

  • 变更，实施 / 实施变更/ 数据预处理和数据分析

• 数据科学

  • 参考链接 / 保持更新

• 数据集

  • 关于 / 理解数据集 , 理解数据集, 理解数据集, 理解数据集

  • 参考链接 / 理解数据集

  • 属性 / 理解数据集的属性, 数据集的属性

  • 收集 / 收集数据集

  • DJIA 指数价格，收集 / 收集 DJIA 指数价格

  • 新闻文章，收集 / 收集新闻文章

  • 加载 / 加载数据集, 加载数据集, 加载数据集

  • 描述 / 数据集描述

  • 下载 / 下载数据集

  • 内容 / 理解数据集的内容

  • 训练文件夹 / 训练文件夹

  • 测试文件夹 / 测试文件夹

  • imdb.vocab 文件 / imdb.vocab 文件

  • imdbEr.txt 文件 / imdbEr.txt 文件

  • README 文件 / README

  • 评论文件，内容 / 理解电影评论文件的内容

  • 用于人脸情感识别应用 / 理解人脸情感识别数据集

• 数据集，人脸识别

  • CAS-PEAL 人脸数据集 / CAS-PEAL 人脸数据集

• 数据集，实时物体识别应用

  • 关于 / 理解数据集

  • COCO 数据集 / COCO 数据集

  • PASCAL VOC 数据集 / PASCAL VOC 数据集

• 数据集

  • 关于 / 理解数据集

  • 电子商务商品数据 / 电子商务商品数据

  • Book-Crossing 数据集 / Book-Crossing 数据集

• 数据集，聊天机器人开发

  • 关于 / 理解数据集

  • 康奈尔电影对话数据集 / 康奈尔电影对话数据集

  • bAbI 数据集 / bAbI 数据集

• 数据集，职业推荐引擎

  • 关于 / 理解数据集

  • 爬取数据集 / 爬取数据集

  • 职业推荐挑战数据集 / 职业推荐挑战数据集

• 数据集，摘要应用

  • 关于 / 理解数据集

  • 获取挑战 / 获取数据集的挑战

  • 医疗转录数据集 / 理解医疗转录数据集

  • 亚马逊评论数据集 / 理解亚马逊评论数据集

• 数据集训练

  • 参考链接 / 理解电影评论文件的内容

• 解码器 / 理解 seq2seq 模型

• 深度学习 (DL) 算法 / 现有方法的局限性

• 深度学习 (DL) 技术 / 理解优化方法的关键概念

• 深度 Q 网络 (DQN) / 理解深度 Q 网络 (DQN)")

  • 架构 / DQN 的架构

  • 算法 / DQN 算法的步骤

• 折现未来奖励 / 折现未来奖励

• DJIA 数据集 / 理解 DJIA 数据集

  • 准备 / 准备 DJIA 训练数据集

  • 数据分析 / DJIA 数据集的基本数据分析

• dlib

  • 安装 / 安装 dlib

• 道琼斯工业平均指数 (DJIA) / 收集数据集

• Dropout

  • 关于 / 我们如何使用预训练模型？

• 动态内存网络 (DMN)

  • 关于 / 动态内存网络 (DMN)")

  • 架构 / 动态内存网络 (DMN)")

  • 语义记忆 / 动态内存网络 (DMN)"), 情景记忆

  • 情景记忆 / 动态内存网络 (DMN)"), 情景记忆

  • 模块 / 动态内存网络 (DMN)")

  • 输入模块 / 输入模块

  • 问题模块 / 问题模块

E

• 电子商务商品数据

  • 参考链接 / 电子商务商品数据

• 电子商务商品数据

  • 关于 / 电子商务商品数据

• 编码器 / 理解 seq2seq 模型

• 现有方法

  • 问题，探索 / 探索现有方法的局限性

  • 问题 / 现有方法的局限性

  • 优化 / 如何优化现有方法

  • 流程，优化 / 理解优化流程

• 探索性数据分析 (EDA) / 基本数据分析随后进行数据预处理

  • 关于 / 探索性数据分析 (EDA)")

