https://gatk.broadinstitute.org/hc/en-us/articles/360035890811-Resource-bundle
Root 编译自GitHub 量子位 出品 | 公众号 QbitAI TensorFlow官方在GitHub上推了一个AlphaGo Zero的开源代码！ 这个叫做Minigo的围棋AI引擎，是一个使用Python语言、在TensorFlow框架实现的基于神经网络的围棋算法。 这个项目确实是受到DeepMind的AlphaGo算法的启发，但TensorFlow官方再三强调这个项目不属于DeepMind，也不是官方正式的AlphaGo项目。 不是行货！不是行货！不是行货！ 重要的事情说三遍！ DeepMind
大数据文摘作品 作者：Kailash Ahirwar 编译：糖竹子，一针，Aileen 对于初学者，机器学习和深度学习课程会很困难，此外各类深度学习库也十分难理解。我在Github上创建了一个本地库（https://github.com/kailashahirwar/cheatsheets-ai），里面包含了从不同渠道收集的速查表，可以直接下载。尽管拿去用吧，同时欢迎补充完善! 1. Keras Karas是Theano和TensorFlow平台上一款强大易用的深度学习库。它为发展和训练深度学习模型提供
如今，它终于有了自己的名字，叫StyleGAN。顾名思义，GAN的生成器，是借用风格迁移的思路重新发明的。
今天给大家介绍一个Python语言中不常用但非常好用的统计分析可视化包-grplot，它可以快速帮助使用者构建出好看的统计插图，基于 numpy、scipy、matplotlib、seaborn、squarify以及pandas等拓展库，只需一行代码，就能绘制出完整、美观的统计图。
Photo by Tobias Fischer[9] on Unsplash[10]
机器学习和深度学习工程师必备-速查表 机器学习很复杂。对于新手来说，如果他们没有合适的学习资源，则开始学习机器学习会很痛苦。大多数机器学习库很难理解，学习曲线可能会令人沮丧。
本文是Chatbots Life创始人Stefan Kojouharov花费数学心血搜集的AI概念速查表，是学习神经网络、机器学习、深度学习与大数据必备之良方。 1. 神经网络 2. 神经网络结构
本文是Chatbots Life创始人Stefan Kojouharov花费数学心血搜集的AI概念速查表，是学习神经网络、机器学习、深度学习与大数据必备之良方。 1. 神经网络 2. 神经网络结构 3. 神经网络公式 4. 机器学习：概览 5. 机器学习：Scikit-learn算法 Scikit-learn是基于Python的功能强大的开源科学计算工具包，内含分类、回归、聚类、支持向量机、随机森林与Gradient Boosting等算法。 6. 机器学习：算法概览 7. Python数据科学 8.
本文是Chatbots Life创始人Stefan Kojouharov花费数学心血搜集的AI概念速查表，是学习神经网络、机器学习、深度学习与大数据必备之良方。 （温馨提示：点击图片可查看大图） 1. 神经网络 2. 神经网络结构 3. 神经网络公式 4. 机器学习：概览 5. 机器学习：Scikit-learn算法 Scikit-learn是基于Python的功能强大的开源科学计算工具包，内含分类、回归、聚类、支持向量机、随机森林与Gradient Boosting等算法。 6. 机器学习：算法概览
导读：本文涵盖了神经网络结构、机器学习、TensorFlow、Pandas、Numpy、Python、Scikit-Learn、Scipy等的基本概念与使用方法。
以下是关于神经网络、机器学习、深度学习以及大数据学习的备忘单，其中部分内容和此前发布的《资源 | 值得收藏的 27 个机器学习的小抄》有所重复，大家可以两篇综合起来看。 提示：点击图片查看大图 神
本文涵盖了神经网络结构、机器学习、TensorFlow、Pandas、Numpy、Python、Scikit-Learn、Scipy等的基本概念与使用方法。
在过去的几个月里，我一直在收集AI备忘单。我不时与朋友和同事分享这些内容，最近我被问到很多，所以我决定组织和分享整个系列。为了使事情更有趣并给出上下文，我为每个主要主题添加了描述和/或摘录。
这个速查表可以帮助你为你的任务找到合适的estimator，这个是工作中最困难的地方。流向图帮助你查找文档，estimator也能大致的帮助你更加好的理解你的问题，以及如何解决问题。
