更新于:02-09 01:03

有关[学习]分类推荐

为Nginx加入一个使用深度学习的软WAF

于02-17 09:00 - rochek - WEB安全 nginx waf 工具
本文介绍如何向Nginx增加了一个使用Tensorflow C库的软WAF模块,模块主体基于Naxsi. 这里,之前有Dalao发表过这样一篇文章: 基于卷积神经网络的SQL注入检测. 这是一个开源的项目,但是由于速度的关系,我不打算使用这篇文章的模型,仅仅采用这篇文章使用的数据集. 这样可以节省很多特征工程的时间.

机器学习中如何处理不平衡数据?

于02-17 14:53 - 机器之心 -
假设老板让你创建一个模型——基于可用的各种测量手段来预测产品是否有缺陷. 你使用自己喜欢的分类器在数据上进行训练后,准确率达到了 96.2%. 你的老板很惊讶,决定不再测试直接使用你的模型. 几个星期后,他进入你的办公室,拍桌子告诉你你的模型完全没用,一个有缺陷的产品都没发现. 经过一番调查,你发现尽管你们公司的产品中大约有 3.8%的存在缺陷,但你的模型却总是回答「没有缺陷」,也因此准确率达到 96.2%.

基于FPGA的深度学习加速器综述:挑战与机遇

于01-24 14:50 - 机器之心 -
近年来,神经网络在各种领域相比于传统算法有了极大的进步. 在图像、视频、语音处理领域,各种各样的网络模型被提出,例如卷积神经网络、循环神经网络. 训练较好的 CNN 模型把 ImageNet 数据集上 5 类顶尖图像的分类准确率从 73.8% 提升到了 84.7%,也靠其卓越的特征提取能力进一步提高了目标检测准确率.

把机器学习自动化,AutoML 要做出人人可用的人工智能〡IF19

于01-21 23:10 - -
随着概念的普及,科技公司对人工智能的要求越来越高,成本、准确度、效率都影响着人工智能能否落地融入日常的使用中. 对人工智能应用的快速增长也进而催生了对影响人工智能水平的关键要素——机器学习方法的需求. 近年来,在深度学习领域里,出现了一种「新式学习法」,很多人视它改变了设计复杂的深度学习网络,把看似高不可攀的深度学习,「拉」到了人人触手可及的程度.

大众点评搜索基于知识图谱的深度学习排序实践

于01-18 18:38 - 美团技术团队 -
搜索是大众点评App上用户进行信息查找的最大入口,是连接用户和信息的重要纽带. 而用户搜索的方式和场景非常多样,并且由于对接业务种类多,流量差异大,为大众点评搜索(下文简称点评搜索)带来了巨大的挑战,具体体现在如下几个方面:. 意图多样:用户查找的信息类型和方式多样. 信息类型包括POI、榜单、UGC、攻略、达人等.

阿里妈妈宣布Euler项目开源 为国内首个工业级的图深度学习开源框架

于01-18 13:57 - Chaos - 新闻&趣事
1月18日,阿里妈妈公布了一个重磅的开源项目——图深度学习框架Euler,这也是国内首个在核心业务大规模应用后开源的图深度学习框架. 图学习和深度学习都是人工智能的一个分支,作为阿里巴巴旗下的大数据营销平台,阿里妈妈创新性地将图学习与深度学习进行结合,推出了Euler,可更大幅度提升营销效率. Euler已在阿里妈妈核心业务场景进行了锤炼和验证,同时,在金融、电信、医疗等涉及到复杂网络分析的场景中也具有非常高的易用性,例如Euler可高效识别金融欺诈团伙.

完全硬件指南:教你 DIY 一套自己的深度学习机器

于01-18 12:36 - boxi - 人工智能
编者按:在各大技术公司纷纷开源框架的背景下,人工智能日益成为普通开发者也能折腾的东西. 当然,要想自己也能玩玩人工智能,你需要一套合适的硬件. 如何才能搭建一套合适的人工智能,尤其是当今最火的深度学习的硬件呢. 为了帮助大家避免一些硬件配置的坑,深度学习的资深玩家Tim Dettmers将自己的经验教训总结成了这篇深度学习的 完全硬件指南,供各位玩家参考.

