更新于:09-21 09:10

有关[学习]分类推荐

NodeJS学习笔记

于09-17 15:19 - freesky_zh -
今天开始学习NodeJS,在这里做个笔记,记录一下我的学习历程,也方便以后参考. Node.js® 是一个基于  Chrome V8 引擎 的 JavaScript 运行时. 简单的说 Node.js 就是运行在服务端的 JavaScript. Node.js 是一个基于Chrome JavaScript 运行时建立的一个平台.

终结吧!机器学习的数学焦虑

于09-14 14:38 - 大数据文摘 -
本文作者Vincent Chen 是斯坦福大学计算机科学学生,同时也是斯坦福大学人工智能实验室的RA(研究助理). 开始机器学习之旅,需要什么层次的数学功底. 尤其是对于那些没有学过数学和统计学的同学们来说,这个问题当前不甚清楚,在这篇文章中,我将要为那些使用机器学习技术来开发产品或做学术研究的人们提供一些数学背景方面的建议.

在学习中,有一个比掌握知识更重要的能力

于09-08 16:28 - -
  我一朋友的公司,专门给创业者提供创业培训. 有一天,他和我聊道, 现在创业者有一个普遍困扰,那就是不知道该学什么好.   他说:你想啊,创业者累成狗,本来时间就很少,结果创业方法今天出一个还没弄明白,明天就又出来一个——根本学不过来啊. 我说,你以为只有创业者累成狗,没时间学那么多东西啊, 我们都一样.

PMML模型文件在机器学习的实践经验 - CSDN博客

于08-30 15:34 - -
算法工程师和业务开发工程师,所掌握的技能容易在长期的工作中出现比较深的鸿沟,算法工程师辛辛苦苦调参的成果,业务工程师可能不清楚如何使用,如何为线上决策给予支持. 本文介绍一种基于PMML的模型上线方法. 这种方案,在本次参加 QCon 大会时,Paypal的机器学习平台中也有所提及:. 预测模型标记语言(Predictive Model Markup Language,PMML)是一种可以呈现预测分析模型的事实标准语言.

各大公司广泛使用的在线学习算法FTRL详解 - EE_NovRain - 博客园

于08-30 15:22 - -
 转载请注明本文链接:http://www.cnblogs.com/EE-NovRain/p/3810737.html .   现在做在线学习和CTR常常会用到逻辑回归( Logistic Regression),而传统的批量(batch)算法无法有效地处理超大规模的数据集和在线数据流,google先后三年时间(2010年-2013年)从理论研究到实际工程化实现的.

这么多机器学习的应用场景,金融领域到底有何不同?

于08-28 13:33 - 大数据文摘 -
在金融领域,机器学习可能会产生神奇的效果,尽管它本身并没有什么神奇之处(嗯,也许只是一点点). 然而,机器学习项目的成功更多依赖于构建高效的基础结构、收集适当的数据集和应用正确的算法. 机器学习正在对金融服务业产生重大影响. 让我们来看看为什么金融公司会关心这项技术,以及使用人工智能和机器学习可以实现什么解决方案和如何应用这项技术.

机器学习跌下神坛?一些技术趋势正在消失

于08-26 08:36 - -
未来,在路边等待 Uber 或 Lyft 来载你或将成为过去式,届时,我们要做的可能就是走到直升机降落场,叫上一辆无人机. 这种未来的“空中飞的”不仅将减少交通堵塞,而且省去了人类驾驶员. 说到打飞的,事实上无人机技术还远未成熟到可以为我们提供民主化交通服务的地步. 其中第一个挑战便来自于人类对自动化技术的掌握.

手机淘宝推荐中的排序学习-博客-云栖社区-阿里云

于08-20 16:38 - -
周梁:淘宝推荐机器学习技术专家,中国科学院自动化研究所机器学习博士,主要研究工作方向是机器学习、大规模并行算法优化. 先后从事过广告CTR预估,MPI机器学习平台搭建,手淘个性化推荐等多方面工作. 排序学习是推荐、搜索、广告的核心问题. 在手机淘宝的推荐场景中,受制于展示空间的限制,排序学习显得尤为重要.

