PyVerse Exploring Python Frameworks
1.0.0
ยินดีต้อนรับสู่ Pyverse โดย Tushar Aggarwal คู่มือที่ดีที่สุดของคุณในการสำรวจและการเรียนรู้กรอบ Python! ที่เก็บนี้ได้รับการออกแบบมาเพื่อช่วยให้คุณนำทางภูมิทัศน์อันกว้างใหญ่ของเฟรมเวิร์ก Python และเข้าใจคุณสมบัติของพวกเขาใช้กรณีและแนวทางปฏิบัติที่ดีที่สุด
Python ได้กลายเป็นหนึ่งในภาษาการเขียนโปรแกรมที่ได้รับความนิยมมากที่สุดในช่วงไม่กี่ปีที่ผ่านมาด้วยความเรียบง่ายความเก่งกาจและระบบนิเวศที่กว้างใหญ่ หนึ่งในปัจจัยสำคัญที่ทำให้เกิดความสำเร็จของ Python คือคอลเลกชันอันยาวนานของเฟรมเวิร์กที่ให้ความสำคัญกับโดเมนและวัตถุประสงค์ต่าง ๆ Pyverse มีเป้าหมายที่จะให้ภาพรวมที่ครอบคลุมของกรอบงานเหล่านี้ช่วยให้คุณตัดสินใจอย่างชาญฉลาดและใช้ประโยชน์จากเครื่องมือที่เหมาะสมสำหรับโครงการของคุณ
Pyverse ครอบคลุมเฟรมเวิร์ก Python ที่หลากหลายรวมถึงเฟรมเวิร์กเว็บ, กรอบการเรียนรู้ของเครื่อง, กรอบการวิเคราะห์ข้อมูล, กรอบการพัฒนาเกมและอื่น ๆ คุณจะพบข้อมูลรายละเอียดบทเรียนและตัวอย่างรหัสสำหรับแต่ละเฟรมเวิร์ก
แต่ละเฟรมเวิร์กใน Pyverse มาพร้อมกับเอกสารที่ครอบคลุมให้ภาพรวมของแนวคิดหลักคำแนะนำการติดตั้งตัวอย่างการใช้งานและเคล็ดลับสำหรับการพัฒนาที่มีประสิทธิภาพ
Pyverse ก้าวข้ามทฤษฎีโดยนำเสนอตัวอย่างที่เป็นประโยชน์และโครงการตัวอย่างที่แสดงให้เห็นถึงความสามารถของเฟรมเวิร์ก Python ต่างๆ คุณสามารถสำรวจตัวอย่างเหล่านี้เพื่อรับประสบการณ์การปฏิบัติและเรียนรู้วิธีการใช้กรอบในสถานการณ์จริง
เราเชื่อในพลังของการทำงานร่วมกันและ Pyverse ยินดีต้อนรับการมีส่วนร่วมจากชุมชน ไม่ว่าคุณต้องการแก้ไขข้อผิดพลาดปรับปรุงเอกสารหรือเพิ่มเฟรมเวิร์กใหม่การมีส่วนร่วมของคุณมีมูลค่าสูง โปรดดูแนวทางการบริจาคของเราเพื่อเริ่มต้น
ในการเริ่มต้นกับ Pyverse ให้ทำตามขั้นตอนเหล่านี้:
เรามีแผนงานที่น่าตื่นเต้นสำหรับ Pyverse:
คอยติดตามการอัปเดต!
เข้าร่วมชุมชน Pyverse เพื่อเชื่อมต่อกับเพื่อนนักพัฒนาถามคำถามแบ่งปันประสบการณ์ของคุณและอัปเดตต่อไปด้วยการพัฒนาล่าสุด ติดต่อ @ [email protected]
| S.No. | ใช้สำหรับ | Lib, Framework & Tech |
|---|---|---|
| 1 | วิทยาศาสตร์ข้อมูล | แพนด้า |
| 2 | วิทยาศาสตร์ข้อมูล | นม |
| 3 | วิทยาศาสตร์ข้อมูล | สัตว์ทะเล |
| 4 | วิทยาศาสตร์ข้อมูล | คนขี้เกียจ |
| 5 | วิทยาศาสตร์ข้อมูล | matplotlib |
| 6 | การเรียนรู้ของเครื่องจักร | Scikit-learn |
| 7 | การเรียนรู้ของเครื่องจักร | pytorch |
| 8 | การเรียนรู้ของเครื่องจักร | เทนเซอร์โฟลว์ |
| 9 | การเรียนรู้ของเครื่องจักร | xgboost |
| 10 | การเรียนรู้ของเครื่องจักร | LightGBM |
| 12 | การเรียนรู้ของเครื่องจักร | เครส |
| 13 | การเรียนรู้ของเครื่องจักร | การเดินชม |
| 14 | Mlops | mlflow |
| 15 | Mlops | Kubeflow |
| 16 | Mlops | zenml |
| 17 | AI อธิบายได้ | ผัด |
| 18 | AI อธิบายได้ | มะนาว |
| 19 | AI อธิบายได้ | ตีความ ML |
| 20 | การประมวลผลข้อความ | เครื่องราง |
| 21 | การประมวลผลข้อความ | nltk |
| 22 | การประมวลผลข้อความ | textblob |
| 23 | การประมวลผลข้อความ | corenlp |
| 24 | การประมวลผลข้อความ | เครื่องถ่อมตัว |
| 25 | การประมวลผลข้อความ | regex |
| 26 | การประมวลผลภาพ | opencv |
| 27 | การประมวลผลภาพ | scikit-image |
| 28 | การประมวลผลภาพ | หมอน |
| 29 | การประมวลผลภาพ | มงคล |
| 30 | การประมวลผลภาพ | SimpleItk |
| 31 | เฟรมเวิร์กเว็บ | ขวด |
| 32 | เฟรมเวิร์กเว็บ | Fastapi |
| 33 | เฟรมเวิร์กเว็บ | Django |
| 34 | เฟรมเวิร์กเว็บ | พุ่ง |
| 35 | เฟรมเวิร์กเว็บ | ปิรามิด |
| 36 | การขูดเว็บ | สวย |
| 37 | การขูดเว็บ | การรูด |
| 38 | การขูดเว็บ | ซีลีเนียม |
| 39 | การสร้างภาพข้อมูล | อย่างวางแผน |
| 40 | การสร้างภาพข้อมูล | ฉาก |
| 41 | การสร้างภาพข้อมูล | โบเก้ |
| 42 | การสร้างภาพข้อมูล | ggplot |
| 43 | การประมวลผลภาษาธรรมชาติ | หม้อแปลงไฟฟ้า |
| 44 | การประมวลผลภาษาธรรมชาติ | เบิร์ต |
| 45 | การประมวลผลภาษาธรรมชาติ | Word2Vec |
| 46 | การประมวลผลภาษาธรรมชาติ | ถุงมือ |
| 47 | การประมวลผลภาษาธรรมชาติ | เอล์โม |
| 48 | การเรียนรู้เสริมแรง | Openai Gym |
| 49 | การเรียนรู้เสริมแรง | โดปามีน |
| 50 | การเรียนรู้เสริมแรง | pybullet |
