看到快手这篇文章，还开源了他们的KwaiSurvival，上手试了试：KwaiSurvival 是快⼿DA⾃主开发的基于深度学习框架的集成⽣存分析软件，帮助使⽤者在Python编程环境下⾼效地使⽤⽣存分析模型实现⼤规模的数据分析地址：https://github.com/kwaiDA/KwaiSurvival本篇主要是今天简单测试了之后的一些笔记记录，不知道他们组内的小伙伴看到这篇，会不会打我。。

机器学习开发者想要打造一款 App 有多难？事实上，你只需要会 Python 代码就可以了，剩下的工作都可以交给一个工具。一些介绍可参考：文章公众号：机器之心从Python代码到APP，你...

文章目录1 案例介绍2 依赖安装3 页面使用4 源码细节解析4.1 直接读入markdown文件4.2 加载文件与图片4.3 opencv + yolov3 检测函数系列参考：python︱写markdown一样写网页，代码快速生成web工具：streamlit介绍（一）python︱写markdown一样写网页，代码快速生成web工具：streamlit 重要组件介绍（二）python︱写mar

cuML是一套用于实现与其他RAPIDS项目共享兼容API的机器学习算法和数学原语函数。cuML使数据科学家、研究人员和软件工程师能够在GPU上运行传统的表格ML任务，而无需深入了解CUDA编程的细节。 在大多数情况下，cuML的Python API与来自scikit-learn的API相匹配。对于大型数据集，这些基于GPU的实现可以比其CPU等效完成10-50倍。 有关性能的详细信息，请参阅..

之前两篇有专门介绍shap值，可以说非常好用，机器学习模型可解释性进行到底 —— 从SHAP值到预测概率（二）机器学习模型可解释性进行到底 —— SHAP值理论（一）文章目录1 部分依赖图（Partial Dependence Plot)1.1 理论解读1.2 如何根据PDP 进行特征筛选2 个体条件期望图（Individual Conditional Expectation Plot)3skle

文章目录1 mlflow Dockerfile2 训练模型3 对比模型4 打包模型5 模型部署6 模型inference调用mlflow的安装与使用，可以直接：pip install mlflow1 mlflow Dockerfile本来按照这个MLFlow教程（MLflow系列1：MLflow入门教程（Python）），找台机器跑起来没啥问题；不过，看到项目的github有Dockerfile那

文章目录1 四种全局可解释的方法论1.1 过滤法1.1.1方差过滤方差过滤1.1.2 相关性过滤1.2 嵌入法1.2.1SelectFromModel - 筛选特征1.2.2 PermutationImportance - 排列重要性1.3 包装法1.4 几种方法对比1.5 额外的交叉特征筛选模型：AutoFIS2 SHAP(SHapley Additive exPlanation)2.1 SHA

2 腾讯看点：视频笔记​2.1 观测数据 、 实验数据的理论介绍​![image.png](https://img-blog.csdnimg.cn/img_convert/c66bdbcdd86d5031040f51924397952d.png#clientId=u8e2473a0-856a-4&from=paste&height=746&id=ud2728b80&

之前一篇是写在数据科学领域使用因果推断的案例，因果推断笔记——数据科学领域因果推断案例集锦（九）主要应用的领域在：智能营销、一些机制干预的有效性、智能补贴等，那么可以看看在不常见领域的案例，拓宽一下视野。文章目录1 自治代理和多代理系统2 因果表征学习在CV领域的应用2.1 Visual Commonsense R-CNN——改造Loss2.2 Causal Intervention for We

盘点 三款高可用的机器学习模型 web页面化的工具