我们该如何学习机器学习中的数学

于08-04 17:58 - 机器之心 -
数学在机器学习中非常重要,不论是在算法上理解模型代码,还是在工程上构建系统,数学都必不可少. 通常离开学校后很难有机会静下心学习数学知识,因此我们最好能通过阅读小组或读书会等形式营造环境,并专注学习那些在实践中常常需要用到的数学知识. 数学达到什么水平才可以开始机器学习. 人们并不清楚,尤其是那些在校期间没有研究过数学或统计学的人.

Spark机器学习案例 spark-example: spark mllib example

于08-03 22:10 - -
#这是一个Spark MLlib实例 . ##1 K-means基础实例 . 命名为kmeans_data.txt,且上传到hdfs的/spark/mllib/data/路径中. 在Intellij中,点击file->选择project structure->选择Artifact->添加jar->把乱七八糟的依赖移除->勾选Build on make.

Apache PredictionIO机器学习和智能推荐服务搭建 - 简书

于08-02 13:49 - -
一、PredictionIO介绍. Apache PredictionIO 是一个孵化中的机器学习服务器,它可以为为开发人员和数据科学家创建任何机器学习任务的预测引擎. PredictionIO以Spark为计算引擎,mysql or HBase+Elasticsearch or PostgreSql 为数据存储,并提供了常用的模板引擎:.

图灵奖得主John Hennessy、David Patterson访谈:未来小学生都能做机器学习

于07-27 18:51 - - 人工智能
雷锋网 AI 科技评论按:在 Google Cloud Next 2018 大会上有一个万众期待的环节,就是今年三月获得 2017 年图灵奖的 John L. Patterson 两人的现场访谈. 谷歌母公司 Alphabet 董事长、斯坦福大学前校长 John Hennessy 与谷歌 TPU 团队、UC 伯克利大学退休教授 David Patterson 两人因计算机体系架构的设计与评价方法以及对 RISC 微处理器行业的巨大影响获得图灵奖后,在多个场合进行了演讲.

CTR 预估模型简介--非深度学习篇

于07-15 21:53 - - 机器学习 机器学习 计算广告
本文主要介绍 CTR 预估中常用的一些模型,主要是非深度学习模型,包括 LR、GBDT+LR、FM/FFM、MLR. 每个模型会简单介绍其原理、论文出处以及其一些开源实现. LR + 海量人工特征 是业界流传已久的做法,这个方法由于简单、可解释性强,因此在工业界得到广泛应用,但是这种做法依赖于特征工程的有效性,也就是需要对具体的业务场景有深刻的认识才能提取出好的特征.

CTR 预估模型简介--深度学习篇

于07-16 22:36 - - 机器学习 机器学习 计算广告
本文主要介绍 CTR 预估中一些深度学习模型,包括 FNN、Wide&Deep、PNN、DIN、 Deep&Cross等. 每个模型会简单介绍其原理、论文出处以及其一些开源实现. FNN 是伦敦大学于 2016 在一篇论文中发表的,模型的结构如下. FNN 假设输入数据的格式是离散的类别特征(表示为 one-hot 编码),且每个特征属于一个 field,通过 embedding 层将高纬稀疏特征映射成低维稠密特征后,再作为多层感知机(MLP)的输入.

[译] 如何选择正确的机器学习算法?

于07-02 00:00 - - dev
机器学习既是一门科学,也是一种艺术. 纵观各类机器学习算法,并没有一种普适的解决方案或方法. 事实上,有几个因素会影响你对机器学习算法的选择. 有些问题是非常特别的,需要用一种特定的解决方法. 例如,如果你对推荐系统有所了解,你会发现它是一类很常用的机器学习算法,用来解决一类非常特殊的问题. 而其它的一些问题则非常开放,可能需要一种试错方法(例如:强化学习).