| 51 | การเรียนรู้เสริมแรง | baselines ที่มั่นคง 3 |
| 52 | คลาวด์คอมพิวติ้ง | aws |
| 53 | คลาวด์คอมพิวติ้ง | Google Cloud |
| 54 | คลาวด์คอมพิวติ้ง | Microsoft Azure |
| 55 | คลาวด์คอมพิวติ้ง | IBM Cloud |
| 56 | คลาวด์คอมพิวติ้ง | Heroku |
| 57 | การจัดการฐานข้อมูล | mysql |
| 58 | การจัดการฐานข้อมูล | PostgreSQL |
| 59 | การจัดการฐานข้อมูล | MongoDB |
| 60 | การจัดการฐานข้อมูล | sqlite |
| 61 | การจัดการฐานข้อมูล | ฐานข้อมูล Oracle |
| 62 | การเรียนรู้อย่างลึกซึ้ง | เครือข่ายประสาทเทียม (CNN) |
| 63 | การเรียนรู้อย่างลึกซึ้ง | เครือข่ายประสาทกำเริบ (RNN) |
| 64 | การเรียนรู้อย่างลึกซึ้ง | เครือข่ายฝ่ายตรงข้ามกำเนิด (GANS) |
| 65 | การเรียนรู้อย่างลึกซึ้ง | ผู้เข้ารหัสอัตโนมัติ |
| 66 | การเรียนรู้อย่างลึกซึ้ง | ถ่ายโอนการเรียนรู้ |
| 67 | การวิเคราะห์อนุกรมเวลา | อริมา |
| 68 | การวิเคราะห์อนุกรมเวลา | ผู้เผยพระวจนะ |
| 69 | การวิเคราะห์อนุกรมเวลา | การปรับให้เรียบแบบเอ็กซ์โปเนนเชียล |
| 70 | การวิเคราะห์อนุกรมเวลา | ซาร์มา |
| 71 | การวิเคราะห์อนุกรมเวลา | การสลายตัวตามฤดูกาลของอนุกรมเวลา (STL) |
| 72 | สถิติ | การทดสอบสมมติฐาน |
| 73 | สถิติ | การวิเคราะห์การถดถอย |
| 74 | สถิติ | ความแปรปรวน |
| 75 | สถิติ | การอนุมานแบบเบย์ |
| 76 | สถิติ | การวิเคราะห์องค์ประกอบหลัก (PCA) |
| 77 | วิสัยทัศน์คอมพิวเตอร์ | การตรวจจับวัตถุ |
| 78 | วิสัยทัศน์คอมพิวเตอร์ | การแบ่งส่วนภาพ |
| 79 | วิสัยทัศน์คอมพิวเตอร์ | การจดจำใบหน้า |
| 80 | วิสัยทัศน์คอมพิวเตอร์ | การจดจำอักขระออพติคอล (OCR) |
| 81 | วิสัยทัศน์คอมพิวเตอร์ | การแบ่งส่วนอินสแตนซ์ |
| 82 | ระบบแนะนำ | การกรองความร่วมมือ |
| 83 | ระบบแนะนำ | การกรองตามเนื้อหา |
| 84 | ระบบแนะนำ | การแยกตัวประกอบเมทริกซ์ |
| 85 | ระบบแนะนำ | กฎเกณฑ์การเชื่อมโยง |
| 86 | ระบบแนะนำ | การเรียนรู้อย่างลึกซึ้งสำหรับระบบผู้แนะนำ |
| 87 | การเรียนรู้ที่ไม่ได้รับการดูแล | การจัดกลุ่ม k-means |
| 88 | การเรียนรู้ที่ไม่ได้รับการดูแล | การจัดกลุ่มแบบลำดับชั้น |
| 89 | การเรียนรู้ที่ไม่ได้รับการดูแล | การลดมิติ |
| 90 | การเรียนรู้ที่ไม่ได้รับการดูแล | กฎการเชื่อมโยงการขุด |
| 91 | การเรียนรู้ที่ไม่ได้รับการดูแล | รุ่นผสมเกาส์เซียน (GMM) |
| 92 | การวิเคราะห์เครือข่าย | ทฤษฎีกราฟ |
| 93 | การวิเคราะห์เครือข่าย | การวิเคราะห์เครือข่ายสังคม |
| 94 | การวิเคราะห์เครือข่าย | การตรวจสอบชุมชน |
| 95 | การวิเคราะห์เครือข่าย | การคาดการณ์ลิงก์ |
| 96 | การวิเคราะห์เครือข่าย | มาตรการศูนย์กลาง |
| 97 | คลาวด์คอมพิวติ้ง | Amazon S3 |
| 98 | คลาวด์คอมพิวติ้ง | นักเทียบท่า |
| 99 | คลาวด์คอมพิวติ้ง | Kubernetes |
| 100 | คลาวด์คอมพิวติ้ง | การคำนวณแบบไม่มีเซิร์ฟเวอร์ |
| 101 | การประมวลผลภาษาธรรมชาติ | ชื่อการจดจำเอนทิตี (NER) |
| 102 | การประมวลผลภาษาธรรมชาติ | การวิเคราะห์ความเชื่อมั่น |
| 103 | การประมวลผลภาษาธรรมชาติ | การสร้างแบบจำลองหัวข้อ |
| 104 | การประมวลผลภาษาธรรมชาติ | การแยกวิเคราะห์การพึ่งพา |
| 105 | การประมวลผลภาษาธรรมชาติ | การจำแนกข้อความ |
| 106 | ระบบแนะนำ | ระบบผู้แนะนำไฮบริด |
| 107 | ระบบแนะนำ | ระบบผู้แนะนำบริบท |
| 108 | ระบบแนะนำ | ระบบผู้แนะนำตามลำดับ |
| 109 | ระบบแนะนำ | เครื่องแยกส่วน |
| 110 | ระบบแนะนำ | การเรียนรู้การเสริมแรงอย่างลึกซึ้งสำหรับระบบผู้แนะนำ |
| 111 | การเพิ่มประสิทธิภาพ | การเขียนโปรแกรมเชิงเส้น |
| 112 | การเพิ่มประสิทธิภาพ | การเขียนโปรแกรมแบบไม่เชิงเส้น |
| 113 | การเพิ่มประสิทธิภาพ | การเขียนโปรแกรมจำนวนเต็ม |
| 114 | การเพิ่มประสิทธิภาพ | การเพิ่มประสิทธิภาพแบบนูน |
| 115 | การเพิ่มประสิทธิภาพ | การเพิ่มประสิทธิภาพฮิวริสติก |
| 116 | ระบบกระจาย | Apache Hadoop |
| 117 | ระบบกระจาย | Apache Spark |
| 118 | ระบบกระจาย | Apache Kafka |
| 119 | ระบบกระจาย | Apache Flink |
| 120 | ระบบกระจาย | Apache Cassandra |
| 121 | การสร้างภาษาธรรมชาติ | การสร้างแบบอิงเทมเพลต |
| 122 | การสร้างภาษาธรรมชาติ | รุ่นตามกฎ |
| 123 | การสร้างภาษาธรรมชาติ | การสร้างภาษาสถิติ |
| 124 | การสร้างภาษาธรรมชาติ | การสร้างภาษาประสาท |