过去的几个月中，我都在收集AI速查表。我时不时的分享给同学和朋友，他们经常问我要。所以我决定整理一下，发出来。为了让这件事情更加有趣，我对每个主题加了点描述。
方法解析顺序, Method Resolution Order 从一段代码开始 考虑下面的情况: class A(object): def foo(self): print('A.foo()') class B(object): def foo(self): print('B.foo()') class C(B, A): pass c = C() c.foo() C同时继承了类A和类B, 它们都有各自的foo()方法. 那么C的实例c调用foo()方法时, 到底是调用A.foo()还是B.f
在一个Figure上面，可能存在多个Axes对象，如果Figure比较小，那么有可能会造成一些图形元素重叠，这时候我们就可以通过fig.tight_layout或者是fig.subplots_adjust方法来帮我们调整。假如现在没有经过调整，那么以下代码的效果图如下：
如果不同的父类中存在 同名的方法，子类对象在调用方法时，会调用哪一个父类中的方法呢？
通过我们在启动spring项目或者其他中间件和小工具的时候，会遇到输出一些有意思的图案，于是也挺好奇这些是如何制作的，于是在网上找到了以下几种实现的工具以及网站可以直接制作，然后在程序启动的时候打印出来这些字符。整理一下分享给大家。
机器学习保罗万象，在学习这门技术时，最好可以有一些速查手册之类的东西在手边，它们列出了需要了解的关键点。Robbie Allen整理了20多个与机器学习相关的速查资料，并分享出来，或许也可以帮助其他学
本人最近在使用python版的微信做了一些模拟操作，使用的wxpy封装好的框架api，聊天机器人接入的是图灵，其他的暂时还没有功能的接入计划。
Matplotlib是Python的画图领域使用最广泛的绘图库，它能让使用者很轻松地将数据图形化以及利用它可以画出许多高质量的图像，是用Python画图的必备技能。对于这个教程，大家最好亲自码一遍代码，这样可以更有收获。
在本文中，将学习如何使用Python语言进行图像处理，我们不会局限于一个单独的库或框架，然而，有一个库的使用率将会是最高的，那就是OpenCV。我们一开始会讨论一些图像处理，然后继续探讨不同的应用/场景，也就是图像处理的用武之地。开始吧!
Matplotlib 3.0来了！新版Matplotlib已能通过PyPI安装了，不过，这一版本只支持python 3，Python 2死忠还得继续用2.2.x版本。
我知道，一说到数字经济，数字化转型，数字化人才，你第一感觉就是：跟我有半毛钱关系。诶，不要着急！
openGauss于6月30号开源，继承于原来的GaussDB300的内核，最初源于pg9.2.4内核，但是对pg内核做了很多改动，具体可以参考我这篇文章《华为GaussDB相比PostgreSQL做了哪些内核优化？》。其实从参数也可以看出来华为对内核的改造，在pg11.3版本数据库中共有290个参数，openGauss里目前有515个参数，我们知道数据库参数都是涉及到非常内核的东西，所以华为的研发能力还是很强的。比如说前两天刚刚看到一个参数enable_increment_checkpoint，在openGauss里支持了增量检查点，默认使用double write双写机制来确保不会出现断页的问题，代替了full_page_writes带来的性能开销和wal容量开销。
在我刚开始学习GS的时候，我是从混合线性模型（LMM）的基础上理解的，因为动物模型BLUP，所以基因组选择GBLUP，再所以一步法ssGBLUP。
机器学习 以下是一些实用的流程图和机器学习算法表。 神经网络架构 来源： http : //www.asimovinstitute.org/neural-network-zoo/ The Neura
为帮助大家能在6月18日的比赛中有一个更好的成绩，我会将蓝桥杯官网上的历届决赛题目的四类语言题解都发出来。希望能对大家的成绩有所帮助。
机器学习(Machine Learning)有很多方面，当我开始研究学习它时，我发现了各种各样的“小抄”，它们简明地列出了给定主题的关键知识点。最终，我汇集了超过 20 篇的机器学习相关的小抄，其中一些我经常会翻阅，而另一些我也获益匪浅。这篇文章里面包含了我在网上找到的 27 个小抄，如果你发现我有所遗漏的话，请告诉我。 机器学习领域的变化是日新月异的，我想这些可能很快就会过时，但是至少在目前，它们还是很潮的。 机器学习 这里有一些有用的流程图和机器学习算法表，我只包括了我所发现的最全面的几个。 神经网络架