Facebook 扩大内容核查范围,机器学习+全方位审核打击假新闻

于06-24 17:47 - -
6 月 22 日早晨,Facebook 宣布将扩大其内容核查范围,以打击社交网络上面的虚假新闻和恶作剧消息,并通过相应的打击措施和技术手段,尽量减少虚假新闻带来的恶劣影响. Facebook 在博文中透露,虚假新闻以及恶意篡改内容在一些国家已经成为常态,这使得读者难以判别信息的真假,甚至难以判别与新闻事件相关的图片或视频是否真实.

随机加权平均 -- 在深度学习中获得最优结果的新方法

于06-21 16:06 - - AI开发
本文为雷锋网字幕组编译的技术博客 A Simple Guide to the Versions of the Inception Network,原标题,作者为 Bharath Raj. 翻译 | 龙翔    整理 |  孔令双. 雷锋网 AI 研习社:在这篇文章中,我将讨论最近两篇有趣的论文. 它们提供了一种简单的方式,通过使用一种巧妙的集成方法提升神经网络的性能.

机器学习项目如何管理:看板

于06-13 04:53 - -
在前面的文章中我们看到,涉及机器学习、人工智能的项目,普遍地存在 项目管理的困难. 然后我介绍了针对这类项目 如何设置合理的期望,并且深入分析了 机器学习项目的工作内容. 既然已经知道如何设置客户的期望、又知道可以做哪些事来逼近这个期望,那么围绕期望和动作进行任务的拆解、管理和可视化应该是顺理成章的.

[原]快速学习COSMIC方法之十七:如何寻找更简单有效的规模度量方法?

于05-24 15:52 - dylanren -
  很多企业都在探索合理估算工作量的方法,而工作量的多少主要取决于软件规模的大小,因此在估算软件工作量之前需要先估算其规模. 传统的规模估算方法是进行代码行的估算,但是对于同一个需求,不同经验的人员去估算,结果差别很大,不同的实现语言,估算结果差别也很大,即使不同经验的人员针对同一种需求去实现,实际的代码行数也差别很大,并且实际情况中,往往一个需求可能需要多种语言结合才能实现.

Spark2.x学习笔记:11、RDD依赖关系与stage划分 - CSDN博客

于05-23 17:39 - -
11、 RDD依赖关系与stage划分. Spark中RDD的高效与DAG图有着莫大的关系,在DAG调度中需要对计算过程划分stage,而划分依据就是RDD之间的依赖关系. 针对不同的转换函数,RDD之间的依赖关系分类窄依赖(narrow dependency)和宽依赖(wide dependency, 也称 shuffle dependency).

Google 发布关于机器学习工程的最佳实践

于05-21 10:43 - -
本文档旨在帮助已掌握机器学习基础知识的人员从 Google 机器学习的最佳实践中受益. 它介绍了一种机器学习样式,类似于 Google C++ 样式指南和其他常用的实用编程指南. 如果您学习过机器学习方面的课程,或者拥有机器学习模型的构建或开发经验,则具备阅读本文档所必需的背景知识. 在我们讨论有效的机器学习的过程中,会反复提到下列术语:.

深度学习三大框架对比

于05-18 13:21 - -
| 导语 Science is NOT a battle, it is a collaboration. 人工智能的浪潮正席卷全球,诸多词汇时刻萦绕在我们的耳边,如人工智能,机器学习,深度学习等. “人工智能”的概念早在1956年就被提出,顾名思义用计算机来构造复杂的,拥有与人类智慧同样本质特性的机器.