| 125 | การสร้างภาษาธรรมชาติ | การวางแผนเนื้อหา |
| 126 | การเรียนรู้เสริมแรง | วิธี Monte Carlo |
| 127 | การเรียนรู้เสริมแรง | Q-Learning |
| 128 | การเรียนรู้เสริมแรง | วิธีการไล่ระดับสี |
| 129 | การเรียนรู้เสริมแรง | วิธีนักแสดง-นักวิจารณ์ |
| 130 | การเรียนรู้เสริมแรง | การเรียนรู้การเสริมแรงตามแบบจำลอง |
| 131 | หุ่นยนต์ | ROS (ระบบปฏิบัติการหุ่นยนต์) |
| 132 | หุ่นยนต์ | SLAM (การแปลและการแมปพร้อมกัน) |
| 133 | หุ่นยนต์ | จลนศาสตร์ผกผัน |
| 134 | หุ่นยนต์ | การเรียนรู้การเสริมแรงสำหรับหุ่นยนต์ |
| 135 | หุ่นยนต์ | การวางแผนการเคลื่อนไหว |
| 136 | การประมวลผลข้อมูลขนาดใหญ่ | Apache Hive |
| 137 | การประมวลผลข้อมูลขนาดใหญ่ | Apache Pig |
| 138 | การประมวลผลข้อมูลขนาดใหญ่ | Apache Storm |
| 139 | การประมวลผลข้อมูลขนาดใหญ่ | คาน Apache |
| 140 | การประมวลผลข้อมูลขนาดใหญ่ | Apache flume |
| 141 | แบบจำลองการกำเนิด | Variational Autoencoders (VAES) |
| 142 | แบบจำลองการกำเนิด | เครือข่ายฝ่ายตรงข้ามกำเนิด (GANS) |
| 143 | แบบจำลองการกำเนิด | แบบจำลองการไหล |
| 144 | แบบจำลองการกำเนิด | โมเดลที่เกิดขึ้นโดยอัตโนมัติ |
| 145 | แบบจำลองการกำเนิด | เครือข่ายฝ่ายตรงข้ามกำเนิด (GANS) |
| 146 | blockchain | Bitcoin |
| 147 | blockchain | Ethereum |
| 148 | blockchain | สัญญาอัจฉริยะ |
| 149 | blockchain | เทคโนโลยีบัญชีแยกประเภทแบบกระจาย |
| 150 | blockchain | อัลกอริทึมฉันทามติ |
| 151 | การประมวลผลภาษาธรรมชาติ | การฝังคำ |
| 152 | การประมวลผลภาษาธรรมชาติ | กลไกความสนใจ |
| 153 | การประมวลผลภาษาธรรมชาติ | โมเดลลำดับต่อลำดับ |
| 154 | การประมวลผลภาษาธรรมชาติ | การแปลภาษา |
| 155 | การประมวลผลภาษาธรรมชาติ | ตอบคำถาม |
| 156 | ความสามารถในการตีความแบบจำลอง | มีความสำคัญ |
| 157 | ความสามารถในการตีความแบบจำลอง | แผนการพึ่งพาอาศัยกันบางส่วน |
| 158 | ความสามารถในการตีความแบบจำลอง | การตีความการไล่ระดับสี |
| 159 | ความสามารถในการตีความแบบจำลอง | คำอธิบายแบบโมเดลที่ตีความได้ในท้องถิ่น (มะนาว) |
| 160 | ความสามารถในการตีความแบบจำลอง | คำอธิบายเพิ่มเติมของ Shapley (SHAP) |
| 161 | วิธีเบย์ | เครือข่ายแบบเบย์ |
| 162 | วิธีเบย์ | การสุ่มตัวอย่างกิ๊บส์ |
| 163 | วิธีเบย์ | อัลกอริทึม Metropolis-Hastings |
| 164 | วิธีเบย์ | การอนุมานแบบแปรปรวน |
| 165 | วิธีเบย์ | การเพิ่มประสิทธิภาพแบบเบย์ |
| 166 | การวิเคราะห์เชิงพื้นที่ | GIS (ระบบข้อมูลทางภูมิศาสตร์) |
| 167 | การวิเคราะห์เชิงพื้นที่ | การสร้างภาพข้อมูลเชิงพื้นที่ |
| 168 | การวิเคราะห์เชิงพื้นที่ | การจัดกลุ่มเชิงพื้นที่ |
| 169 | การวิเคราะห์เชิงพื้นที่ | การถดถอยเชิงพื้นที่ |
| 170 | การวิเคราะห์เชิงพื้นที่ | การแก้ไขเชิงพื้นที่ |
| 171 | คลาวด์คอมพิวติ้ง | Openstack |
| 172 | คลาวด์คอมพิวติ้ง | คลาวด์ Rackspace |
| 173 | คลาวด์คอมพิวติ้ง | vmware vcloud |
| 174 | คลาวด์คอมพิวติ้ง | Alibaba Cloud |
| 175 | คลาวด์คอมพิวติ้ง | Red Hat Openshift |
| 176 | การประมวลผลภาษาธรรมชาติ | การแยกวิเคราะห์การพึ่งพา |
| 177 | การประมวลผลภาษาธรรมชาติ | ชื่อการจดจำเอนทิตี (NER) |
| 178 | การประมวลผลภาษาธรรมชาติ | การติดฉลากบทบาทความหมาย |
| 179 | การประมวลผลภาษาธรรมชาติ | การวิเคราะห์ความเชื่อมั่น |
| 180 | การประมวลผลภาษาธรรมชาติ | ความละเอียด coreference |
| 181 | กราฟระบบประสาท | กราฟ Sinvolutional Networks (GCNs) |
| 182 | กราฟระบบประสาท | เครือข่ายความสนใจกราฟ (GATS) |
| 183 | กราฟระบบประสาท | กราฟ |
| 184 | กราฟระบบประสาท | กราฟความสัมพันธ์เครือข่าย Convolutional (RGCNs) |
| 185 | กราฟระบบประสาท | กราฟอัตโนมัติ |
| 186 | วิศวกรรมคุณลักษณะ | การปรับขนาดคุณลักษณะ |
| 187 | วิศวกรรมคุณลักษณะ | การเลือกคุณสมบัติ |
| 188 | วิศวกรรมคุณลักษณะ | การสกัดคุณลักษณะ |
| 189 | วิศวกรรมคุณลักษณะ | การเข้ารหัสคุณสมบัติ |
| 190 | วิศวกรรมคุณลักษณะ | คุณลักษณะการข้าม |
| 191 | ความเป็นส่วนตัวและความปลอดภัย | การเรียนรู้แบบรวม |
| 192 | ความเป็นส่วนตัวและความปลอดภัย | ความเป็นส่วนตัวที่แตกต่างกัน |
| 193 | ความเป็นส่วนตัวและความปลอดภัย | ML ที่เข้ารหัส |
