ITPub博客

并不是每天都能看到基于模型的机器学习的顶级跨平台框架之一对全世界的所有人开放。今天，微软又开源了一个非常重要的机器学习框架： infer.NET ，采用的是MIT许可证，以便在商业应用中免费使用。开源Infer.NET代表了漫长而雄心勃勃的旅程的高潮。位于英国剑桥的微软研究院的团队早在2004年开始开发这个框架。微软在制作可扩展和可解释的机器学习解决方案的过程中学到了很多东西。Infer.NET

机器学习的模型训练越来越自动化，但特征工程还是一个漫长的手动过程，依赖于专业的领域知识，直觉和数据处理。而特征选取恰恰是机器学习重要的先期步骤，虽然不如模型训练那样能产生直接可用的结果。本文作者将使用  Python 的 featuretools 库进行自动化特征工程的示例。   机器学习越来越多地从手动设计模型转变为使用 H20 ， TPOT 和 auto-sk

 吴恩达说“将引领下一波机器学习技术”的迁移学习到底好在哪？https://blog.csdn.net/weixin_42137700/article/details/83500750【导读】两年前，吴恩达在 NIPS 2016 的 Tutorial 上曾说“在监督学习之后，迁移学习将引领下一波机器学习技术商业化浪潮。”现实中不断有新场景的出现，迁移学习可以帮助我们更好地处理遇到的新场景

 卷积神经网络中十大拍案叫绝的操作 http://blog.sina.com.cn/s/blog_cfa68e330102yydv.html 从2012年的AlexNet发展至今，科学家们发明出各种各样的CNN模型，一个比一个深，一个比一个准确，一个比一个轻量。我下面会对近几年一些具有变革性的工作进行简单盘点，从这些充满革新性的工作中探讨日后的CNN变革方向。 &n

AI在汽车中的应用：实用深度学习 https://mp.weixin.qq.com/s/NIza8E5clC18eMF_4GMwDw 作者：德州仪器Joe Folkens 深度学习的“深度”层面源于输入层和输出层之间实现的隐含层数目，隐含层利用数学方法处理（筛选/卷积）各层之间的数据，从而得出最终结果。在视觉系统中，深度（vs.宽度）网络倾向于利用已识别的特征，通过构

搞AI的产品经理该怎么写PRD？谷歌的导师教你  https://mp.weixin.qq.com/s/ZeOMPO-K8j27gcMoVDaG8g作为AI产品的产品经理，该怎么写好一个产品需求文档( PRD )？ 对于大多数人来说可能还没有清晰的概念。到底该咋办呢？ 莫慌！既然你已经点进来了，不会让你空手而归。 最近，谷歌机器学习X 和Tenso

AI产品经理成长路  以下都是自己平时知识的一些总结，只是一些个人的愚见，下面出现的公司、书籍、视频、网站都是自己看过体验过的，不是给他们打广告，不是广告！不是广告！不是广告！不同意见的评论区留下意见即可一、AI的兴起与互联网１.互联网的红利消失１） PC端和移动端使用人数固定目前来看，PC端和移动端的每年出货量都在一个值上下，移动端大概在每年4亿台，PC端更少而且每年还在下降

创新奇智CTO 张发恩：后AI时代，应用为王 https://mp.weixin.qq.com/s/lOTYBOVOIBZ1RnatUSpFJA  张发恩毕业于中国科学院软件研究所，获得计算机软件与理论硕士学位。工作期间获得10+美国专利，获得30+中国专利。曾任百度主任研发架构师、百度云计算事业部技术委员会主席、百度云计算事业部大数据和人工智能首席架构师。此前，在Google

科大讯飞刘庆峰再谈“人机耦合”：耦合才是AI真落地 https://mp.weixin.qq.com/s/vOCWwGy2wkoKAdaTLa2_1w  今天(2018-10-24)，科大讯飞今天在合肥举办1024开发者节，iFLYOS平台等发布，刘庆峰说2029年科大讯飞30而立，他期望那时有80%的决策由机器帮助做出，届时人机深度耦合将带来真正的智慧大爆炸。&nb

独角兽寒武纪已生变数，中国AI芯片抢跑者前路未明  作为生命与物种大爆发的重要时代，"寒武纪"这个名字具备了独特含义。早已是中国 AI 独角兽的 AI 芯片方案供应商寒武纪，无疑也期望在中国 AI 产业中扮演的开创者角色：期望以架构设计者，以及生态主导者的双重身份，带动中国 AI 产业的发展。 诚然，过去数年中国 AI 产业猛爆

