ITPub博客

"我应该在我的项目中使用GitHub吗?"——有抱负的数据科学家经常问我这个问题。只有一个答案——"绝对!"GitHub对于那些想要脱颖而出的数据科学家来说是一个非常有价值的平台。你可以把它当做一份在线简历，用来向招聘人员和其他专业人士展示你的代码。GitHub上有来自谷歌、Facebook、IBM、英伟达等顶尖科技巨头的开源项目，这些举措让GitHub更加

书籍对于学习者来说是非常有用的资源，每一个学习者都在寻找最好的书籍来获得全新的视角，在这里我们收集了由有经验的专业人士推荐的流行的深度学习书籍。以下是一些流行的深度学习书籍的列表，这些书籍可以帮助专业人士了解这些书籍，并能很容易地从这些书中获得新的知识：1.《Deep Learning》 ，作者Goodfellow, Bengio, Courville（链接，https://www.amazon.

很长一段时间以来，我一直希望将我对音乐的热情与我在人工智能方面的工作结合起来。但我一直再拖延。我觉得我需要先提高我的音乐制作技巧，然后再尝试深度学习这个过程。由Nuevo.Studio设计的NeuralFunk的封面（http://nuevo.studio）但是在9月中旬，我看到在今年的神经信息处理系统（NIPS）会议上（http://nips4creativity.com），将召开另一个关于创造

在我作为数据科学家的短暂时间内，我采访了大量的人。几次之后，我开始注意候选人。以下是您可以采用的一些建议（直接来自最佳表现者），你可以用来最大化你得到这份工作的机会:面试前你的简历：简历直接反映了某人如何表达自己。设计所传达的努力，对细节的关注，以及在某种程度上的“个性”，都会产生潜意识的偏见。无论面试官是否意识到这一点，在制作完美的第一印象时，请牢记：错误：拼写错误，格式错误，过于冗长，不清楚的

数据可视化是数据科学家工作的重要组成部分。在项目的早期阶段，您通常会进行探索性数据分析（EDA）以获得对数据的一些见解。创建可视化确实有助于使事情更清晰、更容易理解，尤其是对于更大、更高维度的数据集。在项目即将结束时，能够以清晰、简洁和引人注目的方式呈现您的最终结果非常重要，以便您的受众（通常是非技术客户）能够理解。Matplotlib是一个流行的Python库，可用于轻松创建数据可视化。但是，每

如果您一直在寻求使您的应用程序为机器学习提供支持，您会注意到有大量的ML模型和模型实现可能适合您的任务，当然，也可能不适合您的任务。特别是如果你对特定类型的模型没有深入的了解，那么选择适合你的项目的模型实现可能会非常困难。我已经编译了这4个步骤，当你在与数百名工程师和他们的ML项目交谈后，选择下一个机器学习模式时，你应该明白它们是ModelDepot的一部分!1.理解问题域虽然您可能正在构建热狗定

简史卷积神经网络在过去的十年里，计算机视觉领域取得的进步是前所未有的。机器现在可以识别视频中的图像或某一帧，准确率(98%)超过人类(97%)。之所以有这么大的突破，就是得益于对人脑的研究。当时，神经学家正在对猫进行实验，他们发现图像中相似的部分会导致猫大脑中相似的部分变得活跃。换句话说，当一只猫看着圆圈时，大脑中的α就被激活了。当它观察正方形时，大脑中的β区被激活。他们的发现得出结论，动物的大脑

自从PEP 255引入以来，生成器一直是Python的重要组成部分。生成器函数允许您声明一个行为类似于迭代器的函数。它们允许程序员以快速、简单和干净的方式创建迭代器。你可能会问，什么是迭代器？迭代器是一个可以迭代（循环）的对象。它用于抽象数据容器，使其行为类似于可迭代对象。您可能已经每天使用一些可迭代对象：字符串、列表和字典等等。迭代器由实现迭代器协议的类定义。该协议在类中查找两种方法：__ite

数据科学家最重要的技能之一应该是为其问题选择正确的建模技术和算法。几个月前，我试图解决文本分类问题，即对与我的客户相关的新闻文章进行分类。我只有几千个标记的例子，所以我开始使用简单的经典机器学习建模方法，如TF-IDF上的逻辑回归。这些模型通常适用于长文档（如新闻文章）的文本进行分类，在此任务上的执行效果略好于随机模型。在调查了模型的错误之后，我发现单词表述包对于这个任务是不够的，我需要一个使用对

