ITPub博客

每家公司现在是一个数据公司，在一定范围能够使用机器学习在云中部署智能应用程序，这归功于三个机器学习的趋势： 数据飞轮 ， 算法经济 ， 和智能云托管 。 有了机器学习模型，企业现在可以快速分析大型，复杂的数据，并提供更快，更准确的见解，没有部署和维护机器学习系统的高成本。“当今建立的每一个成功的新应用程序将是一个智能应用程序，智

生成式句法分析指的是，生成一系列依存句法树，从它们中用特定算法挑出概率最大那一棵。句法分析中，生成模型的构建主要使用三类信息：词性信息、词汇信息和结构信息。前二类很好理解，而结构信息需要特殊语法标记，不做考虑。本文主要利用了词汇 + 词性生成联合概率模型，使用最大生成树 Prim 算法搜索最终结果，得到了一个简单的汉语依存句法分析器。开源项目本文代码已集成到

神经网络的基本思想是模拟计算机“大脑”中的多个互连细胞，使它能够从环境中学习，识别不同的模式，通俗一点来说就是模仿人类的思维模式进行决策。一个基本神经网络包含数百万个被称为单元的人工神经元。这些单元分层排列，每一层都互相连接。单元划分为如下几部分：1.     输入单元——用于接受外部环境的信息。2.     隐藏单元

作为机器学习最重要的一个分支，深度学习近年来发展迅猛，在国内外都引起了广泛的关注。然而深度学习的火热也不是一时兴起的，而是经历了一段漫长的发展史。接下来我们了解一下深度学习的发展历程。1. 深度学习的起源阶段1943年，心里学家麦卡洛克和数学逻辑学家皮兹发表论文《神经活动中内在思想的逻辑演算》，提出了MP模型。MP模型是模仿神经元的结构和工作原理，构成出的一个基于神经网络的数学模型，本质

现在的社会中， 身份证件识别SDK 的重要更是体现的淋漓尽致，而我们开车上路有俩个是必不可少的，一个驾驶证，另外一个就是行驶证了，今天小编就带大家了解一下关于行驶证识别的重要性！一、行驶证识别的重要性（ 身份证件识别SDK） 行驶证，是驾驶汽车的人员必备的一种证件，行驶证在交通领域也是频繁的使用，一定的情况下行驶证是能够代替身份证做为证件的。行驶证使用越来越方便的同时，录入驾驶证信息也就越

近年来，学术界和工业界的研究人员在深度学习领域进行了许多令人兴奋和开创性的研究。他们开发了许多强大得令人难以置信的新模型。然而，这些研究成果的大部分(少数科技巨头除外)仍然只是停留在实验阶段，而不是成为生产应用程序的一部分。尽管新的发现/发明源源不断，但在生产过程中，使用这些模型仍然非常困难(甚至做相关方面的论文也是如此)，部署机器学习模型仍然是一个重大挑战。在本文中，我将概述各种"生产

       在 2012 年的 ILSVRC 比赛中 Hinton 的学生 Alex Krizhevsky 使用深度卷积神经网络模型 AlexNet 以显著的优势赢得了比赛，top-5 的错误率降低至了 16.4% ，相比第二名的成绩 26.2% 错误率有了巨大的提升。       AlexNet 再一次吸引了广大研

一文读懂机器学习中的模型偏差在人工智能（AI）和机器学习（ML）领域，将预测模型参与决策过程的手段越来越常见，但难点是决策者需要确保这些模型不会根据模型预测做出偏见或者不公平的决策（有意或无意的歧视）。设想一下银行业、保险业和就业等行业，在确定面试候选人、批准贷款/信贷、额定保险费等环节中使用模型作为解决方案，如果最终决策出现偏差，对最终用户造成的伤害有多大?因此，对于研究ML问题的产品经理、业务

本期将针对机器学习的新朋友，为大家讲解解决机器学习问题的一般思路：很多博客、教程中都对机器学习、深度学习的具体方法有很详细的讲解，但却很少有人对机器学习问题的流程进行总结，而了解解决机器学习问题的一般流程对于新手而言还是非常必要的，所以本文是非常适合机器学习入门者的一篇文章，它会让你对机器学习的整个流程有很好的理解。当我们拿到一个机器学习问题时，通常处理的流程分为以下几步，如图1所示：图1 机器学

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

SAP S/4 HANA 1809简介 http://blog.sina.com.cn/s/blog_cfa68e330102yyd5.html SAP S/4 HANA是一种智能ERP解决方案，可帮助公司抓住当今数字世界中的每一个机会，消除了与传统ERP应用相关的常见障碍，例如批量延迟，复杂环境和手动驱动流程。利用智能ERP系统，通过灵活性，速度和洞察力来应对当今的挑战和未来

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