describeX：面向数据科学家的可解释AI框架 ExplainX是面向数据科学家和业务用户的模型可解释性/可解释性框架。 使用explainX可以了解整体模型的行为，解释模型预测背后的“原因”，消除偏见并为您的业务涉众创建令人信服的解释。 为什么我们需要模型可解释性和可解释性？ 必不可少的 解释模型预测 调试模型 检测数据偏差 获得业务用户的信任 成功部署AI解决方案 我们可以用explainX回答什么问题？ 为什么我的模型出错？ 我的模特有偏见吗？ 如果是，在哪里？ 我如何理解和信任模型的决策？ 我的模型满足法律和法规要求吗？ 我们已在服务器上部署了该应用程序，因此您可以使用

图片字幕 :man::laptop: 基于CNN和LSTM概念以及Flicker_8k和GUI数据集的图像标题深度学习模型 :mechanical_leg: 来自tkinter。 Convolutional Neural Network是一种深度学习算法，可以吸收输入图像，为图像中的各个方面/对象分配重要性，并能够区分彼此。 这种方法的流程结构就像 在分类的最后一部分中，我们使用了RNN的扩展版本，即LSTM ，它使用了存储的内存和结构看起来像 表格中的数据集 图像 标签 一个穿着粉红色裙子的孩子正在以入门方式爬上楼梯。 一个走进一幢木制建筑物的女孩。 一个小女孩爬进一个木制剧场。 一个小女孩爬上楼梯到她的游戏室。 一个小女孩穿着粉红色的连衣裙走进一个小木屋。 数据集和。 以下图像标签上的步骤 取材和清洁的标准方法 如果您没有强大的GPU，则从大型数据集中提取特征将花费大量时间。 我的机器大约需要6-7分钟。 您可以使用GPU机器在

在这里，我有信用风险数据集的代码。 在此数据集中，有许多细节，例如... Loan_ID 614非空对象性别614非空int32已婚614非空int32依赖对象614非空int32教育614非空对象Self_Employed 614非空int32 ApplicantIncome 614非空int64 CoapplicantIncome 614非空float非空float64 Loan_Amount_Term 614非空float64 Credit_History 614非空float64 Property_Area 614非空对象Loan_Status 614非空int32 在这种情况下，我们必须预测该人是否将获得贷款（1）或不获得（0）。 '''贷款ID无效Loan_status是目标变量'''清理数据（填充Null数据，将String转换为整数）后，我使用了各种分类算法。（COZ是

模型压缩ppt的总结，可以作为粗略的一个概述，很精炼。

MegEngine模型 本仓库包含了采用实现的各种主流深度学习模型。 目录下提供了各种经典的图像分类，目标检测，图像分割以及自然语言模型的官方实现。每个模型同时提供了模型定义，推理以及训练的代码。 官方会一直维护下代码，保持适应MegEngine的最新API，提供最优的模型实现。同时，提供替代的学习文档，帮助新手学习如何在MegEngine下训练自己的模型。 概述 对于每个模型，我们提供了至少四个脚本文件：模型定义（ model.py ），模型推理（ inference.py ），模型训练（ train.py ），模型测试（ test.py ）。 每个模型目录下都柏林对应有一个README ，介绍了模型的详细信息，并详细描述了训练和测试的流程。例如。 另外， official下定义的模型可以通过megengine.hub来直接加载，例如： import megengine.hub # 只

评分预测器 是否提供基于评论的机器学习模型，该模型可以预测评论的等级并检查其等级。

深度学习中的不确定性量化 此回购包含文献调查和基线的实现，以用于深度学习中的预测不确定性估计。 文献调查 不确定性估算的基本背景 埃夫隆（B. Efron）和蒂布希拉尼（R. Tibshirani）。 “用于标准误差，置信区间和其他统计准确性度量的引导方法。” 统计科学，1986年。 R. Barber，EJ Candes，A。Ramdas和RJ Tibshirani。 “用折刀+进行预测性推论。” arXiv，2019年。 B.埃夫隆。 “ Jackknife-bootstrap之后的标准错误和影响功能。” 皇家统计学会杂志：B系列（方法论），1992年。 J.罗宾斯和A. Van Der Vaart。 “自适应非参数置信集。” 统计年鉴，2006年。 V. Vovk等人，“跨等角预测分布”。 JMLR，2018年。 M. H Quenouille。，“时间序列相关

transfer dense121迁移学习模型模板参数不变只训练classifier这一层的参数 ，迁移学习的一个案例模板

使用TensorFlow-2.0进行深度学习 使用Tensorflow 2.0从零开始实现自己的深度学习模型 这是由发布的的代码存储库。 它包含从头到尾完成视频课程所需的所有支持项目文件。 关于视频课程 您是否渴望深入研究神经网络的细节，并愿意尝试使用它？ 您是否想学习深度学习技术，以使用最新的Tensorflow 2.0构建项目。 您可以使用Keras，但这是一个高级实现，它本身在后端使用Tensorflow，并且在TensorflowKeras之前，您无法在模型中进行最高级别的更改。 一位优秀的数据科学家必须具备幕后运作方式的技能。 本课程将通过提供Tensorflow 2.0的实践知识，帮助您成为一名优秀的数据科学家。 您将实现真正的深度学习算法，并将在所有实现中使用。 使用实现，您将学习神经网络的核心细节，例如正向传播，即如何初始化权重和反向传播，即如何使用梯度下降算法更新权重，成

图像分类 使用Tensorflow和Keras API开发了深度学习模型，以通过卷积神经网络对动物的图像进行分类。 使用Flask将开发的模型集成到Web应用程序上，并将该Web应用程序部署在Heroku上。