摘要 本文将展示如何使用Python和自然语言处理构建知识图谱。 网络图是一种数学结构，用于展示可以用无向/有向图结构可视化的点之间的关系。它是一种将链接节点映射的数据库。 知识库是来自不同来源（如维基百科）的信息的统一存储库。 知识图是使用图形结构数据模型的知识库。简单来说，它是一种特定类型的网络图，显示现实世界实体、

如果你刚开始学习深度学习，可能会很难理解Transformer架构（我有亲身经历）。 我还没有看到（至少目前为止）一个易于理解的Transformer解释。大多数解释都假设你有很好的深度学习背景，并且他们会陷入一些对于架构并不重要的细节。 我会尝试给出关于Transformer如何以及为什么成为一种很好的架构的最基本的解释。 为此，我将展示Trans

自从我最近写了一篇关于时间序列深度学习的更新以来已经有一段时间了。几个会议已经来了又走了，整个领域也在多个方面得到了进展。在这里，我将尝试介绍一些最有前途和关键的论文，这些论文在过去一年左右发表，以及Flow Forecast框架的更新。 Flow Forecast Framework 的更新： 在过去的一年里，我们在FF的架构和文档方面取得了重大

互联网上有很多书籍和课程可以帮助你掌握Python和数据科学。之前我在这篇文章中列出了掌握Python的22个最佳资源。 掌握Python的22个最佳资源 然而，如果你正在寻找可以帮助你学习数据科学主题的细节和理论的书籍，那么之前的文章并没有涵盖这些内容。 因此，在本文中，我将尝试填补这个空白。幸运的是，有很多完全免费的电子书可以

时间序列预测是一个难题，没有简单的答案。有无数的统计模型声称在效果上优于其他模型，但往往并不清楚哪个模型最好。 话虽如此，基于ARMA的模型通常是一个很好的起点模型。它们可以在大多数时间序列问题上获得不错的得分，并且适合作为任何时间序列问题的基准模型。 本文是一篇全面、适合初学者的指南，旨在帮助你理解基于ARIMA的模

前置知识 时间序列预测的领域在过去两年中发生了巨大变化。 2018年和2020年分别举办了第四届和第五届Makridakis M-competitions（更为人所知的是M4和M5比赛）。对于那些不了解的人来说，这些M-competitions本质上是时间序列生态系统的现状，提供了指导预测理论和实践的经验和客观证据。 2018年M4比赛的结果表明，传统统计方法很大程

使用JavaFx可视化训练损失 深度学习框架过于简化了实现神经网络的过程，有时很容易陷入抽象化学习的陷阱，认为你可以简单地堆叠任意的层并自动完成所有事情[1]。通过从头开始实现核心概念（如神经网络、卷积神经网络和循环神经网络的反向传播算法）来构建机器学习（ML）的坚实基础非常重要。花时间理解其推导过程，并尝试从头开始导