-
【方法论】机器学习算法概览
工作机制：这个算法由一个目标变量或结果变量（或因变量）组成。这些变量由已知的一系列预示变量（自变量）预测而来。利用这一系列变量，我们生成一个将输入值映射到期望输出值的函数。这个训练过程会一直持续，直到模型在训练数据上获得期望的精确度。监督式学习的例子有：回归、决策树、随机森林、K – 近邻算法、逻辑回归等。
-
SVM实现多分类的三种方案
SVM本身是一个二值分类器 SVM算法最初是为二值分类问题设计的，当处理多类问题时，就需要构造合适的多类分类器。 目前，构造SVM多类分类器的方法主要有两类 （1）直接法，直接在目标函数上进行修改，将多个分类面的参数求解合并到一个最优化问题中，通过求解该最优化问题“一次性”实现多类分类。这种方法看似简单，但其计算复杂度比较高，实现起来比较困难，只适合用于小型问题中； （2）间接法，主要是通
-
人工智能改进传统云ERP的10种方法
随着数字化转型的进程加快，企业开始重新评估ERP的作用。传统ERP经过多年僵硬化定制过于追求生产的一致性，而忽视了客户的需求变化，导致系统缺乏灵活性，已经无法满足当今数字业务模型的增长需求。目前，人工智能（AI）、机器学习发展迅速，成为了很多企业的必备帮手，云ERP供应商要想解决传统ERP系统的问题，或许需要这两大王者的帮助！
-
数据科学，会如何向我们撒谎？
最近我读了Darrel Huff写的《统计陷阱》(How to lie with statistics)这本书。这本书讲的是如何利用统计数据使人们得出错误的结论。我发现这是一个令人感兴趣的话题，认为它与数据科学非常相关。因此我想要写一个书中所举例子的“数据科学”版，其中有些是书中提到的，有些则是笔者在现实生活中看到的相关例子。
-
机器学习到底是什么？
关于机器学习最简单的定义来自于Berkeley所表述的:机器学习是AI的一个分支，它探索了让计算机根据经验提高效率的方法。为了更深刻的理解这一定义，接下来我们将对其进行拆分分析。
-
随机森林的秘密
http://blog.itpub.net/31509949/viewspace-2158398/你了解随机森林算法吗？你对随机森林算法了解到了怎样的一个程度？如果你不甚了解或者某一地方存有疑惑，那么这篇文章你一定不能错过。本文分为六个部分：什么是随机森林算法？随机森林算法在生活中的具体应用随机森林算法是如何工作的？随机森林算法的科学性随机森林一些应用方面随森林算法的一些利弊 什么是随机森林算法？
-
作为产品经理，你需要了解的基本算法知识和实操
今日头条的走红带动了“个性化推荐”的概念，自此之后，内容型的产品，个性化算法就逐渐从卖点变为标配。伴随着“机器学习”，“大数据”之类的热词和概念，产品的档次瞬间提高了很多。而各种推荐算法绝不仅仅是研发自己的任务，作为产品经理，必须深入到算法内部，参与算法的设计，以及结合内容对算法不断“调教”，才能让产品的推荐算法不断完善，最终与自己的内容双剑合璧。本文以新闻产品为例，结合了我之前产品从零积累用户的
-
八大基础算法 自己的通俗理解
一些基础算法的理解，包括模拟法的理解。1.模拟法： 将自然的过程或者语言直白的程序化，比如题目中的求解过程，我们直接程序化模拟求解。 2.字符串处理： 常用的字符串操作，KMP字符串匹配算法（用于复杂度高，需要优化时）。3.递归： 古之欲明明德于天下者，先治其国；欲治其国者，先齐其家；欲齐其家者，先修其身；欲修其身者，先正其心；欲正其心者，先诚其意；欲诚其意者，先致其知，致知在格物。物格而后
-
深度学习基础：RNN与LSTM
这一篇主要是想根据Google的Colah的文章《Understanding LSTM Networks》阐述一下什么是LSTM（Long Short Time Memory）网络。RNN：Recurrent or Recursive RNN可以指代两种神经网络，Recursive Neural Network 以及Recur
-
通俗理解RNN
全连接神经网络和卷积神经网络他们都只能单独的取处理一个个的输入，前一个输入和后一个输入是完全没有关系的。但是，某些任务需要能够更好的处理序列的信息，即前面的输入和后面的输入是有关系的。比如，当我们在理解一句话意思时，孤立的理解这句话的每个词是不够的，我们需要处理这些词连接起来的整个序列；当我们处理视频的时候，我们也不能只单独的去分析每一帧，而要分析这些帧连接起来的整个序列。这时，就需要用到深度学习
-