| 194 | ความเป็นส่วนตัวและความปลอดภัย | การขุดข้อมูลความเป็นส่วนตัว |
| 195 | ความเป็นส่วนตัวและความปลอดภัย | การโจมตีและการป้องกันที่เป็นปฏิปักษ์ |
| 196 | การอนุมานสาเหตุ | กราฟสาเหตุ |
| 197 | การอนุมานสาเหตุ | กรอบการอนุมานสาเหตุของ Pearl |
| ปี 198 | การอนุมานสาเหตุ | ตัวแปรเครื่องมือ |
| 199 | การอนุมานสาเหตุ | การจับคู่คะแนนความชอบ |
| 200 | การอนุมานสาเหตุ | ป่าสาเหตุ |
| 201 | ML อัตโนมัติ | อัตโนมัติ |
| 202 | ML อัตโนมัติ | การเลือกแบบจำลอง |
| 203 | ML อัตโนมัติ | คุณลักษณะทางวิศวกรรมอัตโนมัติ |
| 204 | ML อัตโนมัติ | การเพิ่มประสิทธิภาพแบบไฮเปอร์พารามิเตอร์ |
| 205 | ML อัตโนมัติ | วิธีการทั้งหมด |
| 206 | การตรวจจับการฉ้อโกง | การวิเคราะห์การฉ้อโกง |
| 207 | การตรวจจับการฉ้อโกง | การตรวจจับความผิดปกติ |
| 208 | การตรวจจับการฉ้อโกง | การวิเคราะห์เครือข่ายสังคมสำหรับการตรวจจับการฉ้อโกง |
| 209 | การตรวจจับการฉ้อโกง | การวิเคราะห์เชิงพฤติกรรม |
| 210 | การตรวจจับการฉ้อโกง | ML สำหรับการตรวจจับการฉ้อโกง |
| 211 | การปรับจูนพารามิเตอร์ | การค้นหากริด |
| 212 | การปรับจูนพารามิเตอร์ | การค้นหาแบบสุ่ม |
| 213 | การปรับจูนพารามิเตอร์ | การเพิ่มประสิทธิภาพแบบเบย์ |
| 214 | การปรับจูนพารามิเตอร์ | อัลกอริทึมทางพันธุกรรม |
| 215 | การปรับจูนพารามิเตอร์ | Optuna |
| 216 | ศัตรู | การโจมตีของฝ่ายตรงข้าม |
| 217 | ศัตรู | การป้องกันที่เป็นปฏิปักษ์ |
| 218 | ศัตรู | เครือข่ายฝ่ายตรงข้าม (GANS) สำหรับการเรียนรู้ฝ่ายตรงข้าม |
| 219 | ศัตรู | ความสามารถในการถ่ายโอนตัวอย่างที่เป็นปฏิปักษ์ |
| 220 | ศัตรู | การทดสอบความทนทานของฝ่ายตรงข้าม |
| 221 | การพยากรณ์อนุกรมเวลา | อริมา |
| 222 | การพยากรณ์อนุกรมเวลา | การปรับให้เรียบแบบเอ็กซ์โปเนนเชียล |
| 223 | การพยากรณ์อนุกรมเวลา | ผู้เผยพระวจนะ |
| 224 | การพยากรณ์อนุกรมเวลา | หน่วยความจำระยะสั้นระยะยาว (LSTM) |
| 225 | การพยากรณ์อนุกรมเวลา | ค่าเฉลี่ยเคลื่อนที่แบบบูรณาการตามฤดูกาล (SARIMA) |
| 226 | การค้นพบสาเหตุ | การค้นพบสาเหตุตามข้อ จำกัด |
| 227 | การค้นพบสาเหตุ | การค้นพบเชิงสาเหตุเชิงทฤษฎี |
| 228 | การค้นพบสาเหตุ | Granger Causality |
| 229 | การค้นพบสาเหตุ | การสร้างแบบจำลองสมการเชิงโครงสร้าง |
| 230 | การค้นพบสาเหตุ | การใช้เหตุผลเชิงต่อต้าน |
| 231 | ระบบแนะนำ | การเรียนรู้การเสริมแรงอย่างลึกซึ้งสำหรับระบบผู้แนะนำ |
| 232 | ระบบแนะนำ | ระบบผู้แนะนำตามความรู้ |
| 233 | ระบบแนะนำ | ระบบผู้แนะนำบริบทที่ตระหนักถึง |
| 234 | ระบบแนะนำ | ระบบผู้แนะนำที่ตระหนักถึงลำดับ |
| 235 | ระบบแนะนำ | Meta-Learning สำหรับระบบผู้แนะนำ |
| 236 | ถ่ายโอนการเรียนรู้ | การปรับตัวของโดเมน |
| 237 | ถ่ายโอนการเรียนรู้ | การกลั่นแบบจำลอง |
| 238 | ถ่ายโอนการเรียนรู้ | เครือข่ายประสาทแบบก้าวหน้า |
| 239 | ถ่ายโอนการเรียนรู้ | การทำงาน |
| 240 | ถ่ายโอนการเรียนรู้ | การถ่ายโอนความรู้ข้ามโดเมน |
| 241 | AI อธิบายได้ | คำอธิบายเชิงต่อต้าน |
| 242 | AI อธิบายได้ | คำอธิบายแบบจำลองไม่เชื่อ |
| 243 | AI อธิบายได้ | คำอธิบายตามกฎ |
| 244 | AI อธิบายได้ | จุดยึด |
| 245 | AI อธิบายได้ | คำอธิบายเชิงสาเหตุ |
| 246 | การตรวจจับความผิดปกติของอนุกรมเวลา | SVM ชั้นเดียว |
| 247 | การตรวจจับความผิดปกติของอนุกรมเวลา | ป่าแยก |
| 248 | การตรวจจับความผิดปกติของอนุกรมเวลา | Autoencoders สำหรับการตรวจจับความผิดปกติ |
| 249 | การตรวจจับความผิดปกติของอนุกรมเวลา | เปลี่ยนการตรวจจับจุด |
| 250 | การตรวจจับความผิดปกติของอนุกรมเวลา | ESD ไฮบริดตามฤดูกาล (SH-ESD) |
| 251 | ความปลอดภัยทางไซเบอร์ | การตรวจจับการบุกรุกเครือข่าย |
| 252 | ความปลอดภัยทางไซเบอร์ | การตรวจจับมัลแวร์ |
| 253 | ความปลอดภัยทางไซเบอร์ | การวิเคราะห์เชิงพฤติกรรมเพื่อความปลอดภัยทางไซเบอร์ |
| 254 | ความปลอดภัยทางไซเบอร์ | การประเมินช่องโหว่ |
| 255 | ความปลอดภัยทางไซเบอร์ | ข้อมูลความปลอดภัยและการจัดการเหตุการณ์ (SIEM) |
| 256 | การเรียนรู้การเสริมแรงของฝ่ายตรงข้าม | สภาพแวดล้อมที่เป็นปฏิปักษ์ |
| 257 | การเรียนรู้การเสริมแรงของฝ่ายตรงข้าม | การเพิ่มประสิทธิภาพนโยบายของฝ่ายตรงข้าม |
