http://www.ttfriends.com/forum/dv_rss.asp?s=xhtml&boardid=243&id=193536&page=1&star=1&count=55
http://www.ttfriends.com/forum/dv_rss.asp?s=xhtml&boardid=243&id=309964&page=1
以上出自此論壇 http://www.ttfriends.com/forum/dv_rss.asp?s=xhtml&boardid=243&page=1
http://bbs.xmfish.com/read.php?tid=1727046&page=1 簡易版
http://tw.myblog.yahoo.com/jw!QGlpu4eGCBzCnRY7pwA-/article?mid=985&prev=993&next=972 圖多
http://www.zuojiaju.com/thread-32327-1-1.html 還能改變方向和角度
http://www.youtube.com/watch?v=HIMtHxMLO58&NR=1 home made?不太相信…
http://www.youtube.com/watch?v=bjAHljq24rk&NR=1 機動學作業現在都要這樣搞啦~~
http://www.youtube.com/watch?v=hSh2F42pXZI 上面那個影片的完整版…不愧是GITECH，不用電的
熱門文章
-
影片重點概述： 實驗設計：創作者提出「CPB 飲食」（Chicken, Potato, Broccoli + carrots）為期30天的短期重置飲食。規則：只吃雞胸、馬鈴薯、綠花椰與紅蘿蔔；每餐最多可用1湯匙橄欖油；禁用含熱量飲料與人工甜味劑；可以無限制吃到飽但不計...
-
近年來，語言模型（Language Models, LMs）在自然語言生成領域展現了驚人的能力，從機器翻譯、文本摘要到對話系統均取得突破性進展。然而，隨著這些模型被廣泛應用，人們逐漸注意到一個潛在的問題：語言模型在開放式生成任務中往往難以產生多樣且富有創意、人性化的內容，而是傾...
-
在當前機器學習與人工智慧領域中，模型的泛化能力一直是研究的核心課題。傳統的監督式學習假設訓練數據與測試數據來自相同分布（In-Distribution，ID），但現實中的應用環境往往更為複雜，測試階段可能遭遇模型未曾見過的樣本，即「分布外（Out-of-Distribution...
-
請先詳讀 這篇 ，以免發生憾事(XD) 很高興發現大家都有把 git 玩到爛的經驗(!!)，所以解決方案才會這麼好找~~ "由於剛開始 git init 沒有把 .gitignore 寫好，所以 commit 了一堆 *.o 或者是 *.ko 類似的檔案...
-
近年來，擴散模型（Diffusion Models）因其在影像生成領域所展現的優異表現，成為深度學習與生成模型的研究熱點。尤其是基於深度神經網路（DNN）訓練的去噪過程與逆擴散機制，能生成高品質影像，顯示此類模型似乎突破了維度詛咒（curse of dimensionality...
-
在多智能體系統與博弈論領域，尋找能有效且穩定地達成均衡解的學習演算法，一直是研究熱點。尤其是在 廣義形式博弈（Extensive-Form Games） 中，因其能更細膩展現序列決策與觀察不完美資訊的特性，更貼近現實情境。然而，現有針對此類博弈的學習方法往往著重於「納什均衡（N...
-
在自然語言處理（NLP）的發展史上，預訓練語言模型已成為推動技術躍進的關鍵。過去幾年，透過在大規模語料庫進行預訓練，接著在目標任務上微調（fine-tuning）的策略，讓機器在翻譯、問答、情感分類等多種任務中取得顯著進步。然而，此類方法仍存在一項限制──需要為每個任務準備大量...
-
在機器學習與人工智慧領域中，離散機率分佈的抽樣問題長期以來都是一大挑戰。離散變數的組合空間隨維度爆炸性成長，使得經典的抽樣方法如吉布斯抽樣（Gibbs Sampling）或Metropolis-Hastings (MH) 演算法在實務操作中常常遭遇效率瓶頸，導致收斂速度慢、樣本...
-
研究背景與動機 在自然語言處理（NLP）領域中，語言本質上具有層次化的結構，例如句法樹（syntactic tree）和語意結構。這種層次化結構對於語言理解與生成至關重要。然而，傳統的循環神經網路（RNN），包含長短期記憶（LSTM），主要是以線性的時間序列方式處理資訊，難以...
-
在機器學習領域中，線性分類器（halfspaces）是經典且基礎的模型之一，其理論與應用價值深遠。如何在存在標籤噪音的情況下，仍能有效且高效地學習出良好分類器，一直是理論計算機科學和統計學的重要課題。2019 年 NeurIPS 發表的論文《Distribution-Indep...
沒有留言:
張貼留言