  • 空数据条目，移除 / 移除空数据条目

  • 重复数据条目，移除 / 移除重复数据条目

  • 数据属性 / 针对各种数据属性的 EDA

• 探索性数据分析 (EDA) / 实施修订的方法

  • 关于 / 探索性数据分析

• 指数加权移动平均 (EWMA) / 基于平滑的方法

• 提取式摘要

  • 关于 / 提取式摘要

F

• F1 分数 / F1 分数

• 人脸情感识别应用 / 人脸情感识别应用

  • 数据集 / 理解人脸情感识别数据集

  • 概念 / 理解人脸情感识别概念

  • 卷积层 / 理解卷积层

  • ReLU 层 / 理解 ReLU 层

  • 池化层 / 理解池化层

  • 完全连接层 / 理解完全连接层

  • SoftMax 层 / 理解 SoftMax 层

  • 基于反向传播的权重更新 / 基于反向传播更新权重

• 人脸情感识别模型

  • 构建 / 构建人脸情感识别模型

  • 数据，准备 / 准备数据

  • 数据，加载 / 加载数据

  • 模型，训练 / 训练模型

• 人脸识别

  • 概念 / 理解人脸识别概念

  • 数据集 / 理解人脸识别数据集

  • Labeled Faces in Wild / Labeled Faces in the Wild

  • 算法 / 人脸识别的算法

  • 方向梯度直方图 (HOG) / 方向梯度直方图 (HOG)")

  • 卷积神经网络 (CNN) / 卷积神经网络 (CNN) 用于 FR 用于 FR")

  • 实现，方法 / 实现人脸识别的方法

  • 基于 HOG 的方法，实现 / 实现基于 HOG 的方法

  • 基于 CNN 的方法，实现 / 实现基于 CNN 的方法

  • 实时人脸识别，实现 / 实现实时人脸识别

• 人脸识别应用 / 人脸识别应用

  • 训练 / 为 FER 应用进行训练

• 人脸识别

  • 安装 / 安装 face_recognition

• 假阴性 (FN) / 理解测试矩阵

• 假阳性 (FP) / 理解测试矩阵

• 特征工程

  • 关于 / 基于生成的方法, 基于生成的方法

  • 数据集，加载 / 加载数据集

  • 微量预处理 / 微量预处理

  • 调整后的收盘价，转换为整数格式 / 将调整后的收盘价转换为整数格式

  • NYTimes 新闻文章，情感分析 / NYTimes 新闻文章的情感分析

• 特征工程，对于基线模型

  • 关于 / 基线模型的特征工程

• FER2013 数据集

  • 参考链接 / 理解人脸情感识别的数据集

• Flappy Bird 游戏机器人

  • 实现 / Just for fun - implementing the Flappy Bird gaming bot

G

• gather_dataset() 函数

  • 关于 / 生成问答对

• 基于生成的方法，聊天机器人

  • 关于 / 基于生成的方法

• get_conversations() 函数

  • 关于 / 生成问答对

• get_id2line() 函数

  • about / 生成问答对

• get_summarized 函数

  • about / get_summarized 函数

• 梯度提升

  • about / 梯度提升

  • 参数 / 梯度提升

• 网格搜索参数调整 / 网格搜索参数调整

H

• 黑客马拉松

  • 策略 / 赢得黑客马拉松的策略, 保持更新

• 辅助函数，摘要应用

  • Normalization.py / Normalization.py

  • Utils.py / Utils.py

• 原点梯度直方图 (HOG) / 原点梯度直方图 (HOG)")

• 基于 HOG 的方法

  • 实现 / 实现基于 HOG 的方法

• 混合方法，聊天机器人开发

  • about / 讨论混合方法

• 超参数

  • 调整 / 超参数调整

  • 网格搜索参数调整 / 网格搜索参数调整

  • 随机搜索参数调整 / 随机搜索参数调整

• 超参数

  • 训练轮数 / 实现最佳方法

  • 批处理大小 / 实现最佳方法

  • lstm_size / 实现最佳方法

• 超参数调整

  • 实现 / 实现超参数调整

I

• IMDb 数据集

  • URL，用于下载 / 理解数据集

• 意义交并比 (IoU)

