人工智能项目

这个仓库包含了多个机器学习领域的人工智能项目。其中许多项目在博客sciblog上有相关文章。

你可以在这个文件中找到我发布的大部分文章列表。

精选项目

• 卷积神经网络简介：在这个项目中，我们解释什么是卷积，以及如何使用MXNet深度学习库和MNIST字符识别数据集来计算CNN。这里是博客文章。

• 迁移学习简介：在这个项目中，我们使用PyTorch来解释迁移学习的基本方法（微调和冻结），并分析在哪种情况下使用每种方法更好。这里是博客文章。

• 基于Azure的云规模卷积神经网络文本分类：在这些笔记本中，我们展示了如何使用Char-CNN和VDCNN模型进行字符级卷积来进行情感分析。这里是博客文章。

• 数据生成简介：在这个笔记本中，我们展示了一些简单的技术来生成图像、文本和时间序列的新数据。这里是博客文章。

• 使用t-SNE进行降维简介：在这个项目中，我们使用sklearn和CUDA来展示t-SNE算法的示例。我们使用CNN从图像生成高维特征，然后展示如何将它们投影并可视化到二维空间。这里是博客文章。

• 使用DeepSpeed进行分布式训练简介：在这个项目中，我们展示了如何使用DeepSpeed在PyTorch中进行分布式训练。这里是博客文章。

• 欺诈检测简介：在这个笔记本中，我们使用GPU上的LightGBM（也可在CPU上使用）设计了一个实时欺诈检测模型。然后通过使用Flask和websockets将模型通过API进行操作化。这里是博客文章。

• 机器学习API简介：在这个笔记本中，我们展示了如何创建一个图像分类API。该系统使用CNTK深度学习库的预训练CNN工作。API使用Flask管理端点服务，CherryPy作为后端服务器。这里是博客文章。

• 使用深度自编码器的推荐系统简介：在这个笔记本中，我们概述了推荐系统，并使用PyTorch和Netflix数据集实现了一个使用深度自编码器的推荐API。这里是博客文章。

• 使用fastText进行自然语言处理简介：在这个项目中，我们展示了如何使用fastText库实现文本分类、情感分析和词嵌入。我们还展示了一种使用t-SNE算法在降维空间中表示词嵌入的方法。这里是博客文章。

• 股票价格时间序列预测：在这个教程中，我们展示了如何使用不同变体的LSTM和Keras实现一个简单的股票预测模型。这里是博客文章。

• 使用Datashader可视化足球比赛：在这个笔记本中，我们解释了如何使用Python库Datashader可视化自欧冠联赛开始以来的所有比赛。我们使用精益创业方法创建这个项目。这里是博客文章。