52个有用的机器学习和预测API(各个方向资源)

于05-14 00:00 - - geek
选自KDnuggets  机器之心编译 参与:吴攀. 人工智能正在成为新一代技术变革的基础技术,但从头开始为自己的应用和业务开发人工智能程序既成本高昂,且往往很难达到自己想要的性能表现,但好在我们有大量现成可用的 API 可以使用. 开发者可以通过这些 API 将其它公司提供的智能识别、媒体监测和定向广告等人工智能服务集成到自己的产品中.

当Google谈论机器学习时,它在谈论什么?

于05-12 19:05 - -
Google 一年一度的开发者大会 I/O 2018,本周在硅谷隆重上演. 这你已经知道了,关于大会报道,请移步 这里. 开幕前一天,Google 在总部举办了一堂名为“机器学习 101”的人工智能课,尝试用最接地气的方法介绍谷歌在机器学习方面正在做的事情. 这堂课的老师 克里斯汀·罗伯森 (Christine Robson) 是 Google AI(原 Google Research)研究员,主攻人机交互方向.

如何在小学阶段养成受益终生的学习习惯?

于05-10 22:50 - -
在阅读中学习科学家解决问题的思路和方法. 来源:小多童书(ID:xiaoduoui). 我是谢刚,感谢小多的邀请,很高兴在这里和大家相会. 我在美国加州从事学校心理学工作,主要负责教育心理的测评、诊断和咨询工作. 在工作 17年中的1000多案例里面,大于85%的都是由于各种不同的原因而造成的学习问题.

9 个超酷的深度学习案例

于05-10 08:02 - -
(点击上方公众号,可快速关注). 深度学习是机器学习中一种基于对数据进行表征学习的方法. 观测值(例如一幅图像)可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列边、特定形状的区域等. 而使用某些特定的表示方法更容易从实例中学习任务(例如,人脸识别或面部表情识别). 深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征.

[译] 巧妙使用机器学习的方法来检测 IoT 设备中的 DDoS 攻击

于05-06 00:00 - - dev
异常检测是识别数据中与预期行为有所不同的数据模式. 异常检测技术可以用来区别常用流量与异常攻击流量. 常用简单的基于门阀值的检测技术并不适用于IOT的攻击本质. 而使用机器学习算法的异常检测模型可以有效降低检测中的假阳性. 网络中间件的内存和处理能力有限,导致在异常检测方面在算法上有一定的限制. 智慧家庭网关路由器用的异常检测框架有以下的特征:.

机器学习中的目标函数、损失函数、代价函数有什么区别? - 知乎

于04-29 10:32 - -
@阿萨姆老师的建议,完善下答案:. 首先给出结论:损失函数和代价函数是同一个东西,目标函数是一个与他们相关但更广的概念,对于目标函数来说在有约束条件下的最小化就是损失函数(loss function). 举个例子解释一下:(图片来自Andrew Ng Machine Learning公开课视频). 我们是想用这三个函数分别来拟合Price,Price的真实值记为.

[原]Facebook如何运用机器学习进行亿级用户数据处理

于01-23 14:33 - qq_40027052 -
编译 | 刘畅、尚岩奇、林椿眄. 2017年末,Facebook应用机器学习组发布最新论文,对整个Facebook的机器学习软硬件架构进行了介绍. 纵览全文,我们也可以从中对Facebook各产品的机器学习策略一窥究竟. 论文中涉及到机器学习在全球规模(上亿级数据处理)上的全新挑战,并给出了Facebook的应对策略和解决思路,对相关行业和研究极其有意义.

如何从零到一地开始机器学习?

于04-18 14:16 - 张戎 -
文章首发于 “腾讯织云”:. 导语:作为一个数学系出身,半路出家开始搞机器学习的人,在学习机器学习的过程中自然踩了无数的坑,也走过很多本不该走的弯路. 于是很想总结一份如何入门机器学习的资料,也算是为后来人做一点点微小的贡献. 在 2016 年 3 月,随着 AlphaGo 打败了李世乭,人工智能开始大规模的进入人们的视野.