-
分步指南：教你在20分钟内使用机器学习建立语言检测模型！
这个内容是一个分步指南，指导如何在20分钟内使用机器学习（最终达到97％的准确率）建立语言检测模型。
-
如何向软件工程师解释机器学习 - KDnuggets
博客 热门文章 关于 主题 AI 职业建议 计算机视觉 数据工程 数据科学 语言模型 机器学习 MLOps NLP 编程 Python SQL 数据集 活动 资源 速查表 推荐 技术简报 广告 你如何向未入门的软件工程师解释什么是机器学习？继续阅读，了解一种解释视角。 软件工程是关于开发程序或工具来自动化任务。我们不是“手动做事”，而是编写程序；程序基本上就是一组可由计算机执行的机器可读指令。让我们考虑一个经典例子：电子邮件垃圾邮件过滤。假设我们可以访问电子邮件客户端的源代码并知道如何处理它，我们就可以想出一套本能的规则，这可能有助于解决我们的垃圾邮件问题。 例如：如果“发件人不在联系人中”：如果“主题行包含 BUY!: 电子邮件垃圾邮件文件夹：”否则如果…… 直观地说，想出这些规则是一项相当繁琐的任务。
-
使用聚类自动分割数据 - KDnuggets
博客 热门文章 关于 主题 AI 职业建议 计算机视觉 数据工程 数据科学 语言模型 机器学习 MLOps NLP 编程 Python SQL 数据集 活动 资源 速查表 推荐 技术简报 广告 在本文中，我们将介绍一种这样的算法，称为 K-Means 聚类，如何衡量其有效性，以及如何选择你生成的分段集合。 作者：Bilal Mahmood，Bolt。 我们执行的最常见分析之一是在数据中寻找模式。我们可以将客户划分为哪些市场细分？如何在用户网络中找到个体聚类？ 使用机器学习可以回答这些问题。即使你不知道要寻找哪些特定分段，或者拥有非结构化数据，你也可以使用各种技术以算法方式发现数据中涌现的模式，并正确地对结果进行分段或分类。
-
隐私保护AI——我们为什么需要它？ - KDnuggets
博客热门文章 关于 主题 AI 职业建议 计算机视觉 数据工程 数据科学 语言模型 机器学习 MLOps NLP 编程 Python SQL 数据集 活动 资源 速查表 推荐 技术简报 广告 构建和搭建数据与 AI 系统的常规过程可能会引发各种数据隐私威胁。利用隐私保护 AI 领域的最先进技术，可以帮助避免这些挑战。 作者：Upendra Singh，Epsilon 数据科学、DX 高级首席架构师。 在当今数字化世界中，数据隐私是私营和公共组织都关注的重要问题。这给分析行业带来了一个有趣的挑战，因为数据可访问性是开发高质量机器学习模型的关键。
-
数据科学家的傅里叶变换 - KDnuggets
博客热门文章关于 主题 AI 职业建议 计算机视觉 数据工程 数据科学 语言模型 机器学习 MLOps NLP 编程 Python SQL 数据集 活动 资源 速查表 推荐 技术简报 广告 本文包含傅里叶变换的数学简介及其在 AI 中的应用。 傅里叶变换是数学史上最深刻的洞见之一，但遗憾的是，其含义深埋在那些看似荒谬的公式之中。 傅里叶变换是一种将事物分解为一组正弦波的方法。顾名思义，这个名字来自很久以前一位名叫傅里叶的人。 用数学术语来说，傅里叶变换是一种将信号分解为其组成成分和频率的技术。 傅里叶变换不仅广泛应用于信号（无线电、声学等）处理，还应用于图像分析，例如边缘检测、图像滤波、图像重建和图像压缩。一个例子：透射电子显微镜图像的傅里叶变换有助于检查样品的周期性。周期性——即图案。
-
面向初学者的十大机器学习算法 - KDnuggets
博客热门文章 关于 主题 AI 职业建议 计算机视觉 数据工程 数据科学 语言模型 机器学习 MLOps NLP 编程 Python SQL 数据集 活动 资源 速查表 推荐 技术简报 广告 面向初学者的十大机器学习（ML）算法介绍，配有图表和示例，便于理解。 在《哈佛商业评论》将“数据科学家”称为“21世纪最性感职业”的文章发表后，ML 算法的研究获得了巨大的关注。因此，对于那些刚进入 ML 领域的人来说，我们决定重启我们极受欢迎的金牌博客《机器学习工程师需要知道的10种算法》——尽管这篇文章是针对初学者的。 ML 算法是那些能够从数据中学习并从经验中改进，而无需人工干预的算法。
-
在Kaggle数据科学竞赛中使用集成方法——第3部分 - KDnuggets
博客热门文章关于 主题 AI 职业建议 计算机视觉 数据工程 数据科学 语言模型 机器学习 MLOps NLP 编程 Python SQL 数据集 活动 资源 速查表 推荐 技术简报 广告 之前，我们展示了如何使用堆叠泛化和折外预测创建堆叠集成。现在我们将学习如何实现各种堆叠技术。 网络模型的反向传播 在多分类问题上使用原始特征进行非线性堆叠会带来惊人的收益。 非线性算法能够发现原始特征与元模型特征之间的有用交互。 首先使用分箱，将回归问题转化为多分类问题。 这些类别的预测概率可以帮助堆叠回归器做出更好的预测。 将数据集降至 2 或 3 维。 将其与非线性堆叠器进行堆叠。 使用留出集进行堆叠/混合（安全选择）。 因此，当数据集具有时间效应时，你可以使用 Vowpal Wabbit 在整个数据集上进行训练。
