机器学习好文章收藏（待更新）

Bootstrap重采样进行参数估计 - 置信区间 参考 Bootstrap采样 用 Bootstrap 进行参数估计大有可为 利用Bootstrap法估计置信区间 python之Boostrap自助法介绍 统计学中的Bootstrap方法（Bootstrap抽样） ​ 主要是在看SCRFD论文时，看到作者在寻找网络结构各模块的计算开销比例时，分别使用Empirical Bootstrap求解computation ratio的置信区间，用于下一步的网络配置自动生成（很好

kiko力求用最通俗的语言和实战案例来解释机器学习的相关内容！

2016 年 11 月，谷歌宣布将其多语言神经机器翻译系统整合到谷歌翻译中，标志着深度人工神经网络在大规模生产中的首批成功案例之一。1据 Google 称，通过此次更新，翻译质量的一次飞跃提升幅度超过了过去 10 年的总和。深度学习的这种成功更新了对机器学习 (ML) 的广泛兴趣。从那时起，越来越多的公司转向机器学习来解决他们最具挑战性的问题。在短短五年内，机器学习几乎进入了我们生活的方方面面：我们如何获取信息、我们如何沟通、我们如何工作、我们如何找到爱。ML 的传播是如此之快，以至于已经很难想象没有它的生

applied-ml是一个精心策划的生产级机器学习资源库，汇集了来自各大科技公司的数据科学与机器学习实践文章、论文和博客。无论是机器学习新手还是有经验的从业者，都能在这里找到宝贵的实战经验和最佳实践指南。 ## 为什么选择applied-ml？ 在机器学习领域，理论知识与实际应用之间往往存在巨大鸿沟。applied-ml的独特之处在于： - **实战导向**：所有资源均来自一线科技公司的实际

onnx标准 & onnxRuntime加速推理引擎 文章目录onnx标准 & onnxRuntime加速推理引擎一、onnx简介二、pytorch转onnx三、tf1.0 / tf2.0 ckpt转onnx四、python onnx的使用1、环境安装2、获得onnx模型权重参数（可视化）3、onnx模型推理 参考博客： ONNX运行时：跨平台、高性能ML推断和训练加速器 python关于onnx模型的一些基本操作 ONNX 與 Azure Machine Learning：建立並加速 M

如何租用AutoDL显卡跑项目 使用步骤 1、租用新实例 参考AutoDL-GPU租用平台使用教程，AutoDL快速开始 2、安装个人版XShell 7 + xftp7，注意要先下XShell，再下载xftp，否则xftp下载时会报-1603致命错误。参考XShell安装 3、使用XShell连接服务器，使用xftp上传代码到/root/auto-tmp下，因为根目录是系统盘（20G），auto-tmp为挂载盘（100G） 4、创建并激活虚拟环境：（不建议直接在root下装环境） cond

自动语音识别（ASR）综述

WeNet：面向工业落地的E2E语音识别工具

将tensorflow 1.x & 2.x转化成onnx文件 文章目录将tensorflow 1.x & 2.x转化成onnx文件一、tensorflow 1.x转化成onnx文件1、ckpt文件生成2、打印权重参数名称3、ckpt文件转pb4、ckpt文件转onnx（--checkpoint）二、tensorflow 2.x转化成onnx文件1、ckpt转savemodel（pb）1）错误用法（不能冻结权重生成pb）2）正确用法（saved_model）2、pb转onnx3、小总结（★★★

matlab如何导出数据 今天想打开.dat格式的文件，但是用文本编辑器打开出现乱码，用java的字节流读取文件也乱码。上网查了.dat文件，了解到要打开.dat文件，就要找到所谓的钥匙。 没有一个100%能打开所有DAT文件的软件，如果记事本打不开那怎么办呢？套用那句老话“解铃还须系铃人”，因此您得知道这个“系铃人”是谁（就是对应的程序是哪个）！ 参考DAT文件如何打开 看了"系铃人"发来的数据集，他说用matlab打开（注意在运行程序时，如果报错（错误使用fread），看是否将文件添加到指定路径）

Yolov5模型的简单使用

【语音合成】TensorFlowTTS 中文文本转语音

模型部署之 ONNX ONNXRuntime 转载至模型部署之 ONNX ONNXRuntime

基于面部Fatigue检测的技术报告 文章目录基于面部Fatigue检测的技术报告关于疲劳驾驶检测研究主要有哪几个方向基于面部的疲劳检测研究的发展现状共搜集43篇论文按年份和科研单位及刊物级别进行分析按年份和使用的模型进行分析按年份和数据集进行分析按年份和针对的问题来分析计算机视觉研究热点趋势分析我觉得比较水的疲劳检测论文无外乎这几点疲劳检测的解决方案研究（科学性研究）最近这3年的疲劳检测发展现状基于面部的疲劳检测研究，可以上升到了一个哲学问题我们不禁停下来思考，疲劳究竟是什么？科学有意义的疲劳检测研究应该

关于相似度计算方法的python实现 参考 各种相似度计算的python实现 [KNN]基于numpy的曼哈顿距离实现 余弦距离介绍 欧氏距离，曼哈顿距离：计算两个向量间的相似程度，值越小，相似度越高 高斯距离（标准化欧氏距离）：计算两个向量间的相似程度，值越大，相似度越高 余弦相似度：取值范围是[-1,1]，相同两个向量的之间的相似度为cos(0°)=1，方向上正相关；cos(180°) = -1，方向上负相关。 **pearson系数：**用于研究不同变量（n个变量）两两间的相关程度，相关性矩阵（

Python利用PCA压缩图片 参考 Python利用PCA对图片进行降维处理 PCA降维 维度 样本数 feature数 1、python代码实现PCA 这里先将1280的1D向量转变成2D图片之后，再进行PCA降维处理（但是这么做不是很科学，因为转2D后，同一列的数据实际含义是不同的） from sklearn.decomposition import PCA '''PCA对图像进行压缩''' #参考 https://blog.csdn.net/u010687164/article/details

【自动驾驶】高级辅助驾驶系统与车联网

贝叶斯公式理解与应用 文章目录贝叶斯公式理解与应用一、什么是贝叶斯公式0、举个栗子1、条件概率2、先验概率3、后验概率4、贝叶斯公式二、为什么用贝叶斯公式0、举个栗子1、优点1：考虑所有因素2、优点2：谨慎对待每个因素三、似然函数和概率函数1、概率和统计2、似然函数和概率函数3、MLE和MAP1）最大似然估计2）最大后验概率估计四、疑问解答1、问题1：后验概率和条件概率是一回事吗？2、问题2：概...

Git Bash中grep管道中文乱码解决方案 在Windows的Git Bash中，使用grep过滤Python程序输出时，常遇到Binary file matches报错和中文乱码问题。原因包括：ANSI颜色转义码导致grep误判为二进制文件，以及Python的UTF-8输出与Windows默认GBK编码冲突。 解决方案： 永久解决：在~/.bashrc中添加export PYTHONIOENCODING=utf-8，确保编码一致。 临时绕过：使用grep -a强制文本处理，但需配合编码设置。 其他方法