  • about / 意义交并比 (IoU)")

• 问题，基线方法

  • about / 基线方法的局限性

  • 有限内容分析 / 基线方法的局限性

  • 过度专业化 / 基线方法的局限性

  • 新用户 / 基线方法的局限性

J

• 职位推荐挑战数据集

  • about / 职位推荐挑战数据集

  • apps.tsv / apps.tsv

  • users.tsv / users.tsv

  • jobs.tsv / Jobs.zip

  • user_history.tsv / user_history.tsv

• 职位推荐引擎

  • 问题陈述 / 介绍问题陈述

  • 数据集 / 理解数据集

  • 基准方法，构建 / 构建基准方法

  • 修订方法，构建 / 构建修订方法

  • 最佳方法，构建 / 最佳方法

• jobs.tsv

  • 关于 / Jobs.zip

  • 职位 ID / Jobs.zip

  • WindowID / Jobs.zip

  • 标题 / Jobs.zip

  • 描述 / Jobs.zip

  • 要求 / Jobs.zip

  • 城市 / Jobs.zip

  • 状态 / Jobs.zip

  • 国家 / Jobs.zip

  • Zip5 / Jobs.zip

  • 开始日期 / Jobs.zip

  • 结束日期 / Jobs.zip

• JSON 属性

  • 当前表单操作 / 理解架构

  • 机器人消息 / 理解架构

  • 人类消息 / 理解架构

  • 下一个字段类型 / 理解架构

  • 下一个表单操作 / 理解架构

  • 占位符文本 / 理解架构

  • 前一个字段类型 / 理解架构

  • 前一个表单操作 / 理解架构

  • 建议消息 / 理解架构

K

• K-最近邻（KNN）

  • 关于 / K 最近邻（KNN）")

  • 参数 / K 最近邻（KNN）")

