Hands-On Imitation Learning: From Behavior Cloning to Multi-Modal Imitation Learning
最突出的模仿学习方法概述，并在网格环境中进行测试照片由 Possessed Photography 在 Unsplash 上拍摄强化学习是机器学习的一个分支，它涉及通过标量信号（奖励）的引导进行学习；与监督学习相反，监督学习需要目标变量的完整标签。一个直观的例子来解释强化学习，可以用一所有两个班级的学校来解释，这两个班级有两种类型的测试。第一节课解决了测试并获得了完全正确的答案（监督学习：SL）。第二节课解决了测试并只获得了每个问题的成绩（强化学习：RL）。在第一种情况下，学生似乎更容易学习正确的答案并记住它们。在第二节课中，任务更难，因为他们只能通过反复试验来学习。然而，它们的学习更加稳健，
Image classification in machine learning: A full guide (2024) | Viam
了解机器学习（包括深度学习方法）中的图像分类的工作原理。了解与物体检测的区别、如何标记图像以及如何将模型部署到您的机器上。
Deep Learning for Crop Yield Prediction (Pt.1 — Model)
提高作物产量并优化灌溉：一种深度学习方法进行多元分析继续阅读 Towards Data Science »
Talkin' About AI in Praxis?!?! with Mike Yates
在本期《教育趋势》中，我们采访了美国教育组织再造实验室的高级设计师 Mike Yates。Mike 分享了他从讨厌学校的学生到成为创新教育家和人工智能爱好者的历程。我们探讨了他在不同教育环境中的经历，包括少年拘留中心和实验学校，以及这些经历如何影响他的教学和学习方法。Mike 讨论了他目前在美国教育组织再造实验室的工作，他专注于利用人工智能和其他新兴技术来改善教育成果。我们深入探讨了生成式人工智能在教育领域的潜力，以及让学生和教育工作者都能使用这些工具的重要性。Mike 提到 Ruha Benjamin 的作品对他理解技术的前景和风险产生了影响。在整个对话过程中，Yates 强调教育工作者需要
Does Semi-Supervised Learning Help to Train Better Models?
评估半监督学习如何利用未标记数据作者提供的图片 — 使用 Bing 中的 Image Creator 创建数据科学家面临的最常见挑战之一是缺乏足够的标记数据来训练可靠且准确的模型。标记数据对于监督学习任务（例如分类或回归）至关重要。但是，在许多领域，获取标记数据可能成本高昂、耗时或不切实际。另一方面，未标记数据通常很容易收集，但它们不提供任何直接输入来训练模型。我们如何利用未标记数据来改进我们的监督学习模型？这就是半监督学习发挥作用的地方。半监督学习是机器学习的一个分支，它结合标记和未标记数据来训练一个比单独使用标记数据表现更好的模型。半监督学习背后的直觉是，未标记的数据可以提供有关数据底层结
One Platform to Rule Them All: Simplify Your Digital Learning Ecosystem
新冠疫情导致数字化学习被匆忙采用。然而，不同的工具和脱节的体验仍然影响着教学和学习体验。仔细分析现有的学习方法，可以发现临时纳入数字教育工具的几个缺点，以及它们如何影响学生的积极性和教师的效率。由于众多因素，技术挑战[...阅读更多...
IEEE Transactions on Neural Networks and Learning Systems, Volume 35, Number 9, September 2024
1) 特邀编辑：图学习专题作者：Feng Xia、Renaud Lambiotte、Neil Shah、Hanghang Tong、Irwin King页数：11630 - 116332) 用于异质图学习的置换等变图框架作者：Jianfei Li、Ruigang Zheng、Han Feng、Ming Li、Xiaosheng Zhuang页数：11634 - 116483) MARML：多层网络中基于主题感知的深度表示学习作者：Da Zhang、Mansur R. Kabuka页数：11649 - 116604) 面向极端数据稀缺的稳健图半监督学习作者：Kaize Ding、Elnaz No
Soft Computing, Volume 28, Issue 15-16, August 2024
1) AENCIC：一种基于图像复杂度估计聚类数量的方法，用于图像分割的模糊聚类算法作者：Luis Madrid-Herrera、Mario I. Chacon-Murguia、Juan A. Ramirez-Quintana页数：8561 - 85772) 基于混合元启发式算法的深度神经网络肺癌检测和分类作者：Umesh Prasad、Soumitro Chakravarty、Gyaneshwar Mahto页数：8579 - 86023) 一种新的并行蝙蝠群优化算法及其在人工选择进化 CNN 架构中的应用作者：Kanishk Bansal、Amar Singh页数：8603 - 86214
Evolving Systems. Volume 15, Issue 5, October 2024
