原创 智能催收取代人工催收只是噱頭嗎?

中國經濟新聞網 2021-02-08 16:52:39   金融行業裏有句話“三分貸,七分管”,深刻說明貸後管理在整個借貸生命週期的重要性。催收作爲貸後管理的核心環節,一直被“寄予厚望”。不管是銀行還是互金企業,催收的作用都極爲明顯:一能夠

原创 圖神經網路

谷歌deepmind科學家Petar Veličković推薦的關於圖神經網絡的一些blog和資源:圖卷積網絡:https://                                tkipf.github.io/graph-co

原创 Bert可以提取關鍵詞了:KeyBERT的介紹與使用

簡介 官方文檔:https://maartengr.github.io/KeyBERT/ KeyBERT是一種小型且容易上手使用的關鍵字提取技術,它利用BERT嵌入來創建與文檔最相似的關鍵詞和關鍵字短語。 儘管我們已經有許多可用於關鍵

原创 可視化Keras模型

您是否曾經想過您的神經網絡實際上是如何連接不同的神經元的?如果您可以可視化所設計的模型架構,那不是很好嗎?如果您可以將模型架構下載爲演示時可以使用的圖像,那不是很好嗎?如果所有這些都爲“是”,那麼您來對地方了。 在本文中,我將向你展示一個

原创 深度學習模型實戰-深度學習模型在各大公司實際生產環境的應用講解文章 搜素 圖譜 視頻 推薦 NLP

倉庫地址:https://github.com/DA-southampton/Tech_Aarticle/edit/master/README.md 建這個倉庫的是因爲工作之後發現生產環境中應用的模型需要做到速度和效果的平衡,並不是越複雜越

原创 【轉】聽說你瞭解深度學習最常用的學習算法:Adam優化算法?

深度學習常常需要大量的時間和機算資源進行訓練,這也是困擾深度學習算法開發的重大原因。雖然我們可以採用分佈式並行訓練加速模型的學習,但所需的計算資源並沒有絲毫減少。而唯有需要資源更少、令模型收斂更快的最優化算法,才能從根本上加速機器的學習速度

原创 自動化數據分析框架比較-EDA Is All You Need 📊 AutoViz 📚 📊 SweetViz 📚 📊 D-Tale 📚 📊 Dataprep 📚

在本文章,我們主要給大家介紹一些頂級的自動化EDA工具,並且通過實例來展示具體效果。 代碼鏈接:https://www.kaggle.com/andreshg/automatic-eda-libraries-comparisson/note

原创 時間序列的Transformer 目錄 介紹 預處理 可學習的時間表示 建築 袋裝技巧

https://towardsdatascience.com/the-time-series-transformer-2a521a0efad3 目錄 介紹 預處理 可學習的時間表示形式(時間2 Vec) 建築 袋裝技巧(培訓變形金剛時應考

原创 圖神經網絡(03)-Node Embeddings

1 引言 圖的表示學習的目的就是獲得獨立於不同任務的高效特徵,通俗點講就是能夠針對不同任務學習得到適合任務的嵌入表示。 Node Embedding的目的就是能夠將節點映射到不同的embedding空間: 節點間的embedding的

原创 全新Gensim4.0代碼實戰(03)-相似性查詢

和鯨項目地址:https://www.kesci.com/mw/project/601287f6ac79f40016a6d968 安裝 !pip install gensim==4.0.0b0 -i https://pypi.tuna.t

原创 Wen

文藝復興歐洲文化運動語言監視編輯瞭解更多本條目存在以下問題,請協助改善本條目或在討論頁針對議題發表看法。  此條目介紹的是發生於14世紀至17世紀的歐洲文藝復興運動。關於歐洲早期的文藝復興運動,請見「12世紀的文藝復興」。關於8世紀的文藝復

原创 全新Gensim4.0代碼實戰(02)-主題模型和文檔表示

介紹轉換並在一個demo語料庫上演示它們的使用。 import logging logging.basicConfig(format='%(asctime)s : %(levelname)s : %(message)s', level=lo

原创 全新Gensim4.0代碼實戰(01)-安裝與快速上手

本節代碼地址:https://www.kesci.com/mw/project/600ade02e455800015b7e609 Gensim簡介 專門訓練詞向量的Python接口。 Gensim中的核心算法使用了核心算力,高度優化和

原创 圖神經網絡(02)-基於Graph的傳統機器學習理論

圖學習任務 我們簡單回顧下,上一節我們介紹了,圖的機器學習任務主要是以下三種: Node Level:節點級別 Link Level:邊級別 Graph Level:圖級別 並且三部分難度依次是由淺入深的 傳統ML流程 定義和

原创 Markdown中常見的LaTeX公式

https://juejin.cn/post/6844903605720317959#heading-0 角標 上標 ^ 下標 _ 名稱 數學表達式 makrdown公式 上標 $a^b$ 下標 $a_b$