IBM长文解读人工智能、机器学习和认知计算  人工智能的发展曾经经历过几次起起伏伏，近来在深度学习技术的推动下又迎来了一波新的前所未有的高潮。近日，IBM 官网发表了一篇概述文章，对人工智能技术的发展过程进行了简单梳理，同时还图文并茂地介绍了感知器、聚类算法、基于规则的系统、机器学习、深度学习、神经网络等技术的概念和原理。 人类对如何创造智能机器的思考从来没有中断过。期间，人

 Andrew Ng. 的新书终于出完了。薄薄一百多页的小册子，翻下来其实是一堆实操经验集合。感觉还是有一定借鉴意义的，按照我自己的理解简单地整理如下，也不展开说了。有过实际经验的肯定心里有数。1.    新成果的驱动因素：数据，算力2.    数据集的划分：val & test3.   

机器学习学习中，数学最重要！ 01.机器学习工程师的边界是什么？ 大多数的事物都是有边界的。那机器学习的边界又是什么呢？对，就是数学。掌握了数学这个机器学习的底层基础，不仅可以加深对算法的理解，还能在模型优化阶段更加游刃有余。  02.如何打破边界？希望以下的内容能给你参考思路。 •   机器学习中的数学基础方法建议：

深度学习之迁移学习介绍与使用   迁移学习概述在深度学习领域，通过预训练模型作为检查点开始训练生成神经网络模型实现对新任务的支持，这种方法通常被称为迁移学习，它的好处是不用再重头开始设计与训练一个全新的网络，而是基于已经训练好的网络模型，在其基础上进行参数与知识迁移，只需要很少量的计算资源开销与训练时间就可以实现对新任务的支持。要理解迁移学习的整个过程就是要搞清楚下面

自然语言处理NLP快速入门 https://mp.weixin.qq.com/s/J-vndnycZgwVrSlDCefHZA  【导读】自然语言处理已经成为人工智能领域一个重要的分支，它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。本文提供了一份简要的自然语言处理介绍，帮助读者对自然语言处理快速入门。 作者 | George S

机器学习笔记——特征标准化  数据标准化是在特征处理环节必不可少的重要步骤。数据标准化是为了消除不同指标量纲的影响，方便指标之间的可比性，量纲差异会影响某些模型中距离计算的结果。常见标准化方法主要有归一化、正态化。数据归一化也即0-1标准化，又称最大值-最小值标准化，核心要义是将原始指标缩放到0~1之间的区间内。相当于对原变量做了一次线性变化。其公式为 EX = (x

在中国搞高科技真有那么难？ --- 我看科大讯飞公司光环之覆灭 去年年底以来，笔者对于人工智能行业有了的格外关注，时至今日，已有近一年的时间了。这段时间里，笔者看了大量的人工智能各个领域的技术文章，尤其是机器学习，计算机视觉等领域。当然也不会放过业界知名高校，知名公司，知名大咖的相关动态，什么公司发布了什么革命性的产品，相关公司创始人的故事等等，笔者都有所了解。对于国内人工智能界，笔者有

  http://blog.sina.com.cn/s/blog_cfa68e330102yxh9.html 人工智能方面需要了解的一些重要定义。人工智能不再是定义模糊的流行词汇，已经成为了更为精确的指代，在这样的背景下，理解人工智能领域的术语越来越成为一种挑战。本文就为大家总结一些人工智能领域最重要的术语。A算法（Algorithms）：一组用于人工智能、神经网络或

人工智能各学派简介：符号主义，连接主义，行为主义 http://blog.sina.com.cn/s/blog_cfa68e330102yxh8.html  人工智能学派简介目前人工智能的主要学派有下面三家：(1)符号主义(symbolicism)，又称为逻辑主义(logicism)、心理学派(psychologism)或计算机学派(computerism)，其原理主

贝叶斯用概率反映知识状态的确定性程度。数据集能够被直接观测到，因此不是随机的。另一方面，真实参数θ是未知或不确定的，因此可以表示成随机变量。在观察到数据前，我们将θ的已知知识表示成先验概率分布(prior probability distribution),p(θ)(有时简单地称为”先验”)。 相对于最大似然估计，贝叶斯估计有两个重要区别：(1)、不像最大似然方法预测时使用θ的点估计，贝叶斯方法使