| 258 | การเรียนรู้การเสริมแรงของฝ่ายตรงข้าม | การเรียนรู้การเสริมแรงแบบผกผัน |
| 259 | การเรียนรู้การเสริมแรงของฝ่ายตรงข้าม | ระบบหลายตัวแทน |
| 260 | การเรียนรู้การเสริมแรงของฝ่ายตรงข้าม | การเรียนรู้การเสริมแรงที่แข็งแกร่ง |
| 261 | เครือข่ายศัตรู | กานส์แบบมีเงื่อนไข |
| 262 | เครือข่ายศัตรู | Wasserstein Gans |
| 263 | เครือข่ายศัตรู | เครื่องปั่นจักรยาน |
| 264 | เครือข่ายศัตรู | stylegan |
| 265 | เครือข่ายศัตรู | การแก้ไขพื้นที่แฝง |
| 266 | การเรียนรู้แบบรวม | ค่าเฉลี่ยของสหพันธรัฐ |
| 267 | การเรียนรู้แบบรวม | ความเป็นส่วนตัวที่แตกต่างกันในการเรียนรู้แบบสหพันธรัฐ |
| 268 | การเรียนรู้แบบรวม | การเรียนรู้แบบสหพันธรัฐแนวตั้ง |
| 269 | การเรียนรู้แบบรวม | การเรียนรู้การถ่ายโอนแบบรวม |
| 270 | การเรียนรู้แบบรวม | meta-learning สหพันธรัฐ |
| 271 | การเรียนรู้แบบรวม | การเรียนรู้แบบสหพันธรัฐเกี่ยวกับอุปกรณ์ขอบ |
| 272 | ควอนตัม ML | พื้นฐานการคำนวณควอนตัม |
| 273 | ควอนตัม ML | เครือข่ายประสาทควอนตัม |
| 274 | ควอนตัม ML | อัลกอริทึมควอนตัม Variational |
| 275 | ควอนตัม ML | เครื่องเวกเตอร์รองรับควอนตัม |
| 276 | ควอนตัม ML | การเข้ารหัสข้อมูลควอนตัม |
| 277 | การเรียนรู้การเสริมแรงสำหรับหุ่นยนต์ | เรียนรู้จากการสาธิต |
| 278 | การเรียนรู้การเสริมแรงสำหรับหุ่นยนต์ | การถ่ายโอน sim2real |
| 279 | การเรียนรู้การเสริมแรงสำหรับหุ่นยนต์ | การเรียนรู้การเสริมแรงตามแบบจำลองสำหรับหุ่นยนต์ |
| 280 | การเรียนรู้การเสริมแรงสำหรับหุ่นยนต์ | การเรียนรู้เลียนแบบ |
| 281 | การเรียนรู้การเสริมแรงสำหรับหุ่นยนต์ | การจัดการหุ่นยนต์ |
| 282 | รุ่นกำเนิดสำหรับข้อความ | โมเดลภาษาที่ใช้หม้อแปลง |
| 283 | รุ่นกำเนิดสำหรับข้อความ | GPT (หม้อแปลงที่ผ่านการฝึกอบรมมาแล้ว |
| 284 | รุ่นกำเนิดสำหรับข้อความ | โมเดลภาษาที่ใช้ LSTM |
| 285 | รุ่นกำเนิดสำหรับข้อความ | เบิร์ต (การเป็นตัวแทนตัวเข้ารหัสแบบสองทิศทางจากหม้อแปลง) |
| 286 | รุ่นกำเนิดสำหรับข้อความ | vae (variational autoencoder) สำหรับการสร้างข้อความ |
| 287 | การเรียนรู้หลายรูปแบบ | ฟิวชั่นหลายโมดอล |
| 288 | การเรียนรู้หลายรูปแบบ | การดึงข้ามรูปแบบ |
| 289 | การเรียนรู้หลายรูปแบบ | แบบจำลองการกำเนิดแบบหลายรูปแบบ |
| 290 | การเรียนรู้หลายรูปแบบ | การเรียนรู้การเสริมแรงแบบหลายโหมด |
| 291 | การเรียนรู้หลายรูปแบบ | การวิเคราะห์ความเชื่อมั่นหลายแบบ |
| 292 | การบีบอัดแบบจำลอง | การตัดแต่ง |
| 293 | การบีบอัดแบบจำลอง | การวัดปริมาณ |
| 294 | การบีบอัดแบบจำลอง | การกลั่น |
| 295 | การบีบอัดแบบจำลอง | การแบ่งปันน้ำหนัก |
| 296 | การบีบอัดแบบจำลอง | การกลั่นความรู้ |
| 297 | การวางแผนอัตโนมัติ | และการกำหนดเวลา |
| 298 | การวางแผนอัตโนมัติ | และการกำหนดเวลา |
| 299 | การวางแผนอัตโนมัติ | และการกำหนดเวลา |
| 300 | การวางแผนอัตโนมัติ | และการกำหนดเวลา |
| 301 | การวางแผนอัตโนมัติ | และการกำหนดเวลา |
| 302 | การปรับตัวของโดเมน | การฝึกอบรมเชิงโดเมน |
| 303 | การปรับตัวของโดเมน | Cyclegan สำหรับการปรับโดเมน |
| 304 | การปรับตัวของโดเมน | ถ่ายโอนการเรียนรู้สำหรับการปรับโดเมน |
| 305 | การปรับตัวของโดเมน | การปรับโดเมนที่ไม่ได้รับการดูแล |
| 306 | การปรับตัวของโดเมน | การปรับโดเมนบางส่วน |
| 307 | การเรียนรู้อย่างแข็งขัน | การสุ่มตัวอย่างความไม่แน่นอน |
| 308 | การเรียนรู้อย่างแข็งขัน | แบบสอบถามโดยคณะอนุกรรมการ |
| 309 | การเรียนรู้อย่างแข็งขัน | การเปลี่ยนแปลงรูปแบบที่คาดหวัง |
| 310 | การเรียนรู้อย่างแข็งขัน | การสุ่มตัวอย่างความหลากหลาย |
| 311 | การเรียนรู้อย่างแข็งขัน | การเรียนรู้ที่ใช้งานอยู่งบประมาณ |
| 312 | วิศวกรรมคุณสมบัติอัตโนมัติ | fileturetools |
| 313 | วิศวกรรมคุณสมบัติอัตโนมัติ | การสังเคราะห์คุณสมบัติลึก |
| 314 | วิศวกรรมคุณสมบัติอัตโนมัติ | การเขียนโปรแกรมทางพันธุกรรม |
| 315 | วิศวกรรมคุณสมบัติอัตโนมัติ | การแยกคุณสมบัติอัตโนมัติ |
| 316 | วิศวกรรมคุณสมบัติอัตโนมัติ | การเข้ารหัสคุณสมบัติ |
| 317 | การโจมตีของฝ่ายตรงข้าม | การโจมตีแบบกล่องสีขาว |
| 318 | การโจมตีของฝ่ายตรงข้าม | การโจมตีกล่องดำ |
| 319 | การโจมตีของฝ่ายตรงข้าม | การโจมตีทางกายภาพ |