-
维护机器学习系统的高昂成本 - KDnuggets
博客热门文章 关于 主题 AI 职业建议 计算机视觉 数据工程 数据科学 语言模型 机器学习 MLOps NLP 编程 Python SQL 数据集 活动 资源 速查表 推荐 技术简报 广告 谷歌研究人员警告称，维护机器学习系统会产生巨大的持续成本。我们探讨如何最大限度地减少技术债务。 去年12月，由 D. Sculley 领导的一组谷歌研究人员在 NIPS 上发表了一篇立场论文，描述了维护依赖机器学习的软件的成本。作者运用技术债务的概念指出，虽然机器学习提供了一条快速构建复杂系统的途径，但这种便利伴随着巨大的下游成本。 技术债务是一个隐喻，将不良软件设计的后果比作偿还金融债务。正如贷款最终必须连本带利地还清，草率的设计决策也必须通过重构、调试和复杂的测试来偿还。
-
Python 中数据集划分的最佳实践 - KDnuggets
博客 热门文章 关于 主题 AI 职业建议 计算机视觉 数据工程 数据科学 语言模型 机器学习 MLOps NLP 编程 Python SQL 数据集 活动 资源 速查表 推荐 技术简报 广告 如果你正在将数据集划分为训练数据和测试数据，有一些事项需要牢记。本文讨论了 3 个最佳实践，并演示了如何在 Python 中实现这些特定的注意事项。 假设你有一个庞大的数据集，需要将其划分为训练数据和测试数据。也许你正在为监督式机器学习做这件事，也许你正在使用 Python 来完成。 本文讨论了划分数据集时需要考虑的三个特定事项、处理这些注意事项的方式，以及如何使用 Python 实际实现这些注意事项。
-
查询最细粒度的人口统计数据集 - KDnuggets
博客热门文章关于 主题 AI 职业建议 计算机视觉 数据工程 数据科学 语言模型 机器学习 MLOps NLP 编程 Python SQL 数据集 活动 资源 速查表 推荐 技术简报 广告 能够获取广泛且详细的人口数据，对于任何希望与特定人群互动的组织来说，都可能带来巨大的价值。然而，仅仅拥有数据访问权限是不够的，还需要能够利用先进技术来探索和可视化这些数据。 作者：Matti Grotheer，创业爱好者，Kuwala 联合创始人。 有大量用例需要详细的人口数据。例如，详细的人口结构细分是预测房地产价格或寻找理想零售店位置的重要因素。此外，疫苗接种活动或农村电气化计划等人道主义项目也高度依赖良好的人口数据。 在这些用例中，要在全球范围内找到高质量且最新的数据非常具有挑战性。
-
MLOps是一门工程学科：初学者概述 - KDnuggets
博客热门文章 关于 主题 AI 职业建议 计算机视觉 数据工程 数据科学 语言模型 机器学习 MLOps NLP 编程 Python SQL 数据集 活动 资源 速查表 推荐 技术简报 广告 MLOps = ML + DEV + OPS。MLOps 是将历史悠久的 DevOps 实践与新兴的机器学习领域相结合的理念。 作者：Angad Gupta，数据科学学生 MLOps 是 ML + DEV + OPS 的结合。MLOps 主要通过提高自动化程度来帮助提升生产可扩展性和生产模型的质量。 MLOps 是将历史悠久的 DevOps 实践与新兴的机器学习领域相结合的理念。它创建了一个自动化环境，将模型开发、模型再训练、漂移监控、流水线自动化、质量控制以及模型治理整合到一个平台中。
-
使用Pomegranate进行快速直观的统计建模 - KDnuggets
博客热门文章关于 主题 AI 职业建议 计算机视觉 数据工程 数据科学 语言模型 机器学习 MLOps NLP 编程 Python SQL 数据集 活动 资源 速查表 推荐 技术简报 广告 Pomegranate 是一种美味的水果。它也可以是一个用于统计分析的超级有用的 Python 库。我们将在本文中展示如何做到这一点。 首先，它是一种美味的水果。 但对于热爱水果的数据科学家来说，这是双重喜悦！ 它也是一个 Python 包，实现了快速且灵活的概率模型，从单个概率分布到组合模型，如贝叶斯网络和隐马尔可夫模型。 这个包背后的核心思想是，所有概率模型都可以被视为一个概率分布。这意味着它们都为样本产生概率估计，并且可以根据样本及其相关权重进行更新/拟合。
-
如何微调你的机器学习模型以提高预测准确性 - KDnuggets