• K 最近邻（KNN）算法

  • 关于 / 项目-项目协同过滤

  • 参考链接 / 项目-项目协同过滤

  • 应用 / 应用 KNN 算法

  • 使用 / 使用 KNN 算法进行推荐

• 关键概念，Atari 游戏机器人

  • 关于 / 理解关键概念

  • 游戏规则 / 游戏规则

  • Q 学习算法 / 理解 Q 学习算法

• 关键概念，基准方法

  • 交叉验证 / 交叉验证

  • 超参数调整 / 超参数调整

• 关键概念，Pong 游戏机器人

  • 关于 / 理解关键概念

  • 架构 / 游戏机器人的架构

  • 方法 / 游戏机器人的方法

• 关键概念，推荐引擎

  • 协同过滤 / 协同过滤

  • 数据集，加载 / 加载数据集

  • 数据框，合并 / 合并数据框

  • EDA，针对合并后的数据框 / 合并数据框的 EDA

  • 数据，基于地理位置过滤 / 基于地理位置过滤数据

  • K 最近邻（KNN）算法，应用 / 应用 KNN 算法

  • K 最近邻（KNN）算法，使用 / 使用 KNN 算法进行推荐

  • 矩阵分解，应用 / 应用矩阵分解

  • 矩阵分解，使用 / 使用矩阵分解进行推荐

• 关键概念，Space Invaders 游戏机器人

  • 关于 / 理解关键概念

  • 深度 Q 网络（DQN） / 理解深度 Q 网络（DQN）

  • 经验回放 / 理解经验回放

L

• 学习曲线 / 学习曲线

• 相关性逻辑

  • 实现，针对推荐引擎 / 实现推荐引擎的相关逻辑

  • 书籍评分，推荐 / 基于书籍评分的推荐

  • 相关性，推荐 / 基于相关性的推荐

• 逻辑回归

  • 关于 / 逻辑回归

  • 参数 / 逻辑回归

• 特征的对数变换 / 特征的对数变换

• 长短期记忆单元（LSTMs）

  • 参考链接 / 构建神经网络

• 长短期记忆单元（LSTMs）；关于 / 构建神经网络

• 长对话，聊天机器人开发

  • 关于 / 长对话

• 长短期记忆 (LSTM) 循环神经网络 / 理解 seq2seq 模型

• 损失

  • 关于 / 损失

• LSA 算法

  • 关于 / LSA 算法

• lsa_text_summarizer 函数

  • 关于 / 生成摘要

  • 使用 / 生成摘要

M

• 机器学习算法

  • 选择 / 选择机器学习算法, 选择机器学习算法

• 机器学习算法，实时物体识别应用

  • 选择 / 选择机器学习算法

• 机器学习算法

  • 选择 / 选择机器学习算法

  • K-最近邻 (KNN) / K-最近邻 (KNN)")

  • 逻辑回归 / 逻辑回归

  • AdaBoost 算法 / AdaBoost

  • GradientBoosting / GradientBoosting

  • RandomForest / RandomForest

• 马尔可夫决策过程 (MDP)

  • 关于 / 马尔可夫决策过程 (MDP)")

  • 参数 / 马尔可夫决策过程 (MDP)")

• 矩阵分解

  • 应用 / 应用矩阵分解

  • 使用 / 使用矩阵分解进行推荐

• 平均精度 (mAP)

  • 关于 / 平均精度 (mAP)")

• 医学转录数据集

  • 关于 / 理解医学转录数据集

  • 主要症状 / 理解医学转录数据集

  • 病人疾病史 / 理解医学转录数据集

  • 过去病史 / 理解医学转录数据集

  • 过去手术史 / 理解医学转录数据集

  • 家族病史 / 理解医学转录数据集

  • 药物 / 理解医学转录数据集

  • 体格检查 / 理解医学转录数据集

  • 评估 / 理解医学转录数据集

  • 推荐 / 理解医学转录数据集

  • 关键词 / 理解医学转录数据集

• 基于记忆的协同过滤

  • 用户-用户协同过滤 / 用户-用户协同过滤

• 基于记忆的协同过滤

  • 关于 / 基于记忆的协同过滤

  • 项目-项目协同过滤 / 项目-项目协同过滤

• 记忆网络

  • 关于 / 记忆网络

  • 动态记忆网络 (DMN) / 动态记忆网络 (DMN)")

• 合并后的数据帧

  • EDA / 合并数据帧的 EDA

• 方法，词频-逆文档频率 (TF-IDF)

