-
谷歌宣布开源AdaNet！
集成学习是结合不同机器学习（ML）模型预测的艺术，广泛用于神经网络以实现最先进的性能，受益于丰富的历史和理论保证，以便在诸如Netflix和各种Kaggle比赛等挑战中取得成功，获得奖品。然而，由于训练时间长，它们在实践中使用不多，而且ML模型候选者选择需要其自己的领域专业知识。但随着计算能力和专用深度学习硬件（如TPU）变得更容易获得，机器学习模型将变得更大，系统集成将变得更加突出。现在，想象一
-
机器学习未来十年：你需要把握的趋势和热点
https://mp.weixin.qq.com/s/hN5BahBo_1TpQSs6JCEFeg本文贡献者：刘铁岩、秦涛、邵斌、陈薇、边江刘铁岩，微软亚洲研究院副院长，国际电子电气工程师学会（IEEE）院士，美国计算机学会（ACM）杰出会员秦涛，微软亚洲研究院资深研究员邵斌，微软亚洲研究院主管研究员陈薇，微软亚洲研究院主管研究员边江，微软亚洲研究院主管研究员 人
-
最实用的机器学习算法优缺点分析
最实用的机器学习算法优缺点分析，没有比这篇说得更好了 对于机器学习算法的盘点，网上屡见不鲜。但目前，还没人能结合使用场景来把问题说明白，而这一点正是本文的目的所在。 文中作者将结合他的实际经验，细致剖析每种算法在实践中的优势和不足。 本文的目的，是务实、简洁地盘点一番当前机器学习算法。尽管人们已做过不少盘点，但始终未能给出每一种算法的真正优缺点。在这里，我们依据实际使
-
这是目前为止对机器智能与人类智能最深刻的发问！
一般而言，我们习惯于表述“人工智能”，并不对其概念进行具体细分。人工智能之所以热度居高不下与大众的较高关注度和媒体炒作分不开，而人们往往只关注其表象而忽略了其本质，将机器智能与人类智能混为一谈。近日，香港科技大学教授，国际人工智能协会(AAAI)首位也是至今为止唯一的华人执委杨强教授在「知乎 2018『互联网洞见者』」上发问“机器的智能和人类的智能有什么重要区别?这些区别对于我们培养后代有什么启示?”
-
机器学习这10年我们能在各自的领域做点什么？
机器学习这10年我们能在各自的领域做点什么？https://blog.csdn.net/weixin_42137700/article/details/83536098为什么要学习和了解机器学习？Benedict Evans 认为，最终几乎所有的东西都会有机器学习，到那时人们对机器学习已经是习以为常、见怪不怪了。到这一步还有多久呢？10-15年。这不禁让人思考：这10年，我们能利用这个契机在各自的
-
从零开始利用Python建立逻辑回归分类模型
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。
-
一文读懂机器学习中的模型偏差
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
-
解决机器学习问题的一般流程
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
-
微软开源机器学习框架——infer.NET
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
-
如何用Python做自动化特征工程
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？
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
-
AI在汽车中的应用：实用深度学习
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
-
Machine Learning Yearning 要点笔记
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！
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：
-
机器学习笔记——特征标准化
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
-
SACC2018：机器学习与深度学习如何助力企业业务？
对于企业来讲，一个好的企业架构对企业业务来讲是一个良好的开端，有效的企业架构对企业的生存和成功具有决定性的作用，是企业通过IT获得竞争优势的不可缺少的手段。就在今年的10月17日~19日，为期三天的第十届中国系统架构师大会以“十年架构，成长之路”为主题在北京顺利召开。
-
一步一步教你在线免费训练机器学习模型（启用GPU和TPU）
在大型数据集上训练机器学习和深度学习模型所需的计算能力一直是机器学习爱好者的一大障碍。但是对于在云上运行的jupyter记事本，任何一个具有学习热情的人都可以进行训练，并获得很好的结果。
-
如何用Python做自动化特征工程
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。
-
Visual Studio 2017高级编程(第7版)
Visual Studio 2017 的核心功能 配置、调试、构建、部署、定制方法 介绍UI的改进之处以及提升开发效率的技巧 探讨IDE的新功能，包括代码片段、重构和模式 提供真实环境和示例 解释新增的移动应用程序和数据管理工具 帮助资深人员和新手充分利用Visual Studio 2017
-
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）。