观远AI实战 | 机器学习系统的工程实践

于01-16 18:20 - 观远数据 -
「观远AI实战」 栏目文章由观远算法天团倾力打造,观小编整理编辑. 这里将不定期推送关于机器学习,数据挖掘,特征重要性等干货分享. 本文8千多字,约需要16分钟阅读时间. 机器学习作为时下最为火热的技术之一受到了广泛的关注. 我们每天打开公众号都能收到各种前沿进展、论文解读、最新教程的推送. 这些文章中绝大多数内容都跟酷炫的新模型、高大上的数学推导有关.

7款让自己偷偷成长的App,送给爱学习的你

于01-15 00:00 - - jianshu
BOOK是一款集合高质量图书,期刊杂志,报纸的高质量阅读软件,并且这款软件还支持听书功能,软件的书籍全部免费,软件的书籍也是十分丰富;仅支持安卓版本. 它书籍种类丰富,分类功能十分强大,它还支持强大的搜索功能;一款软件可以代替大多数书籍阅读软件. 中国大学MOOC是由网易与教育部爱课程网携手推出的在线教育平台,汇集中国顶尖高校的MOOC(课程;它支持安卓和苹果版本.

深度学习已经触底?这篇文章的观点令人信服吗?

于01-12 14:15 - 机器之心 -
这是 2018 年下半年至今我们一直能听到的一种声音. 这类唱衰的文章一经发布,总是能博人眼球. 这篇发表在 Medium 上的文章探讨了 AI 的历史和现在,泛谈了深度学习的局限性,思考 AI 寒冬的到来. 许多人认为,算法可以利用认知意识来超越人类. 机器可以在没有人类干预的情况下识别和学习任务.

机器学习算法Boosting

于01-11 17:59 - 标点符 - 数据 机器学习 算法
机器学习通常会被分为2大类:监督学习和非监督学习. 在监督学习中,训练数据由输入和期望的输出组成,然后对非训练数据进行预测输出,也就是找出输入x与输出y之间的函数关系F:y = F(x). 根据输出的精确特性又可以分为分类和回归. 分类和回归的区别在于输出变量的类型. 定量输出称为回归,或者说是连续变量预测.

深度学习在搜索业务中的探索与实践

于01-11 04:00 - 美团点评技术团队 -
本文根据美团高级技术专家翟艺涛在2018 QCon全球软件开发大会上的演讲内容整理而成,内容有修改. 2018年12月31日,美团酒店单日入住间夜突破200万,再次创下行业的新纪录,而酒店搜索在其中起到了非常重要的作用. 本文会首先介绍一下酒店搜索的业务特点,作为O2O搜索的一种,酒店搜索和传统的搜索排序相比存在很大的不同.

从零开始搭建树莓派 + intel movidius 神经元计算棒2代深度学习环境 - Mingyong_Zhuang的技术博客 - CSDN博客

于01-06 08:01 - -
从零开始搭建树莓派+intel movidius 神经元计算棒2代深度学习环境. 下载OpenVINO toolkit for Raspbian安装包:. Opencv + python api调用方法:. 本文从零开始搭建,从烧写树莓派的系统开始,到最后用计算棒跑人脸检测. 本教程适用二代的计算棒,不适合一代的计算棒.

图像识别——ubuntu16.04 movidius VPU NCSDK深度学习环境搭建-桐烨科技-踏上文明的征程-51CTO博客

于01-01 20:55 - -
这篇文章本人不打算长篇累牍去写,结合以前写的文章,从软件角度去写一些点滴,伴随人工智能AI的火爆,现在图像识别算法也异常火爆,上一篇文章提到Intel movidius Myriad 2 VPU(MA2450)是一种简单易用的深度学习平台,说到简单易用,但很多网友和客户还是一头雾水,本人还是觉得在这里班门弄釜一下,简单写一些,在ubuntu环境下搭建深度学习开发环境.