  • fit_transform() / 基线模型的特征工程

• 微小预处理 / 微小预处理

  • 最左侧的点，从新闻标题中移除 / 从新闻标题中移除最左侧的点

• 缺失值

  • 寻找 / 寻找缺失值

  • 替换 / 替换缺失值

• 机器学习算法 / 尝试不同的机器学习算法

• 机器学习模型

  • 测试 / 测试最佳方法

  • 保留样本语料库，在数据集训练中转换 / 将保留样本语料库以训练数据集的形式转换

  • 转换后的数据集，转换为矩阵形式 / 将转换后的数据集转换为矩阵形式

  • 精确度分数，生成 / 生成预测

• 真实测试数据上的机器学习模型

  • 执行 / 在真实测试数据上运行机器学习模型

• MobileNet SSD

  • 架构 / MobileNet SSD 模型的架构

• 模型

  • 测试 / 测试模型

• 基于模型的协同过滤

  • 关于 / 基于模型的协同过滤

  • 基于矩阵分解的算法 / 基于矩阵分解的算法

  • 相比，基于记忆的协同过滤 / 基于记忆的协同过滤与基于模型的协同过滤之间的区别

  • 最佳方法，实施 / 实施最佳方法

• 多层感知器 (MLP) / 为什么我们应该使用预训练模型？

• 多层感知器 (MLP) / 最佳方法

N

• 简单贝叶斯

  • 参考链接 / 选择机器学习算法

• 基于神经网络的算法

  • 实施 / 最佳方法

• Normalization.py 文件

  • parse_document 函数 / Normalization.py

  • remove_special_characters 函数 / Normalization.py

  • remove_stopwords 函数 / Normalization.py

  • unescape_html 函数 / Normalization.py

  • pos_tag_text 函数 / Normalization.py

  • lemmatize_text 函数 / Normalization.py

  • expand_contractions 函数 / Normalization.py

  • normalize_corpus 函数 / Normalization.py

• Numberbatch 的预训练模型 / 准备数据集

• 纽约时报新闻文章数据集 / 理解纽约时报新闻文章数据集

• 纽约时报新闻文章

  • 情感分析 / 纽约时报新闻文章的情感分析

• 纽约时报新闻数据集

  • 准备 / 准备纽约时报新闻数据集

  • 出版日期，转换为 YYYY-MM-DD 格式 / 将出版日期转换为 YYYY-MM-DD 格式

  • 新闻文章，按类别过滤 / 按类别过滤新闻文章

  • 过滤功能，实施 / 实施过滤器功能并合并数据集

  • 数据集，合并 / 实施过滤器功能并合并数据集

  • 合并数据集，以 pickle 文件格式保存 / 以 pickle 文件格式保存合并数据集

O

• OpenCV

  • 设置 / 设置和安装 OpenCV

  • 安装 / 设置和安装 OpenCV

• 开放域聊天机器人

  • 开发 / 开放域

• 优化过程，实时物体识别应用基线模型

  • 关于 / 理解优化过程

• 异常值

  • 处理 / 处理异常值

• 异常值检测

  • 关于 / 检测异常值

P

• 参数，与超参数对比

  • 参考链接 / 超参数调整

• 参数，预训练模型

  • 学习率 / 我们如何使用预训练模型？

  • 迭代次数 / 我们如何使用预训练模型？

  • 批处理大小 / 我们如何使用预训练模型？

  • 激活函数 / 我们如何使用预训练模型？

• 参数，词频-逆文档频率（TF-IDF）

  • min_df / 基线模型的特征工程

  • max_df / 基线模型的特征工程

  • sublinear_tf / 基线模型的特征工程

  • use_idf / 基线模型的特征工程

  • transform() / 基线模型的特征工程

• 词性（POS）标签 / 最佳方法背后的理念

• PASCAL VOC 数据集

  • 关于 / PASCAL VOC 数据集

  • PASCAL VOC 类别 / PASCAL VOC 类别

• PDFminer

  • 关于 / 抓取的数据集

• 皮尔逊相关系数（PCC） / 基于相关性的推荐

• 混淆度

  • 关于 / 混淆度

• Pong 游戏机器人

  • 构建 / 构建 Pong 游戏机器人

  • 实现 / 实现 Pong 游戏机器人

  • 参数，初始化 / 参数初始化

  • 权重，以矩阵形式存储 / 以矩阵形式存储的权重

  • 权重，更新 / 更新权重

  • 代理，移动 / 如何移动代理

  • 神经网络（NN），使用 / 使用神经网络理解过程

• 精度 / 精度

• 预训练的 GloVe 模型

  • 参考链接 / 加载 GloVe 模型

• 问题陈述 / 介绍问题陈述

• 产品类别

  • 产品描述，分析 / 分析产品描述

  • 定义 / 定义产品类别

  • 簇的内容，特征描述 / 特征描述簇的内容

  • 簇内轮廓分数 / 簇内轮廓分数分析

  • 词云，分析 / 使用词云进行分析

  • 主成分分析 (PCA) / 主成分分析 (PCA)")