| 320 | การโจมตีของฝ่ายตรงข้าม | โอนการโจมตี |
| 321 | การโจมตีของฝ่ายตรงข้าม | การโจมตีการหลีกเลี่ยง |
| 322 | การเรียนรู้การเสริมแรงแบบรวม | q-learning สหพันธรัฐ |
| 323 | การเรียนรู้การเสริมแรงแบบรวม | การไล่ระดับสีแบบสหพันธรัฐ |
| 324 | การเรียนรู้การเสริมแรงแบบรวม | นักแสดงที่รวมตัวกัน |
| 325 | การเรียนรู้การเสริมแรงแบบรวม | การเพิ่มประสิทธิภาพนโยบายใกล้เคียงแบบสหพันธรัฐ (PPO) |
| 326 | การเรียนรู้การเสริมแรงแบบรวม | การเรียนรู้การเสริมแรงแบบหลายตัวแทนแบบรวม |
| 327 | การเรียนรู้การเสริมแรงแบบรวม | การเรียนรู้การเสริมแรงแบบผกผันแบบสหพันธรัฐ |
| 328 | การฝังกราฟ | การเดินลึก |
| 329 | การฝังกราฟ | node2vec |
| 330 | การฝังกราฟ | การฝังกราฟ Sinvolutional Network (GCN) |
| 331 | การฝังกราฟ | การแยกตัวประกอบเทนเซอร์ |
| 332 | การฝังกราฟ | การฝังกราฟที่แตกต่างกัน |
| 333 | การตรวจจับความผิดปกติในกราฟ | การตรวจจับค่าผิดปกติบนกราฟ |
| 334 | การตรวจจับความผิดปกติในกราฟ | การจัดกลุ่มสเปกตรัม |
| 335 | การตรวจจับความผิดปกติในกราฟ | ป่าแยกสำหรับกราฟ |
| 336 | การตรวจจับความผิดปกติในกราฟ | การตรวจจับความผิดปกติโดยรวม |
| 337 | การตรวจจับความผิดปกติในกราฟ | การตรวจจับความผิดปกติของโครงสร้างชุมชน |
| 338 | ML ที่ตีความได้ | พล็อตการพึ่งพาบางส่วน (PDP) |
| 339 | ML ที่ตีความได้ | การจัดอันดับความสำคัญของคุณสมบัติ |
| 340 | ML ที่ตีความได้ | แบบจำลองตามกฎที่ตีความได้ |
| 341 | ML ที่ตีความได้ | คำอธิบายแบบโมเดลที่ตีความได้ในท้องถิ่น (มะนาว) |
| 342 | ML ที่ตีความได้ | ค่าของ Shapley |
| 343 | รุ่นกำเนิดสำหรับภาพ | Dcgan (Deep Convolutional Gan) |
| 344 | รุ่นกำเนิดสำหรับภาพ | Stylegan2 |
| 345 | รุ่นกำเนิดสำหรับภาพ | Cyclegan สำหรับการแปลภาพ |
| 346 | รุ่นกำเนิดสำหรับภาพ | Variational Autoencoders (VAES) สำหรับการสร้างภาพ |
| 347 | รุ่นกำเนิดสำหรับภาพ | การเติบโตของ Gans (PGGAN) |
| 348 | การเลือกแบบจำลอง | แยกการทดสอบการตรวจสอบความถูกต้องของรถไฟ |
| 349 | การเลือกแบบจำลอง | การตรวจสอบข้าม |
| 350 | การเลือกแบบจำลอง | การตรวจสอบความถูกต้องของ Holdout |
| 351 | การเลือกแบบจำลอง | การตรวจสอบข้ามการค้นหาแบบกริด |
| 352 | การเลือกแบบจำลอง | การตรวจสอบข้ามการค้นหาแบบสุ่ม |
| 353 | การเลือกแบบจำลอง | การเลือกแบบจำลองโดยใช้เกณฑ์ข้อมูล |
| 354 | การเลือกแบบจำลอง | การเลือกรุ่นทั้งหมด |
| 355 | การเรียนรู้อย่างต่อเนื่อง | การเรียนรู้ตลอดชีวิต |
| 356 | การเรียนรู้อย่างต่อเนื่อง | การเรียนรู้ที่เพิ่มขึ้น |
| 357 | การเรียนรู้อย่างต่อเนื่อง | การเรียนรู้ออนไลน์ |
| 358 | การเรียนรู้อย่างต่อเนื่อง | การขยายแบบจำลองแบบไดนามิก |
| 359 | การเรียนรู้อย่างต่อเนื่อง | การตรวจจับแนวคิดดริฟท์ |
| 360 | การเรียนรู้อย่างต่อเนื่อง | ถ่ายโอนการเรียนรู้ในสภาพแวดล้อมแบบไดนามิก |
| 361 | การเรียนรู้จากสหพันธรัฐเพื่อการดูแลสุขภาพ | การเรียนรู้แบบสหพันธรัฐสำหรับบันทึกสุขภาพอิเล็กทรอนิกส์ (EHR) |
| 362 | การเรียนรู้จากสหพันธรัฐเพื่อการดูแลสุขภาพ | ML ที่ให้ความสำคัญกับความเป็นส่วนตัวในการดูแลสุขภาพ |
| 363 | การเรียนรู้จากสหพันธรัฐเพื่อการดูแลสุขภาพ | การเรียนรู้แบบรวมสำหรับระบบสนับสนุนการตัดสินใจทางคลินิก |
| 364 | การเรียนรู้จากสหพันธรัฐเพื่อการดูแลสุขภาพ | การเรียนรู้จากสหพันธรัฐสำหรับการทำนายโรค |
| 365 | การเรียนรู้จากสหพันธรัฐเพื่อการดูแลสุขภาพ | การเรียนรู้จากสหพันธรัฐสำหรับการวิเคราะห์การถ่ายภาพทางการแพทย์ |
| 366 | การกลั่นแบบจำลอง | สำหรับรุ่นที่มีน้ำหนักเบา |
| 367 | การกลั่นแบบจำลอง | สำหรับรุ่นที่มีน้ำหนักเบา |
| 368 | การกลั่นแบบจำลอง | สำหรับรุ่นที่มีน้ำหนักเบา |
| 369 | การกลั่นแบบจำลอง | สำหรับรุ่นที่มีน้ำหนักเบา |
| 370 | การกลั่นแบบจำลอง | สำหรับรุ่นที่มีน้ำหนักเบา |
| 371 | การวิเคราะห์อนุกรมเวลาสำหรับการพยากรณ์ | Arima ตามฤดูกาล |
| 372 | การวิเคราะห์อนุกรมเวลาสำหรับการพยากรณ์ | เวกเตอร์ autoregression (var) |
| 373 | การวิเคราะห์อนุกรมเวลาสำหรับการพยากรณ์ | หน่วยความจำระยะสั้นระยะยาว (LSTM) ด้วยความสนใจ |
| 374 | การวิเคราะห์อนุกรมเวลาสำหรับการพยากรณ์ | ศาสดาพยากรณ์กับวันหยุด |
