这是 ShowMeAI 持续分享的『随书代码』系列，文件是《ML Recipe》的随书代码。 ◉ 简介：原书包含自然语言处理、图像与文字、计算机视觉三个部分，具有相当的专业深度，对于学习者和有一定经验的从业者都是适用的，对于建立深度学习模型并解决实际任务来说，都是有帮助的。 ◉ 目录： Natural language processing / 自然语言处理 - Named entity recognition / 命名实体识别 - Masked language modeling / 掩码语言建模 - Machine translation / 机器翻译 - Causal language modeling / 概率语言建模 Image & Text / 图像与文字 - Image captioning / 看图说话 Computer vision / 计算机视觉 - Image classification / 图像分类 - Image segmentation / 图像分割 - Object detection / 目标检测

计算机课程设计，深度学习和目标测。包括图像分类和每一步检测、数据集的转换齐全。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。

Representation Learning on Networks 1) Node embeddings：Map nodes to low dimensional embeddings 2) Graph neural networks：Deep learning architectures for graph structured data 3) Applications

随着全球数据量的激增，集中式云计算无法提供低时延、高效率的视频监控服务。基于此，提出分布式边缘计算模型，在边缘端直接处理视频数据，减少网络的传输压力，缓解中央云服务器的计算负担，降低视频监控系统的处理时延。结合联邦学习算法，采用轻量级神经网络，分场景训练模型，并将其部署于计算能力受限的边缘设备上。实验结果表明，对比通用神经网络模型，所提方法检测准确度提高18%，模型训练时间有效减少。

这是 ShowMeAI 持续分享的重磅报告系列！《State of AI Report 2022》是一份发布于2022年10月的报告，作者Nathan Benaich和Ian Hogarth从Research、Industry、Politics、Safety等四个方面，对2022年的发展做了汇总梳理，并对新一年的发展进行了预测。完整报告 114 页。 ◉ 内容要点： ① 大厂实验室走向封闭，但是新的独立研究实验室正在迅速开源。虽然 AI 研究呈现集中趋势，但计算与访问成本的降低催生了走在研究最前沿的小型实验室（如 Stability.AI 和 Midjourney）。 ② 人工智能研究越来越关注安全领域。安全研究人员在大型 AI 实验室的安全研究人员，由去年的不到100人增长为300人，这也有望提升安全学者的认可度。 ③ 中美人工智能研究差距继续扩大，自2010年以来，中国机构发表的论文数量是美国机构的4.5倍，明显超过美国、印度、英国和德国的总和。 ④ 人工智能驱动的科学研究继续取得突破，但数据泄漏等重大方法错误需要进一步调查，否则会导致 AI 危机的日益严重。

这是 ShowMeAI 持续分享的速查表系列！本系列速查表包含 200 多张知识卡片，分为『计算机科学』『机器学习』『计算机视觉和深度学习基础』『计算机视觉和深度学习精选专题』4个主题，用以回顾多年的 ML 研究、课程和学习中的所有内容，并为机器学习工程师的面试做准备。 这个文件是『机器学习』主题（其他部分的下载链接见评论区），包含以下部分： - Loss Functions & Metrics （损失函数 & 矩阵） - Experimental Designs and Paradigms （实验设计与范式） - Statistical Data Processing （统计数据处理） - Misc. Classical ML Models （经典的ML模型）

这是 ShowMeAI 持续分享的速查表系列！本速查表是《数据科学家学习路线图》，作者与硅谷多家顶级科技公司的高级数据科学家、数据科学经理们进行了交谈，并从这些对话中总结了经验，绘制了这张路线图。每个有兴趣进入数据科学领域的人，可以根据这张路线图有目标和重点地进行学习。

这是 ShowMeAI 持续分享的速查表系列！《2022年人工智能专家成长路线图》是一组图表，展示了成为数据科学、机器学习工程师或人工智能专家的成长路径，包含数据科学路线图、机器学习路线图、深度学习路线图、数据工程师路线图、大数据工程师路线图等 7 个主题，可视化效果非常酷炫！

An Image is worth 16x16 Words: Transformer for image recognition手写笔记

这里是 ShowMeAI 持续分享的【开源eBook】系列！内容覆盖机器学习、深度学习、数据科学、数据分析、大数据、Keras、TensorFlow、PyTorch、强化学习、数学基础等各个方向。整理自各平台的原作者公开分享（审核大大请放手） ◉ 简介：从2016年春季学期开始，作者 Jeff Heaton 开始为圣路易斯华盛顿大学教授 T81-558 深度学习的应用课程，并将课程材料、例子和作业放在 GitHub 上，逐渐丰富演变成了这本书。 ◉ 目录： 第1章：Python 预备课程 第2章：用于机器学习的 Python 第3章：TensorFlow 简介 第4章：表格数据训练 第5章：正则化和Dropout 第6章：用于计算机视觉的卷积神经网络 第7章：生成对抗网络 第8章：Kaggle 数据集 第9章：迁移学习 第10章：Keras 中的时间序列 第11章：Hugging Face的自然语言处理 第12章：强化学习 第13章：高级/其他主题 第14章：其他神经网络技术