图像识别VPU——易用的嵌入式AI支持深度学习平台介绍-桐烨科技-踏上文明的征程-51CTO博客

于01-01 20:55 - -
公司玩了大半年的嵌入式AI平台,现在产品进入量产模式,也接触了很多嵌入式方案,有了一些心得体会,本人不才,在这里介绍一下一款简单易用的嵌入式AI方案——Movidius Myriad 2 VPU(MA2450) 和 Myriad X VPU(MA2485). 这里本人重点提示:简单易用的嵌入式AI.

Facebook开源移动端深度学习加速框架,比TensorFlow Lite快一倍

于12-29 00:00 - - geek
方栗子 发自 凹非寺. 量子位 出品 | 公众号 QbitAI. Facebook发布了一个开源框架,叫 QNNPACK,是手机端神经网络计算的加速包. 官方表示,它可以 成倍提升神经网络的推理效率,几乎比 TensorFlow Lite快一倍. 这个框架,能够为很多运算加速,比如 DW卷积 (Depthwise Convolution) ,许多先进的架构里面都用得到.

基于CPU的深度学习推理部署优化实践

于12-24 18:31 - 爱奇艺技术产品团队 -
随着人工智能技术在爱奇艺视频业务线的广泛应用,深度学习算法在云端的部署对计算资源,尤其是 GPU 资源的需求也在飞速增长. 如何提高深度学习应用部署效率,降低云平台运行成本,帮助算法及业务团队快速落地应用和服务,让 AI 发挥真正的生产力,是深度学习云平台团队努力的目标. 从基础架构的角度,GPU资源的紧缺和GPU 利用率的不足是我们面临的主要挑战.

《从0到1学习Flink》—— 介绍Flink中的Stream Windows | zhisheng的博客

于12-24 08:47 - -
目前有许多数据分析的场景从批处理到流处理的演变, 虽然可以将批处理作为流处理的特殊情况来处理,但是分析无穷集的流数据通常需要思维方式的转变并且具有其自己的术语(例如,“windowing(窗口化)”、“at-least-once(至少一次)”、“exactly-once(只有一次)” ). 对于刚刚接触流处理的人来说,这种转变和新术语可能会非常混乱.

如何构建一个器学习项目来找到工作?

于12-22 19:59 - - 人工智能
雷锋网 AI 科技评论按:如何找到一份机器学习的工作. 对于这个问题, SharpestMindsAI 创始人、物理学家和机器学习专家 Edouard Harris 写了一篇博客,雷锋网 AI 科技评论整理. 我是一个在 YC 初创公司工作的物理学家. 我们的工作是帮助刚毕业的学生得到他们的第一份机器学习工作.

机器学习实战之一:一个完整的机器学习项目

于12-20 00:00 - - jianshu
一个机器学习项目主要步骤为:. 使用Pandas加载数据,并返回一个包含所有数据的Pandas. head()方法查看该数据集的前5行:. describe()方法展示数值属性的概括:. 创建测试集(根据收入,进行分层采样):. corr()方法计算出每对属性间的标准相关系数(standard correlation coefficient,也称作皮尔逊相关系数):.

Windbg学习笔记 - 简书

于12-19 17:19 - -
winsdksetup.exe,双击,选择. Debugging Tools for Windows安装. 64位系统抓64位进程dump,用64位windbg来分析. 64位系统抓32位进程dump,用32位windbg来分析. where sos.dll找到sos.dll路径. 这个错误的原因是用了32位的任务管理器抓的32位的dump文件.

[原]系统学习机器学习--聚类总结

于12-09 09:55 - App_12062011 -
聚类分析提供由个别数据对象到数据对象所指派到簇的抽象. 此外,一些聚类技术使用簇原型(即代表簇中其他对象的数据对象)来刻画簇的特征. 聚类分析是研究发现最具有代表性的簇原型的技术. 注意:簇的定义是不精确的,而最好的定义依赖于数据的特征和期望的结果. 聚类分析与其他将数据对象分组的技术有关. 层次的(嵌套的)与划分的(非嵌套的),互斥的,重叠的与模糊的,完全的与部分的.

新手必看:深度学习是什么?它的工作原理是什么?

