小数志

代码在线跑，知识轻松学

Python精品学习库

自行/邀约他人一键搬运博客，速成社区影响力并领取好礼

博客搬家 | 分享价值百万资源包

往期视频·干货材料·成员作品 最新动态

技术创作特训营·精选知识专栏

新邀入驻腾讯云开发者社区，福利多多！

如何运用「云、端融合的数智化安全体系」高效护航数据安全

左手AI，右手安全 —— 一汽丰田数字化转型之路

最近由于工作需要，在阅读一些关于可解释AI方面的论文和书籍，对该领域有了一点浅显的认识，本文从技术简介、技术分类与主要研究方向加以简要介绍。

可解释AI技术简介、分类与相关工具

本文继续PyTorch学习系列教程，来介绍在深度学习中最为基础也最为关键的数据结构——Tensor。一方面，Tensor之于PyTorch就好比是array之于Numpy或者DataFrame之于Pandas，都是构建了整个框架中最为底层的数据结构；另一方面，Tensor又与普通的数据结构不同，具有一个极为关键的特性——自动求导。今天，本文就来介绍Tensor这一数据结构。

PyTorch学习系列教程：何为Tensor？

作为一名新时代打工人，最近一段时间的就业大环境可真是没什么好消息可言啊，从国内到国际，从天灾到人祸，各行各业都简直是太难了。有感于此，本文从某招聘网站以“算法工程师”为关键词，爬取了一波岗位招聘数据，并简单分析了一下。

最近大环境有些吃紧，赶紧用数据来分析一下算法岗！

前两篇推文分别介绍了DNN和CNN，今天本文来介绍深度学习的另一大基石：循环神经网络，即RNN。RNN应该算是与CNN齐名的一类神经网络，在深度学习发展史上具有奠基性地位。

PyTorch学习系列教程：循环神经网络【RNN】

今天本文继续PyTorch学习系列。虽然前几篇推文阅读效果不是很好（大体可能与本系列推文是新开的一个方向有关），但自己选择的路也要坚持走下去啊！

PyTorch学习系列教程：Tensor如何实现自动求导

笔者早先学习Python以及数据分析相关知识时，对Pandas投入了很多精力，自认掌握的还算扎实，期间也总结分享了很多Pandas相关技巧和心得（点击上方“Pandas”标签可以查看系列文章）。近日，在github中查看一些他人提交的代码时，发现了Pandas中这三个函数，在特定场景中着实好用，遂成此文以作分享。

最近，又发现了Pandas中三个好用的函数

继续PyTorch学习系列。前篇介绍了PyTorch中最为基础也最为核心的数据结构——Tensor，有了这些基本概念即可开始深度学习实践了。本篇围绕这一话题，本着提纲挈领删繁就简的原则，从宏观上介绍搭建深度学习模型的几个基本要素。

PyTorch学习系列教程：构建一个深度学习模型需要哪几步？

了解小编的读者应该知道，我在从事了一段数据分析师的工作之后，目前岗位的title已经换成了算法工程师。虽然两个岗位存在很大交集和共通之处，但无论是工作思维还是所需技术栈方面，也都存在很大差异。前期，一名读者在后台留言问我数据分析师转岗算法工程师的经历，今天本文就结合个人实际做以总结。

一名数据分析师到算法工程师的转岗经历

Pandas对于日常数据分析和处理来说是最常用的工具（没有之一），笔者之前也总结分享了很多相关用法和技巧。与之不同，今天本文来介绍几个已经在函数文档中列入"deprecated"的函数/属性，可能在不久的未来版本中这些用法将正式与我们告别，以此权当留念。

且用且珍惜：Pandas中的这些函数/属性将被deprecated

前篇推文介绍了深度学习中最为基础和常见的一类网络——深度神经网络，也就是DNN，其源起于MLP网络，经过丰富的激活函数和反向传播算法的加持，使得网络在层数深的情况下能够有效训练，并大大增强了网络的信息表达能力（神经网络模型本质上是在拟合一个相对复杂的映射函数，随着网络层数的增加，能拟合逼近的映射函数可以越复杂，意味着信息表达能力越强）。