当你还在GBLUP或者贝叶斯类方法进行优化时, 我带着卷积神经网络进行了降维打击…
一般使用纯 NumPy 实现深度网络会面临两大问题，首先对于前向传播，卷积和循环网络并不如全连接网络那样可以直观地实现。为了计算性能，实践代码与理论之间也有差别。其次，我们实现了前向传播后还需要继续实现反向传播，这就要求我们对矩阵微分和链式法则等数学基础都有比较充足的了解。
PU（图形处理单元）最初是为计算机图形开发的，但是现在它们几乎在所有需要高计算吞吐量的领域无处不在。这一发展是由GPGPU(通用GPU)接口的开发实现的，它允许我们使用GPU进行通用计算编程。这些接口中最常见的是CUDA，其次是OpenCL和最近刚出现的HIP。
来源：机器学习算法与自然语言处理 本文多资源，建议收藏。 本文针对机器学习基本概念及编程和数学基础，为你列出相应的学习资源。 机器学习(Machine Learning)有很多方面，当我开始研究学习它时，我发现了各种各样的“小抄”，它们简明地列出了给定主题的关键知识点。最终，我汇集了超过 20 篇的机器学习相关的小抄，其中一些我经常会翻阅，而另一些我也获益匪浅。这篇文章里面包含了我在网上找到的 27 个小抄，如果你发现我有所遗漏的话，请告诉我。 机器学习领域的变化是日新月异的，我想这些可能很快就会过时，
开启掘金成长之旅！这是我参与「掘金日新计划 · 12 月更文挑战」的第34天，点击查看活动详情
本篇文章记录如何使用python将pdf文件切分成一张一张图片，包括环境配置、版本兼容问题。 环境配置（mac） 安装ImageMagick brew install imagemagick 这里有个坑，brew安装都是7.x版本，使用wand时会出错，需要你安装6.x版本。 解决办法： 1.安装6.x版本 brew install imagemagick@6 2.取消链接7.x版本 brew unlink imagemagick Unlinking /usr/local/Cellar/imagemagic
尽管 NumPy 不能利用 GPU 的并行计算能力，但利用它可以清晰了解底层的数值计算过程，这也许就是为什么 CS231n 等课程最开始都要求使用 NumPy手动实现深度网络的原因吧。
资源 文档： https://skorch.readthedocs.io/en/latest/?badge=latest 源代码 https://github.com/dnouri/skorch/
机器学习(Machine Learning)有很多方面，当我开始研究学习它时，我发现了各种各样的“小抄”，它们简明地列出了给定主题的关键知识点。最终，我汇集了超过 20 篇的机器学习相关的小抄，其中一些我经常会翻阅，而另一些我也获益匪浅。这篇文章里面包含了我在网上找到的 27 个小抄，如果你发现我有所遗漏的话，请告诉我。
机器学习涉及到的方面非常多。当我开始准备复习这些内容的时候，我找到了许多不同的”速查表”, 这些速查表针对某一主题都罗列出了所有我需要知道的知识重点。最终我编译了超过 20 份机器学习相关的速查表，其中一些是我经常用到的而且我相信其他人也会从中受益。本文整理了我在网络上找到的 27 个速查表，我认为比较好。如果我有遗漏，欢迎补充。
今天分享一篇机器学习的文章。翻了一半，发现Linux中国已经翻译过了。。。干脆搬过来，还有一个姊妹篇《My Curated List of AI and Machine Learning Resources from Around the Web》，明天准备发这个。 原文地址是：Cheat Sheet of Machine Learning and Python (and Math) Cheat Sheets 译文地址是：https://linux.cn/article-8754-1.html 机器学
网格搜索(grid search)，作为调参很常用的方法，这边还是要简单介绍一下。
Pandas 是 Python 为解决数据分析而创建的，详情看官网 (https://pandas.pydata.org/)。 在使用 pandas 之前，需要引进它，语法如下：
Skorch 是一个兼容 Scikit-Learn 的 PyTorch 神经网络库。
全球每年约有1700万人死于心血管疾病，当中主要表现为心肌梗死和心力衰竭。当心脏不能泵出足够的血液来满足人体的需要时，就会发生心力衰竭，通常由糖尿病、高血压或其他心脏疾病引起。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频