于11-30 10:18 - - 人工智能
本文为 AI 研习社编译的技术博客,原标题 :. 作者 |  Alexandre Gonfalonieri. 翻译 | M惠M、孙大力. 校对 | 酱番梨        整理 | 菠萝妹. 我们都熟悉“人工智能”这个词. 但你最近可能听说过“机器学习” ( Machine Learning )和“深度学习” ( Deep Learning ) 等其他术语,它们有时会与人工智能 ( AI ) 互换使用.

这25个开源机器学习项目,一般人我不告诉Ta

于11-22 22:30 - -
本文为 AI 研习社编译的技术博客,原标题 :. 作者  Khoa Pham. 翻译  狒狒   校对  姚秀清 整理  菠萝妹. 很有启发性的 25 个开源机器学习项目. 在过去几年中,机器学习开辟了很多新的领域,出现了很多高级应用案例:Facebook 的脸部识别、Netflix 的电影推荐、PrimaAI 的图像风格转移、Siri 的语音识别、Google Allo 的自然语言处理等等.

机器学习之类别不平衡问题:模型的评价指标

于11-17 00:00 - - dev
本系列文章主要介绍机器学习中类别不平衡问题的处理,在实际应用中类别不平衡问题是非常常见的,文章主要包括以下部分. (2).不平衡问题的常用指标. (3).从数据集角度处理不平衡问题. (4).从算法角度处理不平衡问题. 本次文章主要是第一部分模型的评价指标,如果对模型的评价指标不了解,那么后续模型的好坏也无从谈起.

使用dlib 进行高质量深度学习人脸识别

于11-03 19:34 - -
自上一次dlib发布以来,我一直在努力为dlib 添加易于使用的. 深度学习对很多事情都很有用,但最受欢迎的应用是人脸识别. 所以显然我必须 向dlib 添加  . 新的例子附带了秃头好莱坞动作英雄的照片,并使用提供的深度模型来识别有多少不同的人以及哪些面孔属于每个人. 下面显示了输入图像以及四个自动识别的面部聚类:.

美团深度学习系统的工程实践

于10-26 01:22 - 美团点评技术团队 -
深度学习作为AI时代的核心技术,已经被应用于多个场景. 在系统设计层面,由于其具有计算密集型的特性,所以与传统的机器学习算法在工程实践过程中存在诸多的不同. 本文将介绍美团平台在应用深度学习技术的过程中,相关系统设计的一些经验. 本文将首先列举部分深度学习算法所需的计算量,然后再介绍为满足这些计算量,目前业界比较常见的一些解决方案.

刚采访了一个大学霸,他的秘诀是预习(学霸开豆瓣啦)

于10-23 12:42 - -
刚才学霸邮件回复了我,我复制下来了:. 今天因为工作需要采访了一个top1学府的尖子学霸. 期间他的很多话深深的震撼了我:. “其实我也不聪明,我很蠢的,我就是靠预习. “就是小学五六年级就开始看初一到初三的课程和作业,初中看高中的,以此类推. ,所以你上初中的时候就在学高中的教材了. “对,也会做高中的习题作业、考卷.

基于深度学习的智能问答-博客-云栖社区-阿里云

于10-15 13:48 - -
纵观自动问答系统的技术发展历史,从1950年代因图灵测试而诞生至今,已经有几十年的历史. 但真正在产业界得到大家的广泛关注,则得益于2011年Siri和Watson成功所带来的示范效应. 自此,自动问答系统较以往任何时候都显得离实际应用更近. 这一方面归功于机器学习与自然语言处理技术的长足进步,另一方面得益于维基百科等大规模知识库以及海量网络信息的出现.

基于 TensorFlow Serving 的深度学习在线预估

于10-13 00:00 - - dev
随着深度学习在图像、语言、广告点击率预估等各个领域不断发展,很多团队开始探索深度学习技术在业务层面的实践与应用. 而在广告CTR预估方面,新模型也是层出不穷: Wide and Deep[1]、DeepCross Network[2]、DeepFM[3]、xDeepFM[4],美团很多篇深度学习博客也做了详细的介绍.