PyTorch学习系列教程：卷积神经网络【CNN】

近几天的推文中，分别对深度学习中的三大神经网络——DNN、CNN、RNN进行了系统的介绍，今天本文以股票数据集为例对其进行案例实战和对比。

PyTorch学习系列教程：三大神经网络在股票数据集上的实战

趁着清明小假期，决定继续输出几篇文章。对于PyTorch学习教程系列，有了前几篇推文做铺垫，这次打算用三篇文章分别介绍一下深度学习中的三大基石：DNN、CNN、RNN。本文就从DNN开始，即深度神经网络。

PyTorch学习系列教程：深度神经网络【DNN】

近来在浏览DataCastle竞赛平台时，注意到了上面挂载的一些数据挖掘训练赛题目，因为是定位于训练赛，主要用于帮助初学者快速熟悉和练手机器学习技能，所以赛题难度相对基础，也没有提供实质性的竞赛奖励。

开启机器学习懒人模式——AutoGluon小试某数据挖掘训练赛

相信很多IT从业者程序员都或多或少的存在一些强迫症属性，可能的表现包括：对软件安装的位置选择、代码编写的变量命名规范、文件归档分类等，有时候不能按照自己的预期进行配置总会暗自不爽——我个人是有这种感觉的。

Miniconda——搭建Python开发环境的最优解

近年来，可解释AI（eXplainable AI，XAI）是人工智能的一个热门方向，相关研究内容呈现快速增长趋势。在众多可解释AI相关开源工具中，微软的interpret是一个功能比较全面、展示效果较好的代表，个人在学习了interpret文档后，发现其一个demo中用到的数据集为Adult数据集——一个用于预测个人年收入是否大于50K（单位：$）的人口普查数据集。所以，刚好用interpret来分析一下，影响年薪收入的因素都有哪些，以及影响程度如何！

人间真实——用interpret可解释分析一下影响年薪收入的因素

      数据可视化是指用图形或表格的方式来呈现数据。图表能够清楚地呈现数据性质， 以及数据间或属性间的关系，可以轻易地让人看图释义。用户通过探索图（Exploratory Graph）可以了解数据的特性、寻找数据的趋势、降低数据的理解门槛。

【文末送书】对于入门Python数据分析和数据可视化，我想推荐一下这本书！

新的一年还是要肝起来啊，这个公众号节前节后沉寂了快两个月了，许久没更新原创推文，自己感觉不能再这样堕落下去了。所以最近一直在思考写些什么推文：既要符合当下工作所需，倒逼成长；也要于广大读者有益，而非单纯的推销运营。

Pytorch学习系列教程：入门简介

时序预测是一类经典的问题，在学术界和工业界都有着广泛的研究和应用。甚至说，世间万物加上时间维度后都可抽象为时间序列问题，例如股票价格、天气变化等等。关于时序预测问题的相关理论也极为广泛，除了经典的各种统计学模型外，当下火热的机器学习以及深度学习中的循环神经网络也都可以用于时序预测问题的建模。今天，本文就来介绍三种方式的简单应用，并在一个真实的时序数据集上加以验证。

时序预测的三种方式：统计学模型、机器学习、循环神经网络

在前期推文Python中的时序分析工具包推荐（1）中介绍了时序分析的三个工具包，分别侧重于时序特征工程、基于sklearn的时序建模和更为高级的时序建模工具。今天，本篇再来介绍4个时序分析好用的工具包：Prophet、Merlion、Darts和GluonTS。

Python中的时序分析工具包推荐（2）

时间序列分析是一类经典问题，常见的场景需求包括时序预测、时序分裂、时序聚类、异常检测等。作为一名算法工程师，当调包遇上时间序列，有哪些好用的工具包呢？本篇首先介绍3个：tsfresh、tslearn、sktime。

Python中的时序分析工具包推荐（1）

文章

问答

视频

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋 

腾讯云代码助手

CODING DevOps

Cloud Studio

SDK中心

API中心

命令行工具

腾讯云开发者社区推出了小数志专栏，为你提供了小数志的相关文章，致力于帮助开发者快速成长与发展。

小数志

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