• 项目结构，总结应用

  • 关于 / 理解项目结构

  • Contractions.py / 理解项目结构

  • Normalization.py / 理解项目结构

  • Utils.py / 理解项目结构

  • Document_summarization.py / 理解项目结构

• PyTeaser

  • 关于 / 安装 python 依赖项

R

• RandomForest

  • 关于 / 随机森林

  • 参数 / 随机森林

• 随机搜索参数调整 / 随机搜索参数调整

• 实时人脸识别

  • 实现 / 实现实时人脸识别

• 实时物体识别应用

  • 问题陈述 / 介绍问题陈述

  • 数据集 / 理解数据集

  • 迁移学习 / 迁移学习

  • 编码环境，设置 / 设置编码环境

  • OpenCV，设置 / 设置和安装 OpenCV

  • OpenCV，安装 / 设置和安装 OpenCV

  • 特征工程，基线模型 / 基线模型的特征工程

  • 机器学习算法，选择 / 选择机器学习算法

  • MobileNet SSD 架构 / MobileNet SSD 模型架构

  • 基准模型，构建 / 构建基准模型

  • 测试指标 / 理解测试指标

  • 基准模型，测试 / 测试基准模型

  • 修订方法，实现 / 实现修订的方法

  • 最佳方法 / 最佳方法

• 回忆 / 回忆

• 受试者工作特征 (ROC) / ROC

• 推荐引擎

  • 关于 / 最佳方法

  • 关键概念 / 理解关键概念

• 循环神经网络 (RNN) / 构建神经网络

• 循环神经网络 (RNN) / 理解优化方法的关键概念

• 循环神经网络 (RNN) / 构建深度学习模型

• 基于区域的卷积神经网络 (R-CNN) / MobileNet SSD 模型的架构

• 强化学习 (RL)

  • 关于 / 理解强化学习 (RL)")

  • 马尔可夫决策过程 (MDP) / 马尔可夫决策过程 (MDP)")

  • 折现未来奖励 / 折现未来奖励

• reorder_sentences 函数

  • 关于 / reorder_sentences 函数

• 基于检索的方法，聊天机器人

  • 关于 / 基于检索的方法

• 修订，基准方法

  • 实现 / 实现修订的方法

  • 依赖项，导入 / 导入依赖项

  • IMDb 数据集，下载 / 下载和加载 IMDb 数据集

  • IMDb 数据集，加载 / 下载和加载 IMDb 数据集

  • 最常用词汇，选择 / 选择最常用词汇和最大文本长度

  • 最大文本长度 / 选择最常用词汇和最大文本长度

  • 词嵌入，实现 / 实现词嵌入

  • 卷积神经网络 (CNN)，构建 / 构建卷积神经网络 (CNN)")

