ITPub博客

俯瞰上海，它更像一场大规模的多米诺骨牌游戏：一个快速扩张的大都市，拥有2500万人口的新街区排成一排，新的高速公路，新的磁悬浮，新的城市花园将这个城市点缀成梦幻之都。

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。

梯度提升技术在工业中得到了广泛的应用，并赢得了许多Kaggle比赛。（https://github.com/Microsoft/LightGBM/blob/master/examples/README.md#machine-learning-challenge-winning-solutions）互联网已经有很多关于梯度提升的很好的解释，但我们注意到关于自定义损失函数的信息缺乏：比如原因，时间和方式。这篇文章是我们尝试总结自定义损失函数在许多实际问题中的重要性，以及如何使用LightGBM梯度提升包实现它们。

丰富的免费资源列表可以帮助人们学习自然语言处理，其中包括文本分类、序列标注、机器翻译等的解释。

写一个机器学习算法是一次非常有意义的学习经历

在本文中，简要回顾了DeepID-Net，介绍了一种基于形变部件的卷积神经网络（CNN）。采用一个新的形变约束池化层(def-pooling)模拟具有几何约束和惩罚的对象部分的变形。

每个行业都有自己的工具，软件开发也没有什么不同。一个优秀的程序员应该比其他程序员更了解他的工具，而且还可以使用比普通工具更强大和更高级的工具（http://javarevisited.blogspot.sg/2015/05/how-to-differentiate-between-average.html#axzz553pz1hYh）。但是，有些工具是每个软件开发人员都应该知道的，本文就是关于这些工具的具体介绍。

"数据科学教程"的列表将为你提供由浅入深的数据科学概念。此外，这次数据科学训练教程将为你提供关于数据科学、python、数据科学家、大数据、分析、机器学习、深度学习和人工智能相关定义、概念，这些都是目前最热门的话题。你可以通过它们在短时间内成为一名数据科学大师。

如果你正在为软件开发领域的编程语言面试做准备，并且正在寻找一些好的书籍来帮助你，那么这篇文章值得一读。在本文中，我将分享一些最好的编程/编码面试书籍，为你的软件开发工作的面试做出梳理。这些书足以让你通过像谷歌、微软或亚马逊这些公司最艰难的面试。它们很好地涵盖了编程面试的所有基本话题，如数据结构和算法，系统设计，算法设计，计算机科学基础，SQL, Linux, Java，网络等。

算法、数据结构与语言并没有直接关系，任何称职的程序员都应该能够将它们转换为自己选择的语言。不幸的是，我遇到过几个非常擅长编程语言的程序员，以Java为例，他们知道API的小细节和复杂的语言流程，但对算法却知之甚少。让他们纠正比较流行的排序算法，比如快速排序算法，他们会难以下手。别说更复杂的算法，如字符串，图像算法，树或贪婪算法（等等）。

我最近偶然发现了雷切尔·托马斯撰写的描述博客各种优点的一篇文章，并有所启发。 我将在这篇文章中分享我参加的第一场Kaggle竞赛的经历。我因此快速学完了fast.ai的机器学习的网络课程，我希望将这门课程所获得的知识运用到这次kaggle竞赛中。

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。

Pandas是一个开源的BSD(Berkeley Software Distribution)许可库，为Python编程语言提供了高性能、易于使用的数据结构和数据分析工具。

人工智能的到来被称为第四次工业革命，它承诺将人类从大量重复性、麻木的工作中解放出来。但在这个乌托邦式的承诺实现之前，仍然需要很多单调乏味的工作需要人为进行。这便涉及到了人工智能的底层工作。

本文介绍了如何使用Nvidia GPU在Ubuntu 18.04服务器上安装TensorFlow。安装需要具有Nvidia显卡的服务器架构 ，这样的专用服务器可用于各种目的，包括游戏。为了保障设备的使用寿命，建议不要在localhost上安装繁重且耗时的程序。显卡必须支持至少Nvidia compute 3.0才能获得比TensorFlow更多的运用。

在过去的8个月里，我一直在各种公司进行面试，如Wadhwani人工智能研究所，Google的DeepMind，微软，Ola，Fractal Analytics以及其他一些主要为数据科学家、软件工程师和研究工程师的公司。在这个过程中，我不仅有机会与许多伟大的思想进行互动，而且还可以看到自己，并了解人们在面试某人时的真实感受。

人工智能（AI）和机器学习（ML）一直以来都颇受企业关注，很多企业榨干脑汁的去思考怎样从中受益，但实现路程依旧艰难。随着两项技术的发展，无数种应用程序接踵而至，让很多企业在业务中着实轻松了不少。

微软在企业中的主导地位是众所周知的。可以说，微软已经驾驭了云计算浪潮。在第一财季，其Azure服务和Office 365在线生产力业务的收入分别飙升了90％和42％。

梯度提升技术在工业中得到了广泛的应用，并赢得了许多Kaggle比赛。（https://github.com/Microsoft/LightGBM/blob/master/examples/README.md#machine-learning-challenge-winning-solutions）互联网已经有很多关于梯度提升的很好的解释，但我们注意到关于自定义损失函数的信息缺乏：比如原因，时间和方式。这篇文章是我们尝试总结自定义损失函数在许多实际问题中的重要性，以及如何使用LightGBM梯度提升包实现它们。

在没有采用GPU的情况下，有可能实现具有实时性能的对象检测模型吗？faced是一个概念证明，可以为在CPU上实时运行的单个类对象（在本例中为faced）构建自定义对象检测模型。