文章
深度学习实践篇[17]:模型压缩技术、模型蒸馏算法:DynaBERT、TinyBERT
深度学习实践篇17:模型压缩技术、模型蒸馏算法:PatientKD、DistilBERT、DynaBERT、TinyBERT1.模型压缩概述1.2模型压缩原有理论上来说,深度神经网络模型越深,非线性程度也就越大,相应的对现实问题的表达能力越强,但相应的
时间序列异常检测:统计和机器学习方法介绍
在本文中将探索各种方法来揭示时间序列数据中的异常模式和异常值。时间序列数据是按一定时间间隔记录的一系列观测结果。它经常在金融、天气预报、股票市场分析等各个领域遇到。分析时间序列数据可以提供有价值的见解,并有助于做出明智的决策。异常检测是识别数据中不符合预期行为的模式的过程。在时间序列数据的上
R语言ARIMA-GARCH波动率模型预测股票市场苹果公司日收益率时间序列|附代码数据
原文链接:http://tecdat.cn/?p23934(https://link.segmentfault.com/?encS08kJ79dQOuuUpakNu%2BK%2Fw%3D%3D.KmKIWNKkD4kuSXPzYeSZIWRtziwqcNPveyKaQ4BBAKk%3D
Python贝叶斯回归分析住房负担能力数据集|附代码数据
原文链接:http://tecdat.cn/?p11664(https://link.segmentfault.com/?enccTQX2TTB%2FOE7jFqlRipIlg%3D%3D.kR7kMJjF7fWU8auyTmP7cgargI%2FeGge4wslylu%2F0IlU
深度学习应用篇-元学习[16]:基于模型的元学习-Learning to Learn优化策略、Meta-Learner LSTM
深度学习应用篇元学习16:基于模型的元学习LearningtoLearn优化策略、MetaLearnerLSTM1.LearningtoLearnLearningtoLearnbyGradientDescentbyGradientDesc
深度学习应用篇-元学习[15]:基于度量的元学习:SNAIL、RN、PN、MN
深度学习应用篇元学习15:基于度量的元学习:SNAIL、RN、PN、MN1.SimpleNeuralAttentiveLearner(SNAIL)元学习可以被定义为一种序列到序列的问题,在现存的方法中,元学习器的瓶颈是如何去吸收同化利用过去的经验。注意力机制可以
XGBoost超参数调优指南
本文将详细解释XGBoost中十个最常用超参数的介绍,功能和值范围,及如何使用Optuna进行超参数调优。!(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/a0f536dc61ff6e247ed568ed14d88800.p
R语言线性混合效应模型(固定效应&随机效应)和交互可视化3案例|附代码数据
全文下载链接:http://tecdat.cn/?p23050(https://link.segmentfault.com/?enc5MSYMMYX9FeaB9fZeiLQBw%3D%3D.vYJ7z72geVSnnkWblfF9gjW0qiGo7inStKSBSMvSyAM%3D)
RNN循环神经网络 、LSTM长短期记忆网络实现时间序列长期利率预测|附代码数据
全文链接:http://tecdat.cn/?p25133(https://link.segmentfault.com/?enc5xjfa8FIhIbl%2BLlkJHlK2w%3D%3D.yfuyQMpOpjj1ATXJIx52NcMLWlj%2BL8ianL6q4ziIsos%3D
R语言HAR和HEAVY模型分析高频金融数据波动率|附代码数据
全文链接:http://tecdat.cn/?p19129(https://link.segmentfault.com/?enckelN1y8Lj3AMvNBxYUkuTg%3D%3D.w7tN%2FPILKStTpDfTlNCh5RqlYFpFI48dTV17FrKECnQ%3D)
已加载文章中没有匹配内容,试试其他关键词或清空搜索。