  • 准确率，训练 / 训练并获得准确率

  • 准确性，获得 / 训练和获得准确性

  • 测试 / 测试修订方法

  • 问题 / 理解修订方法中的问题

• 修订方法

  • 实现 / 实现修订方法, 实现和测试修订方法, 实现修订方法, 实现, 实现修订方法, 实现修订方法

  • 基于交叉验证的方法，实现 / 实现基于交叉验证的方法

  • 超参数调整，实现 / 实现超参数调整

  • 测试 / 实现和测试修订方法, 测试修订方法, 测试修订方法, 测试修订方法

  • 问题 / 理解修订方法中的问题, 理解修订方法中的问题, 修订方法中的问题, 修订方法中的问题

  • 关于 / 理解修订方法

  • 对齐，实现 / 实现对齐

  • 平滑，实现 / 实现平滑

  • 逻辑回归，实现 / 实现逻辑回归

  • 构建 / 构建修订方法, 构建修订方法

  • 提高 / 理解如何改进修订方法, 理解如何改进修订方法

  • 数据集，加载 / 加载数据集

  • 书籍评分数据文件的 EDA / 书籍评分数据文件的 EDA

  • 书籍数据文件，探索 / 探索书籍数据文件

  • 用户数据文件的 EDA / 用户数据文件的 EDA

  • 相关性逻辑，为推荐引擎实现 / 为推荐引擎实现相关性逻辑

• 改进的方法，聊天机器人开发

  • 实现 / 实现改进的方法

  • 数据准备 / 数据准备

  • 问答对，生成 / 生成问答对

  • 数据集，预处理 / 预处理数据集

  • 数据集，分割为训练数据集和测试数据集 / 将数据集分割为训练数据集和测试数据集

  • 词汇表，为训练和测试数据集构建 / 为训练和测试数据集构建词汇表

  • seq2seq 模型，构建 / 实现 seq2seq 模型

  • 模型，创建 / 创建模型

  • 模型，训练 / 训练模型

  • 测试 / 测试改进的方法，测试聊天机器人的改进版本

  • 测试指标 / 理解测试指标

  • 缺陷 / 改进方法的问题

• 改进的方法，职位推荐引擎

  • 构建 / 构建改进的方法

  • 数据集，加载 / 加载数据集

  • 训练和测试数据集，分割 / 分割训练和测试数据集

  • 探索性数据分析 (EDA) / 探索性数据分析

  • 推荐引擎，使用工作数据文件构建 / 使用工作数据文件构建推荐引擎

  • 测试 / 测试改进的方法

  • 缺陷 / 改进方法的问题

  • 提高 / 理解如何改进改进的方法

• 改进的方法，实时物体识别应用

  • 实现 / 实现修订方法

  • 测试 / 测试修订方法

  • 缺点 / 理解修订方法的问题

• 修订方法，摘要应用

  • 构建 / 构建修订方法

  • 实现 / 实现修订方法

  • get_summarized 函数 / get_summarized 函数

  • reorder_sentences 函数 / reorder_sentences 函数

  • summarize 函数 / summarize 函数

  • 摘要，生成 / 生成摘要

  • 缺点 / 修订方法的问题

  • 提高 / 理解如何改进修订方法

  • LSA 算法 / LSA 算法

• 基于规则的聊天机器人

  • 实现 / 实现基于规则的聊天机器人

  • 对话流程，实现 / 实现对话流程

  • RESTful API，使用 flask 实现 / 使用 flask 实现 RESTful API

  • 测试 / 测试基于规则的聊天机器人

  • 优点 / 基于规则的聊天机器人的优点

• 基于规则的系统

  • 工作 / 为什么基于规则的系统可以工作？

  • 关于 / 理解基于规则的系统

S

• 抓取的数据集

  • 关于 / 抓取的数据集

• seq2seq 模型

  • 关于 / 理解 seq2seq 模型

• 序列到序列（seq2seq）神经网络架构

  • 关于 / 基于生成的方法

• 简短对话，聊天机器人开发

  • 关于 / 简短对话

• 简单 TF-IDF

  • 使用，用于构建职位推荐引擎 / 生成 TF-IDF 向量和余弦相似度

  • 训练数据集，构建 / 构建训练数据集

  • IF-IDF 向量，为训练数据集生成 / 为训练数据集生成 IF-IDF 向量

  • 测试数据集，构建 / 构建测试数据集

  • 相似度分数，生成 / 生成相似度分数

• 单次检测器（SSD） / 选择机器学习算法

• 平滑 / 平滑

• 太空侵略者游戏机器人

  • 构建 / 构建太空侵略者游戏机器人

  • 实现 / 实现太空侵略者游戏机器人

• 标准差

  • 参考链接 / 列出统计属性

• 统计属性

  • 列出 / 列出统计属性

• 股票 / 介绍问题陈述

• 摘要

  • 基础知识 / 理解摘要的基础知识

  • 抽取式摘要 / 抽取式摘要

  • 抽象摘要 / 抽象摘要

• 摘要应用

  • 问题陈述 / 介绍问题陈述

  • 数据集 / 理解数据集

  • 基准方法，构建 / 构建基准方法

  • 修订方法，构建 / 构建修订方法

  • 最佳方法 / 最佳方法的理念

• 摘要应用，使用亚马逊评论构建

  • 关于 / 使用亚马逊评论构建摘要应用

  • 数据集，加载 / 加载数据集

  • 数据集，探索 / 探索数据集

  • 数据集，准备 / 准备数据集

  • DL 模型，构建 / 构建 DL 模型

  • DL 模型，训练 / 训练 DL 模型

  • DL 模型，测试 / 测试 DL 模型

• 摘要函数

  • 关于 / 摘要函数

• Sumy

  • 关于 / 安装 python 依赖项

• 支持 / 支持

• 支持向量机（SVM）算法

  • 关于 / 选择机器学习算法

  • 参考链接 / 选择机器学习算法

T

• 技术，异常检测

  • 基于百分比的异常检测 / 基于百分比的异常检测

  • 基于中位数绝对偏差 (MAD) 的异常检测 / 基于中位数绝对偏差 (MAD) 的异常检测 的异常检测")

