- 大型语言模型综述全新出炉：从T5到GPT-4最全盘点，国内20余位研究者联合撰写
- 使用Statsmodel进行假设检验和线性回归
- 要学习的第一个现代CNN：AlexNet
- 图神经网络必读的5个基础模型: GCN, GAT, GraphSAGE, GAE, DiffPool.
- 收藏！大型语言模型（LLMs）大盘点，含源码及Demo地址（附链接）
- 大AI巧用「砌砖」方法：LLM可通过将任务「外包」给专业领域的AI模型来提高其性能
- 【2023新书】工业4.0应用的智能分析
- 扩散模型的基本内容介绍
- 放弃反向传播后，Geoffrey Hinton参与的前向梯度学习重磅研究来了
- 【2023新书】机器学习与数据的线性代数
- 卢北辰：数据点亮梦想，能力驱动人生 | 提升之路系列（九）
- 高斯混合模型 GMM 的详细解释
- 常用距离算法 (原理、使用场景、Python实现代码)
- 【KAUST博士论文】面向3D理解的鲁棒深度学习模型设计
- 李雨浛：在数据、网络与民意之间——用计算社会科学方法探讨数字媒体与可持续未来 | 提升之路系列（八）
- 生成式模型与辨别式模型
- ChatGPT的提示的一些高级知识
- 宋爽：利用大数据解码遗传学的秘密 | 提升之路系列（七）
- CVPR 2023 | HPM：在掩码学习中挖掘困难样本，带来稳固性能提升！
- 参数与非参数检验：理解差异并正确使用
腾讯云开发者
