-
Python 之父发文：将替换Python核心部件
Guido van Rossum 是 Python 的创造者，虽然他现在放弃了“终身仁慈独裁者”的职位，但却成为了指导委员会的五位成员之一，其一举一动依然备受瞩目。近日，他开通了 Medium 账号，并发表了第一篇文章，透露出要替换 Python 的核心部件（解析器）的想法。这篇文章分析了当前的 pgen 解析器的诸多缺陷，并介绍了 PEG 解析器的优点，令人振奋。这项改造工作仍在进行中，Guid
-
「杂谈」GitHub上最全的机器学习和深度学习资料
好的资源有利于大家迅速走上正确的学习道路，今天就来推荐一下GitHub上面那些机器学习领域里，最值得关注的综述性质的项目，一般名字会带上一个Awesome。作者&编辑 | 言有三1 Awesome大综述没错，项目名字就叫Awesome。这第一个简直就是最“丧心病狂”的综述，10万+星星，要把所有方向一并索引了，自己当目录。https://github.com/sindresorhus/aw
-
RPA - UiBot学习指南第一期丨数据处理（数组）
文丨鄂攀 今天讲解UiBot中关于里面数据处理的一些使用。为什么讲数据处理呢？是因为在SAP流程自动化中，或者客户做信息配置表的时候，发现有些对数据处理可能认识比较少的RPA工程师，在数据量非常大的情况下，依然去循环Excel里面的单元格数据，来做批量处理。 这样做的后果是，在数据量非常大的情况下，速度会很慢（相当于单调回归），而如果放在数组或者字典（唯一性）中做批量处理，那么
-
学机器学习要选择 Python 的13个原因
来源｜QIKUPython程序语言与机器学习实践可以称得上是“珠联璧合”。1. Python是解释语言，程序写起来非常方便写程序方便对做机器学习的人很重要。因为经常需要对模型进行各种各样的修改，这在编译语言里很可能是牵一发而动全身的事情，Python 里通常可以用很少的时间实现。举例来说，在 C 等编译语言里写一个矩阵乘法，需要自己分配操作数（矩阵）的内存、分配结果的内存、手动对 BLAS 接口调
-
一看就懂的K近邻算法(KNN)，K-D树，并实现手写数字识别！
文章目录1. 什么是KNN1.1 KNN的通俗解释1.2 近邻的距离度量1.3 K值选择1.4 KNN最近邻分类算法的过程2. KDD的实现：KD树2.1 构建KD树2.2 KD树的插入2.3 KD树的删除2.4 KD树的最近邻搜索算法2.5 kd树近邻搜索算法的改进：BBF算法2.6 KD树的应...
-
贝叶斯网络，看完这篇我终于理解了(附代码)！
文章目录1. 对概率图模型的理解2. 细数贝叶斯网络2.1 频率派观点2.2 贝叶斯学派2.3 贝叶斯定理2.4 贝叶斯网络2.4.1 贝叶斯网络的结构形式2.4.2 因子图2.5 朴素贝叶斯3. 基于贝叶斯的一些问题4. 生成式模型和判别式模型的区别5. 代码实现6. 参考文献 1. 对概率图模...
-
当RPA遇上AI，会擦出怎样的火花？
作者丨UiBot 近年来，作为可代替人类工作的工具，RPA和AI皆因“自动化”而备受瞩目。两者虽然层次不同，却并非“油和水”般难溶。恰恰相反，它们非常互补，关系犹如人类的双手和大脑。眼下，AI技术在企业中的应用仍处于初步探索阶段。而标准化、流程化的RPA则更为务实，被视为企业提升效率和生产力的驱动力，也因此成了AI落地的接盘侠。随着RPA和AI的不断发展，二者的结合更加水到渠成。那么，&
-
K-Means(K均值)、GMM(高斯混合模型)，通俗易懂，先收藏了！
文章目录1. 聚类算法都是无监督学习吗?2. k-means(k均值)算法2.1 算法过程2.2 损失函数2.3 k值的选择2.4 KNN与K-means区别？2.5 K-Means优缺点及改进3. 高斯混合模型(GMM)3.1 GMM的思想3.2 GMM与K-Means相比4. 聚类算法如何评估...
-
你想知道的特征工程，机器学习优化方法都在这了！收藏！
文章目录1. 特征工程有哪些？1.1 特征归一化1.2 类别型特征1.3 高维组合特征的处理1.4 文本表示模型1.5 其它特征工程1.6 特征工程脑图2. 机器学习优化方法2.1 机器学习常用损失函数2.2 什么是凸优化2.3 正则化项2.4 常见的几种最优化方法3. 机器学习评估方法3.1 准...