  • 基于标准差 (STD) 的异常检测 / 基于标准差 (STD) 的异常检测 的异常检测")

  • 基于多数投票的异常检测 / 基于多数投票的异常检测:

  • 异常的可视化 / 异常的可视化

• 词语频率-逆文档频率 (TF-IDF)

  • 关于 / 基线模型的特征工程

• 测试矩阵

  • 关于 / 理解测试矩阵，理解测试矩阵，默认测试矩阵，理解测试矩阵，理解测试矩阵，理解测试矩阵，理解测试矩阵

  • 训练模型，平均准确率 / 训练模型的平均准确率

  • ROC-AUC 分数 / ROC-AUC 分数

  • 可视化方法 / 可视化方法

  • 混淆矩阵 / 混淆矩阵

  • 学习曲线 / 学习曲线

  • 精确率 / 精确率

  • 召回率 / 召回率

  • F1 分数 / F1 分数

  • 支持 / 支持

  • 训练准确率 / 训练准确率

• 测试指标，实时物体识别应用

  • 关于 / 理解测试指标

  • 交集与并集 (IoU) / 交集与并集 (IoU)")

  • 平均精度均值 (mAP) / 平均精度均值

• 测试指标，聊天机器人的修订版

  • 关于 / 理解测试指标

  • 惊奇度 / 惊奇度

  • 损失 / 损失

• textrank_text_summarizer 函数

  • 关于 / 生成摘要

  • 使用 / 生成摘要

• 思维向量 / 理解 seq2seq 模型

• 训练模型

  • 预测 / 预测和保存训练模型

  • 保存 / 预测和保存训练模型

• 迁移学习

  • 关于 / 迁移学习, 什么是迁移学习?

  • 预训练模型 / 什么是预训练模型?

  • 预训练模型，优势 / 什么是预训练模型?, 为什么我们应该使用预训练模型?

  • 预训练模型，使用 / 如何使用预训练模型?

• 真阴性 (TN) / 理解测试矩阵

• 真阳性 (TP) / 理解测试矩阵

• 图灵测试

  • 参考 / 开放域

U

• users.tsv

  • 关于 / users.tsv

  • 用户 ID / users.tsv

  • 窗口 ID / users.tsv

  • 分割 / users.tsv

  • 城市 / users.tsv

  • 州 / users.tsv

  • 国家 / users.tsv

  • ZipCode / users.tsv

  • 学位类型 / users.tsv

  • 专业 / users.tsv

  • 毕业日期 / users.tsv

  • 工作历史数量 / users.tsv

  • 总工作经验年数 / users.tsv

  • 目前就业状态 / users.tsv

  • 管理他人 / users.tsv

  • 管理人数 / users.tsv

• user_history.tsv

  • 关于 / user_history.tsv

  • 序列 / user_history.tsv

  • 职位名称 / user_history.tsv

• Utils.py 文件

  • build_feature_matrixs 函数 / Utils.py

  • low_rank_svd 函数 / Utils.py

V

• 可视化 / 可视化方法

• 基于投票的集成机器学习模型 / 基于投票的集成机器学习模型

Y

• YOLO

  • 关于 / 如何使用预训练模型?, 理解 YOLO

  • 工作 / YOLO 的工作原理

  • 优势 / YOLO 的工作原理

  • 架构 / YOLO 的架构

• YOLO 实现，使用 Darkflow

  • 执行 / 使用 Darkflow 的实现

  • Cython，安装 / 安装 Cython

  • 设置文件，构建 / 构建已提供的设置文件

  • 环境，测试 / 测试环境

  • 目标检测，在图像上运行 / 加载模型并在图像上运行目标检测

  • 目标检测，在视频流上运行 / 加载模型并在视频流上运行目标检测

• YOLO 实现，使用 Darknet

  • 执行 / 使用 Darknet 的实现

  • 环境设置，针对 Darknet / 为 Darknet 设置环境

  • Darknet. 编译 / 编译 Darknet

  • 预训练权重，下载 / 下载预训练权重

  • 图像目标检测，运行 / 运行图像目标检测