一个马尔科夫链实例
马尔科夫早就了解过，但一直没有真正用马尔科夫的思想求解问题，更没有用到论文中去。最近发现了一本好书： 《Foundations of stochastic inventory theory》，斯坦福大学出版的。这本书不厚，才 200多页，讲的比较清晰，目测比其他库存管理的教材要好，准备精度完这本书。下面探讨书中的一个马尔科夫实例。1. 状态（state）一个零售商面对的顾客有两种状态， 状态 s
-
目标检测技术演化：从R-CNN到Faster R-CNN
目标检测旨在准确地找到给定图片中物体的位置，并将其正确分类。准确地来讲，目标检测需要确定目标是什么以及对其定位。
-
思考：开发者如何挑选最合适的机器学习框架？
如今，各种各样的机器学习工具活跃在开源社区，这些工具有助于减轻配置和测试AI相关工作的负载。但是，如何评估并选择适合自己的工具成为了开发者必须认真思考的问题，有些人可能希望在训练新的AI算法时专注于易用性，而其他人可能会优先考虑参数优化和生产部署，不同的框架在不同的领域又具备着不同的优劣势。
-
小科普：机器学习中的粒子群优化算法！
“梯度下降不会让你成为机器学习的专家”可能您遇到的大多数的简单线性回归和神经网络的文章都会谈论到梯度下降。在本文中，我将向您介绍一种技术，即粒子群优化（PSO）算法。毫无疑问，梯度下降是一种很好的优化技术，它适用于凸函数和低维空间，但是你还是可以期待一下PSO的结果。PSO被认为是蚁群算法、鱼群算法之外的一种群体智能的优化算法。后来它被简化并用于解决优化问题。PSO使用了一堆叫做蜂群的粒子，这些粒
-
用AutoML Vision alpha构建ML模型：识别不同类型的椅子
本文将会使用AutoML Vision alpha来构建和部署一个机器学习模型，从原始数据收集到服务模型，以及介于两者之间的一切！该模型可识别不同类型的椅子，以及其他一些项目，以便我们进行更好的测量。
-
Python中机器学习的特征选择工具
特征选择，即在数据集中查找和选择最有用的特征的过程，是机器学习的关键步骤。不必要的特征会降低训练速度、模型的可解释性，最重要的是会降低测试集的泛化性能。
-
深度学习笔记9：卷积神经网络（CNN）入门
前面的八篇学习笔记，基本上都是围绕着深度神经网络（DNN）和全连接网络（FCN）在学习。从本篇开始，笔者将跟着大家一起学习和研究深度学习的另一个主题——卷积神经网络（Convolutional Neural Network），也就是我们平常眼熟的 CNN。卷积神经网络作为当前计算机视觉领域的核心技术，发展到如今已是枝繁叶茂。笔者对于这一块的初步打算是从卷积网络的基本原理讲起，将卷积网络的前向传播和反向传播过程讲清楚，以及如何使用 numpy 和 tensorflow 实现卷积网络。然后会从深度卷积网络的发展历程出发，对主要的经典深度网络进行深度剖析，对计算机视觉的三大核心任务：图像分别、目标检测和图像分割等技术算法进行详细学习和讲解。
-
Windows下使用TensorBoard显示几个注意点
看到文章多是在linux或者Mac环境下的TensorBoard的时候，在windows下使用还是有几个注意点。1. log输出路径定义 直接指明这个event输出路径，然后去查看时候生成。点击(此处)折叠或打开writer = tf.summary.FileWriter("C:\Project\\tensorflow\logs\\", sess....
-
自动聊天机器人项目班 [一门课搞定聊天机器人]
百度云盘下载 203240jrixn2v05qnlsqqx.png (63.7 KB, 下载次数: 0)下载附件昨天 22:08 上传打造传统NLP聊天机器人第1课 聊天机器人的基础模型与综述知识点1：行业与业界综述实战项目：最简单的Rule-Base聊天机器人第2课 NLP基础及扫盲知识点1：NLP基本算法...
-
神级总结：七种功能强大的聊天机器人平台
聊天机器人发布平台是用户访问和使用聊天机器人的媒介，现在流行的一些聊天机器人发布平台有FB Messenger、Kik、Slack、Telegram以及WeChat。而聊天机器人开发平台是可以创建聊天机器人的工具，常见的聊天机器人开发平台有Chatfuel、 WotNot、 Botsify等。聊天机器人平台可以通过创建流、提供机器学习功能和API集成等方式，帮助你向机器人添加更多功能。下面将介绍顶尖的七大聊天机器人平台。