1) 边界感知残差网络在带钢产品缺陷检测中的应用作者：胡成才，马睿……龚金南页数：1649 - 16632) 基于 YOLOX 的自然环境下茶芽检测改进模型作者：李秀桐，刘瑞欣……谢本良页数：1665 - 16793) 多目标环境下基于偏好的多智能体强化学习经验共享方案作者：左宣，张璞……刘准嘎页数：1681 - 16994) 利用阿基米德优化算法赋能非洲秃鹫优化器，实现全局优化和特征选择的最高效率作者：Reham R. Mostafa，Fatma A. Hashim……Ahmed M. Khedr页数：1701 - 17315) 一种新的特征可进化学习方法流作者：Yanfei Chen、Sa
6 个提高学习效率的技巧——信息图表 有效学习有时感觉像是一个遥不可及的目标，但只要方法得当，就会变得容易得多。如果您想改善学习习惯并提高学习成绩，这里有 6 个实用技巧可以发挥很大的作用。 6 种更聪明的学习方法 […] 文章 6 个提高学习效率的技巧首先出现在电子学习信息图表上。
TEDx Talk – Education Reimagined: Student-led Learning
您觉得我们目前的教学和学习方法对教师或学生有用吗？如果您回答“否”，我们的观点一致。正是这种信念促使我发表了 TEDx 演讲，题为“重新构想教育：学生主导的学习”。目前，我们正面临着一场教育危机，越来越多的教师 […]TEDx 演讲 - 重新构想教育：学生主导的学习首先出现在 Catlin Tucker 博士身上。
Evolving Systems, Volume 15, Issue 4, August 2024
1) 通过基于聚类的表示进行时间序列异常检测作者：Elham Enayati、Reza Mortazavi……Mahmoud Moallem页数：1115 - 11362) 自适应单位分割网络 (APUNet)：一种用于解决 PDE 的局部深度学习方法作者：Idriss Barbara、Tawfik Masrour、Mohammed Hadda页数：1137 - 11583) 使用自适应对强化技术增强黑猩猩优化算法以发展用于会计利润预测的深度 LSTM 作者：Chengchen Yang、Tong Wu、Lingzhuo Zeng页数：1159 - 11784) 用于支持普适边缘应用的同质迁移
Complex & Intelligent Systems, Volume 10, Issue 4, August 2024
1) 一种用于动作识别的人体骨骼关键帧选择优化方法作者：陈浩，潘悦凯，王晨武页数：4659 - 46732) 城市轨道交通网络短期起讫点流量预测：基于多源大数据的深度学习方法作者：崔红萌，司冰峰……潘伟婷页数：4675 - 46963) 用于社区检测的多约束非负矩阵分解：正交正则稀疏约束非负矩阵分解作者：陈子刚，肖奇……李晓勇页数：4697 - 47124) 使用多层时间图神经网络预测社交媒体网络中的流行趋势作者：金瑞东，刘欣，村田刚页数：4713 - 47295) 受全变分和深度去噪先验启发的混合正则化用于图像恢复作者：Hu Liang, Jiahao Zhang...Jinbo Zhu页数
Neural Network (MLP) for Time Series Forecasting in Practice | by Daniel J. TOTH | Jul, 2024
时间序列，更具体地说是时间序列预测，是专业人士和商业用户中非常熟悉的数据科学问题。存在几种预测方法，为了便于理解和更好地概述，可以将其归类为统计或机器学习方法，但事实上，对预测的需求如此之高，Daniel J. TOTH 于 2024 年 7 月发表的《神经网络 (MLP) 在时间序列预测中的应用》一文首次出现在 AI Quantum Intelligence 上。
Neural Network (MLP) for Time Series Forecasting in Practice
特征工程和构建 MLP 模型的实用示例简介时间序列，更具体地说是时间序列预测，是专业人士和商业用户中非常著名的数据科学问题。存在几种预测方法，为了理解和更好的概述，可以将其归类为统计或机器学习方法，但事实上，对预测的需求如此之高，以至于可用的选项非常丰富。机器学习方法被认为是时间序列预测中最先进的方法，并且越来越受欢迎，因为它们能够捕捉数据中复杂的非线性关系，并且通常可以提高预测的准确性 [1]。一个流行的机器学习领域是神经网络领域。具体来说，对于时间序列分析，循环神经网络已被开发并应用于解决预测问题 [2]。数据科学爱好者可能会发现此类模型背后的复杂性令人生畏，作为你们中的一员，我可以说我也
An Off-Beat Approach to Train-Test-Validation Split Your Dataset
确保小数据集分割的分布完整性使用 Microsoft Designer 生成我们都需要对总体进行抽样，以进行统计分析并获得见解。当我们这样做时，目的是确保样本的分布与总体的分布紧密匹配。为此，我们有各种方法：简单随机抽样（其中每个总体成员都有相同的被选中的机会）、分层抽样（包括将总体划分为子组并从每个子组中抽样）、聚类抽样（其中将总体划分为簇并随机选择整个簇）、系统抽样（包括选择总体的每第 n 个成员）等。每种方法都有其优势，并根据研究的特定需求和特点进行选择。在本文中，我们不会关注抽样方法本身，而是关注使用这些概念将用于机器学习方法的数据集拆分为训练-测试-验证集。这些方法适用于所有类型的表
The Pedagogy Of The Oppressed Freire
作者：TeachThought 员工 Paulo Freire 的《被压迫者教育学》是教育理论的基础文本。其持久意义源于对传统教学和学习方法的深刻批判。这部影响深远的作品写于 20 世纪 60 年代，至今仍与出版时一样具有现实意义，为......The Pedagogy Of The Oppressed Freire 一文首次出现在 TeachThought 上。