| 375 | การวิเคราะห์อนุกรมเวลาสำหรับการพยากรณ์ | วิธีการทั้งหมดสำหรับการพยากรณ์อนุกรมเวลา |
| 376 | ML ที่ให้ความสำคัญกับความเป็นส่วนตัว | การคำนวณหลายพรรคที่ปลอดภัย (MPC) |
| 377 | ML ที่ให้ความสำคัญกับความเป็นส่วนตัว | การเข้ารหัส homomorphic |
| 378 | ML ที่ให้ความสำคัญกับความเป็นส่วนตัว | กลไกความเป็นส่วนตัวที่แตกต่างกัน |
| 379 | ML ที่ให้ความสำคัญกับความเป็นส่วนตัว | การเรียนรู้แบบรวมด้วยความเป็นส่วนตัวที่แตกต่างกัน |
| 380 | ML ที่ให้ความสำคัญกับความเป็นส่วนตัว | วงจรที่อ่านไม่ออก |
| 381 | การแบ่งส่วนภาพ | u-net |
| 382 | การแบ่งส่วนภาพ | หน้ากาก r-cnn |
| 383 | การแบ่งส่วนภาพ | เครือข่าย convolutional อย่างเต็มที่ (FCN) |
| 384 | การแบ่งส่วนภาพ | การแบ่งส่วนความหมาย |
| 385 | การแบ่งส่วนภาพ | การแบ่งส่วนอินสแตนซ์ |
| 386 | การเรียนรู้การเสริมแรงอย่างลึกซึ้ง | DQN (Deep Q-Network) |
| 387 | การเรียนรู้การเสริมแรงอย่างลึกซึ้ง | DDPG (การไล่ระดับนโยบายที่กำหนดขึ้นอย่างลึกซึ้ง) |
| 388 | การเรียนรู้การเสริมแรงอย่างลึกซึ้ง | PPO (การเพิ่มประสิทธิภาพนโยบายใกล้เคียง) |
| 389 | การเรียนรู้การเสริมแรงอย่างลึกซึ้ง | A3C (Asynchronous Advantage Actor-Critic) |
| 390 | การเรียนรู้การเสริมแรงอย่างลึกซึ้ง | SAC (นักแสดงที่อ่อนนุ่ม) |
| 391 | งานวิสัยทัศน์คอมพิวเตอร์ | การตรวจจับวัตถุ |
| 392 | งานวิสัยทัศน์คอมพิวเตอร์ | การจำแนกรูปภาพ |
| 393 | งานวิสัยทัศน์คอมพิวเตอร์ | การแบ่งส่วนภาพ |
| 394 | งานวิสัยทัศน์คอมพิวเตอร์ | การจดจำใบหน้า |
| 395 | งานวิสัยทัศน์คอมพิวเตอร์ | การแบ่งส่วนอินสแตนซ์ |
| 396 | การประเมินแบบจำลอง | ค่าเฉลี่ยข้อผิดพลาดสัมบูรณ์ (แม่) |
| 397 | การประเมินแบบจำลอง | หมายถึงข้อผิดพลาดกำลังสอง (MSE) |
| 398 | การประเมินแบบจำลอง | คะแนน R-Squared (R2) |
| 399 | การประเมินแบบจำลอง | ความแม่นยำ |
| 400 | การประเมินแบบจำลอง | ความแม่นยำและการเรียกคืน |
| 401 | การสร้างภาษาธรรมชาติ | transformer การถ่ายโอนข้อความเป็นข้อความ (T5) |
| 402 | การสร้างภาษาธรรมชาติ | GPT-3 (หม้อแปลงที่ผ่านการฝึกอบรมมาก่อน 3) |
| 403 | การสร้างภาษาธรรมชาติ | การสร้างแบบจำลองภาษา |
| 404 | การสร้างภาษาธรรมชาติ | การสร้างข้อความแบบมีเงื่อนไข |
| 405 | การสร้างภาษาธรรมชาติ | การแปลเครื่องประสาท |
| 406 | การวิเคราะห์ความเชื่อมั่น | การวิเคราะห์ความเชื่อมั่นภายใต้การดูแล |
| 407 | การวิเคราะห์ความเชื่อมั่น | การวิเคราะห์ความเชื่อมั่นตามมุมมอง |
| 408 | การวิเคราะห์ความเชื่อมั่น | การตรวจจับอารมณ์ |
| 409 | การวิเคราะห์ความเชื่อมั่น | การขุดความคิดเห็น |
| 410 | การวิเคราะห์ความเชื่อมั่น | เสียงของการวิเคราะห์ลูกค้า |
| 411 | การวิเคราะห์เครือข่ายสังคม | การสร้างภาพเครือข่ายสังคมออนไลน์ |
| 412 | การวิเคราะห์เครือข่ายสังคม | การตรวจสอบชุมชน |
| 413 | การวิเคราะห์เครือข่ายสังคม | การวิเคราะห์อิทธิพล |
| 414 | การวิเคราะห์เครือข่ายสังคม | การคาดการณ์ลิงก์ |
| 415 | การวิเคราะห์เครือข่ายสังคม | การจำลองเครือข่ายสังคมออนไลน์ |
| 416 | กราฟระบบประสาท | กราฟ Sinvolutional Networks (GCNs) |
| 417 | กราฟระบบประสาท | เครือข่ายความสนใจกราฟ (GAT) |
| 418 | กราฟระบบประสาท | กราฟ (ตัวอย่างกราฟและรวม) |
| 419 | กราฟระบบประสาท | กราฟ isomorphism เครือข่าย (GIN) |
| 420 | กราฟระบบประสาท | กราฟระบบประสาทสำหรับการจำแนกโหนด |
| 421 | การแปลเครื่องอัตโนมัติ | โมเดลลำดับต่อลำดับ |
| 422 | การแปลเครื่องอัตโนมัติ | การแปลเครื่องประสาท (NMT) |
| 423 | การแปลเครื่องอัตโนมัติ | รุ่นหม้อแปลงสำหรับการแปลเครื่องจักร |
| 424 | การแปลเครื่องอัตโนมัติ | การแปลเครื่องทางสถิติ |
| 425 | การแปลเครื่องอัตโนมัติ | การแปลเครื่องตามวลี |
| 426 | การแปลเครื่องอัตโนมัติ | การเป็นตัวแทนของการเข้ารหัสแบบสองทิศทางจาก Transformers (BERT) |
| 427 | การเรียนรู้ที่ไม่ได้รับการดูแล | การจัดกลุ่ม k-means |
| 428 | การเรียนรู้ที่ไม่ได้รับการดูแล | การจัดกลุ่มแบบลำดับชั้น |
| 429 | การเรียนรู้ที่ไม่ได้รับการดูแล | การวิเคราะห์องค์ประกอบหลัก (PCA) |
| 430 | การเรียนรู้ที่ไม่ได้รับการดูแล | เครือข่ายฝ่ายตรงข้ามกำเนิด (GANS) |
| 431 | การเรียนรู้ที่ไม่ได้รับการดูแล | ผู้เข้ารหัสอัตโนมัติ |