本文将教你如何使用迁移学习来解决图像分类问题。使用Keras及其预训练模型的实际示例用于演示目的。Chris Ried在Unsplash上的代码之美深度学习（LeCun等，2015）正在迅速成为人工智能应用的关键工具。例如，在计算机视觉、自然语言处理和语音识别等领域，深度学习已经产生了显著的成果。因此，人们对深度学习的兴趣越来越大。深度学习擅长的问题之一是图像分类（Rawat＆Wang 2017）

在人工智能世界中保护个人的隐私和数据两项技术趋势在英特尔，我们相信人工智能（AI）在改善人们生活方面的巨大潜力。在全球范围内推动人工智能和数字化发展的两个趋势是：1.从边缘到云的数据分析；2.增加数据收集和创建机制。关于人工智能和隐私的五个基础观察人工智能代表了一个新的隐私领域，因为它需要自主决定，这可能会影响到公民。以下观察结果决定了隐私对AI的影响：a）增加的自动化不应转化为更少的隐私保护;b

因此，很多人认为在人工智能方面，美国也应如此。另外，像Geoff Hinton、Yann LeCun、yoshu Bengio、Andrew Ng和Fei-Fei Li这样的移民便是人工智能领域的FERMI，在大家心中他们本应确保美国（和加拿大）在人工智能领域的领导地位。而且，AI领域的前十名研究人员均出自美国和加拿大，堪称世界上最优秀的1000名研究人员中的68%也都来自美国和加拿大。

假设房地产分析师想要根据家庭、年龄以及就业中心的距离来预测房价。其典型的目标是在给定这些因素的情况下生成最佳房价点估计，其中"最佳"通常是指预测与现实之间的最小平方偏差。但是，如果他们想要预测的不只是单一的估计，还有其范围呢？这称为预测区间，产生它们的一般方法称为分位数回归。在这篇文章中，我将描述这个问题是如何正式化，如何采用六种线性，基于决策树和深度学习的方法中实现它（在Py

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

假设申请人向你提供成绩，你根据成绩对其进行分类，目标是根据分数将申请人分为两类，如果申请人可以进入大学，则分为1级，如果申请人不能被录取，则分为0级。使用线性回归可以解决这个问题吗？让我们一起来看看。注意：阅读本文的前提是了解线性回归！目录什么是逻辑回归？数据集可视化假设和成本函数从头开始训练模型模型评估Scikit-learn实现什么是逻辑回归？回想一下线性回归，它被用于确定一个连续因变量的值。

本文将教你如何使用迁移学习来解决图像分类问题。使用Keras及其预训练模型的实际示例用于演示目的。Chris Ried在Unsplash上的代码之美深度学习（LeCun等，2015）正在迅速成为人工智能应用的关键工具。例如，在计算机视觉、自然语言处理和语音识别等领域，深度学习已经产生了显著的成果。因此，人们对深度学习的兴趣越来越大。深度学习擅长的问题之一是图像分类（Rawat＆Wang 2017）

部署Keras模型通常需要抽象出你的机器学习模型，并将其与易于使用的API端点一起部署或集成。例如，我们可以提供一个URL端点，任何人都可以使用它来发出POST请求，他们会得到模型推断的JSON响应，而不必担心其技术性细节。在本教程中，我们将创建一个TensorFlow服务器来部署我们在Keras内置的InceptionV3图像分类卷积神经网络（CNN）。 然后，我们将创建一个简单的Flask服务

2018年10月25日，GrowingIO2018增长大会上， GrowingIO 宣布获得NEA、经纬中国和Greylock三家投资机构 B 轮融资 3000万美元，成为行业内同等轮次融资金额最高的公司。

人工智能已到收获季节，刷新了很多企业的运营模式，但在营销领域，营销人员还仍处于适应阶段。对许多人来说，营销是一个创造性的过程，人类的直觉驱动着价值的见解，但人工智能目前还没有能力承担这种极具创造性的能力。营销人员希望在介入人工智能的同时，还能够保持营销的创造性和移情性。

10月17日，第十届中国系统架构师大会以“十年架构，成长之路”为主题，云集了国内CTO、研发总监、高级系统架构师、开发工程师和IT经理等技术人群，与会规模超千人。其次日主线4人工智能（下）专场，来自爱奇艺、一点资讯、知乎和小米的高级技术专家为大家分享了AI在各自企业场景中的应用和探索，这样的送门福利，您怎能错过！