-
K-Means(K均值)、GMM(高斯混合模型)，通俗易懂，先收藏了！
文章目录1. 聚类算法都是无监督学习吗?2. k-means(k均值)算法2.1 算法过程2.2 损失函数2.3 k值的选择2.4 KNN与K-means区别？2.5 K-Means优缺点及改进3. 高斯混合模型(GMM)3.1 GMM的思想3.2 GMM与K-Means相比4. 聚类算法如何评估...
-
如何对SAP Leonardo上的机器学习模型进行重新训练
Jerry之前的两篇文章介绍了如何通过Restful API的方式，消费SAP Leonardo上预先训练好的机器学习模型：如何在Web应用里消费SAP Leonardo的机器学习API部署在SAP Cloud Platform CloudFoundry环境的应用如何消费当时Jerry提到，Product Image Classification API只支持29种产品类别：如果我们开发应用时需要
-
你不应该忽略的五个机器学习项目
https://www.toutiao.com/a6714177288671330829/ 摘要： 本文介绍5个新的机器学习项目，这些项目你可能还没有听说过，但确实对项目开发有所帮助，感兴趣的读者可以动手实践一下。随着人工智能和深度学习的兴起，网络上存在的学习资源以及开源项目也越来越多。本文精选了的五个项目，都含有潜在新的机器学习想法，且全都是用Python实现。下面简单介绍下这五个项目
-
机器学习在高德起点抓路中的应用实践
起点抓路，作为路线规划的初始必备环节，其准确率对于路线规划质量及用户体验至关重要。本文将介绍高德地图针对起点抓路准确率的提升，尤其是在引入机器学习算法模型方面所进行的一些探索与实践。
-
「完结」中国12大AI研究院，高调的低调的你pick谁
https://www.toutiao.com/a6712931868573958668/ 专栏国内的《AI研究院》正式完结了，在这个专题中，我们和大家一起分享了国内12大研究院的背景，从最开始介绍的历史最悠久的微软亚洲研究院，到最后介绍的低调务实的网易人工智能，我们带大家领略了每个研究院的研究方向，团队情况，欣赏了各大研究院的拳头产品。话不多说，这一次做一个回顾。作者 | 言有三 汤兴旺编辑 |
-
当SAP云平台account的service Marke place里找不到Machine Learning服务该怎么办
问题症状：我在CloudFoundry环境的Service Market place里根本找不到Leonardo ML foundation这组服务。解决方案：进入global Account->Entitlements->Subaccount Assignments, 点击Configure Entitlements：再点击Add Service Plans按钮：从Service C
-
部署在SAP Cloud Platform CloudFoundry环境的应用如何消费SAP Leonardo机器学习API
Jerry的前一篇文章 如何在Web应用里消费SAP Leonardo的机器学习API 里介绍的例子是Neo测试环境的Web应用消费sandbox版本的机器学习API，url如下：https://sandbox.api.sap.com/ml本文介绍一个部署在SAP Cloud Platform CloudFoundry环境下的应用，如何消费SAP Leonardo上的机器学习A
-
如何在Web应用里消费SAP Leonardo的机器学习API
去年5月的时候，Jerry曾经写了一篇文章：使用Java程序消费SAP Leonardo的机器学习API，而最近另外做的一个项目，需要在Web应用里做同样的事情。因为有了前一篇文章的铺垫，避免了很多重复的工作量。本文还是选择使用SAP Leonardo里的一个Product Image Classification API，即给定一张产品的图片，该API能识别出此产品的类别。再回顾下这个API的功
-
Google AI负责人Jeff Dean：机器学习让计算机更智能
http://field.10jqka.com.cn/20190710/c612425040.shtml 7月10日午间消息，今日在“Google Solve with AI”活动上，Google资深研究员、Google AI负责人Jeff Dean发表演讲时指出，机器学习很好地解释了AI，Google在人工智能领域的大部分工作都聚焦于机器学习。 机器学习能通过数据的积累，自动收集信息，建立强大
-
16个用于数据科学和机器学习的顶级平台
https://www.toutiao.com/a6678941241490539021/ 2019-04-12 17:43:08调研机构Gartner公司将数据科学和机器学习平台定义为“具有凝聚力的软件应用程序，它提供了创建多种数据科学解决方案以及将这些解决方案合并到业务流程、周围基础设施和产品中所必需的基本构建块的混合体。” 来源：企业网D1Net这样的平台支持数据科学家在整个数据和分析管道中
-
机器学习PAI快速入门
什么是机器学习？机器学习(Machine Learning, ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。 它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。