| 432 | การรู้จำเสียงพูด | การรู้จำเสียงพูดอัตโนมัติ (ASR) |
| 433 | การรู้จำเสียงพูด | แบบจำลองการรู้จำเสียงพูดลึก |
| 434 | การรู้จำเสียงพูด | การจำแนกประเภทการเชื่อมต่อชั่วคราว (CTC) |
| 435 | การรู้จำเสียงพูด | Neural Networks Recurrent (RNNS) สำหรับการรู้จำเสียงพูด |
| 436 | การรู้จำเสียงพูด | โมเดลหม้อแปลงสำหรับการจดจำคำพูด |
| 437 | ระบบแนะนำ | การกรองความร่วมมือ |
| 438 | ระบบแนะนำ | การกรองตามเนื้อหา |
| 439 | ระบบแนะนำ | ระบบผู้แนะนำไฮบริด |
| 440 | ระบบแนะนำ | ระบบผู้แนะนำตามความรู้ |
| 441 | ระบบแนะนำ | การเรียนรู้การเสริมแรงสำหรับระบบผู้แนะนำ |
| 448 | การปรับใช้แบบจำลอง | การบรรจุ |
| 449 | การปรับใช้แบบจำลอง | การคำนวณแบบไม่มีเซิร์ฟเวอร์ |
| 450 | การปรับใช้แบบจำลอง | การตรวจสอบแบบจำลอง |
| 451 | การอนุมานสาเหตุ | แบบจำลองสาเหตุของ Pearl |
| 452 | การอนุมานสาเหตุ | การจับคู่คะแนนความชอบ |
| 453 | การอนุมานสาเหตุ | การวิเคราะห์ตัวแปรเครื่องมือ |
| 454 | การอนุมานสาเหตุ | ความแตกต่างระหว่างความแตกต่าง (DID) |
| 455 | การอนุมานสาเหตุ | การออกแบบการถดถอยความไม่ต่อเนื่อง (RDD) |
| 456 | ML อัตโนมัติ | อัตโนมัติ |
| 457 | ML อัตโนมัติ | การค้นหาสถาปัตยกรรมประสาท (NAS) |
| 458 | ML อัตโนมัติ | การซ้อนโมเดล |
| 459 | ML อัตโนมัติ | การเลือกคุณสมบัติ |
| 460 | ML อัตโนมัติ | การเพิ่มประสิทธิภาพแบบไฮเปอร์พารามิเตอร์ |
| 461 | ความสามารถในการอธิบายแบบจำลอง | มะนาว (คำอธิบายแบบโมเดลที่สามารถตีความได้ในท้องถิ่น) |
| 462 | ความสามารถในการอธิบายแบบจำลอง | Shap (คำอธิบายเพิ่มเติมเกี่ยวกับ Shapley) |
| 463 | ความสามารถในการอธิบายแบบจำลอง | PDP (แปลงพึ่งพาบางส่วน) |
| 464 | ความสามารถในการอธิบายแบบจำลอง | eli5 (อธิบายเหมือนฉัน 5) |
| 465 | ความสามารถในการอธิบายแบบจำลอง | จุดยึด |
| 466 | การวิเคราะห์เชิงพื้นที่ | GIS (ระบบข้อมูลทางภูมิศาสตร์) |
| 467 | การวิเคราะห์เชิงพื้นที่ | การสร้างภาพข้อมูลเชิงพื้นที่ |
| 468 | การวิเคราะห์เชิงพื้นที่ | Geoanalytics |
| 469 | การวิเคราะห์เชิงพื้นที่ | ธรณีศาสตร์ |
| 470 | การวิเคราะห์เชิงพื้นที่ | การวิเคราะห์การถดถอยเชิงพื้นที่ |
| 471 | การพยากรณ์อนุกรมเวลา | วิธีการปรับให้เรียบแบบเอ็กซ์โปเนนเชียล |
| 472 | การพยากรณ์อนุกรมเวลา | ARIMA (ค่าเฉลี่ยเคลื่อนที่แบบบูรณาการอัตโนมัติ) |
| 473 | การพยากรณ์อนุกรมเวลา | ศาสดาพยากรณ์ (การพยากรณ์อนุกรมเวลา) |
| 474 | การพยากรณ์อนุกรมเวลา | เครือข่ายประสาทสำหรับการพยากรณ์อนุกรมเวลา |
| 475 | การพยากรณ์อนุกรมเวลา | วิธีการทั้งหมดสำหรับการพยากรณ์อนุกรมเวลา |
| 476 | การเพิ่มข้อมูล | พลิกและหมุน |
| 477 | การเพิ่มข้อมูล | การเพาะปลูกแบบสุ่มและปรับขนาด |
| 478 | การเพิ่มข้อมูล | การฉีดเสียง |
| 479 | การเพิ่มข้อมูล | เสริมด้วยแบบจำลองการกำเนิด |
| 480 | การเพิ่มข้อมูล | ผสมและ cutmix |
| 481 | กราฟความรู้ | การเรียนรู้กราฟความรู้ |
| 482 | กราฟความรู้ | การฝังกราฟความรู้ |
| 483 | กราฟความรู้ | การจัดตำแหน่งกราฟความรู้ |
| 484 | กราฟความรู้ | กราฟความรู้เสร็จสมบูรณ์ |
| 485 | กราฟความรู้ | การสอบถามและให้เหตุผลเกี่ยวกับกราฟความรู้ |
| 486 | การคำนวณแบบกระจาย | Apache Hadoop |
| 487 | การคำนวณแบบกระจาย | Apache Spark |
| 488 | การคำนวณแบบกระจาย | กระจายการเรียนรู้ลึก |
| 489 | การคำนวณแบบกระจาย | การประมวลผลข้อมูลแบบกระจาย |
| 490 | การคำนวณแบบกระจาย | ระบบไฟล์แบบกระจาย |
| 491 | การป้องกันที่เป็นปฏิปักษ์ | การฝึกอบรมฝ่ายตรงข้าม |
| 492 | การป้องกันที่เป็นปฏิปักษ์ | การกลั่นป้องกัน |
| 493 | การป้องกันที่เป็นปฏิปักษ์ | การปรับให้เรียบแบบสุ่ม |
| 494 | การป้องกันที่เป็นปฏิปักษ์ | คุณสมบัติบีบ |
| 495 | การป้องกันที่เป็นปฏิปักษ์ | การฝึกอบรมด้านปฏิปักษ์ |
| 496 | ความเข้าใจภาษาธรรมชาติ | การรับรู้เอนทิตี |
| 497 | ความเข้าใจภาษาธรรมชาติ | การแยกวิเคราะห์การพึ่งพา |
| 498 | ความเข้าใจภาษาธรรมชาติ | ชื่อการจดจำเอนทิตี (NER) |
| 499 | ความเข้าใจภาษาธรรมชาติ | การวิเคราะห์ความเชื่อมั่น |
| 500 | ความเข้าใจภาษาธรรมชาติ | ความละเอียด coreference |
Pyverse เปิดตัวภายใต้ใบอนุญาต MIT