博客热门文章关于 主题 AI 职业建议 计算机视觉 数据工程 数据科学 语言模型 机器学习 MLOps NLP 编程 Python SQL 数据集 活动 资源 速查表 推荐 技术简报 广告 我们解释如何使用评分指标获取模型性能的估计值，然后探讨发现和诊断机器学习算法潜在问题的方法。 微调机器学习预测模型是提高预测结果准确性的关键步骤。最近，我写了许多文章，解释机器学习的工作原理以及如何丰富和分解特征集以提高机器学习模型的准确性。 本文探讨以下细节： 1. 使用评分指标获取模型性能的估计值 1. 发现和诊断机器学习算法的常见问题 1. 微调机器学习模型的参数 请阅读 FinTechExplained 免责声明。 有时，我们必须探索模型参数如何提高机器学习模型的预测准确性。微调机器学习模型是一门黑魔法。
-
如何从零开始构建指令数据集？
首先写下微调模型应学习的行为。用于总结科学文章的数据集，其提示和答案与客户支持或代码生成的数据集不同。这一范围决定了哪些任务应纳入数据集，以及什么样的回答才算好。 接下来，选择一种记录格式并一致使用。仓库中第 7 章的示例使用诸如 instruction、input 和 output 等字段。当 instruction 包含所有所需上下文时，input 字段可以为空。在预处理期间，每条记录都应映射到相同的聊天模板，以便模型能够可靠地区分请求和期望的响应。 我会构建一个仍然可以逐行实际检查的小型种子集。示例应来自模型预期处理的真实任务。在这一范围内，变化提示措辞、响应长度和难度会有所帮助。这些变化应反映实际使用情况，而不是为了多样性而人为制造多样性。 尽早创建训练集和评估集划分。
-
使用Facebook的Prophet进行销售预测 - KDnuggets
博客热门文章 关于 主题 AI 职业建议 计算机视觉 数据工程 数据科学 语言模型 机器学习 MLOps NLP 编程 Python SQL 数据集 活动 资源 速查表 推荐 技术简报 广告 在本教程中，我们将使用 Prophet，这是 Facebook 开发的一个包，来展示如何实现这一点。 销售预测是许多销售驱动型组织中最常见的任务之一。这项活动使组织能够在一定程度上自信地为未来做好规划。在本教程中，我们将使用 Prophet，这是 Facebook 开发的一个包，来展示如何实现这一点。该包在 Python 和 R 中均可使用。我们假设读者对在 Python 中处理时间序列数据有基本了解。
-
从基准测试快速机器学习算法中获得的经验教训 - KDnuggets
博客热门文章关于 主题 AI 职业建议 计算机视觉 数据工程 数据科学 语言模型 机器学习 MLOps NLP 编程 Python SQL 数据集 活动 资源 速查表 推荐 技术简报 广告 在 Kaggle 举办的机器学习挑战赛中，超过一半的获胜解决方案都使用了提升决策树，并且只需最少的调参。我们评估了两个流行的树提升软件包：XGBoost 和 LightGBM，并总结了 4 个重要经验。 作者：Miguel Fierro、Mathew Salvaris、Guolin Ke 和 Tao Wu，均来自 Microsoft。 据 KDnuggets 报道，在 Kaggle 举办的机器学习挑战赛中，超过一半的获胜解决方案都使用了提升决策树。除了卓越的性能外，这些算法还具有实际吸引力，因为它们只需最少的调参。
-
AI与云主权政策讨论超越数据驻留——Omdia
AI与机器学习 监管与政治 新闻稿 拟议中的《云与AI发展法案》（CADA）于2026年6月宣布，专门聚焦于确保欧盟拥有维持技术自主所需的能力、基础设施和治理机制。#pressrelease Omdia最新报告《数字主权：AI与云政策及监管框架》的分析显示，各国在实现技术独立的方式上正在发生转变。 然而，政策制定者日益认识到，由于供应链本质上是全球性的，AI和云主权不可能实现完全的技术自给自足，而应着眼于实现战略自主权和知情决策。 Omdia的报告强调，尽管主权问题已出现在许多政府的议程上，但关于AI和云主权要求的明确指导方针在很大程度上仍然缺失。 拟议中的《云与AI发展法案》（CADA）于2026年6月宣布，专门聚焦于确保欧盟拥有维持技术自主所需的能力、基础设施和治理机制。
-
Minions：一个构建在空闲 Apple Silicon 设备上的动态分布式虚拟 GPU（图形处理器） 云
作者：Jianhua Li、Yun Xing、Girisha De Silva、Ryan Flint、Kai Yuan、Sean Suchter 对GPU加速机器学习推理日益增长的需求，暴露了集中式GPU基础设施的局限性，包括高成本、弹性有限以及在资源受限情况下等待时间长。与此同时，基于Apple Silicon的现代macOS设备配备了强大的GPU，而这些GPU在日常使用中大部分时间处于闲置状态。本文提出了Minions，一种动态分布式虚拟GPU云，它聚合了macOS设备上闲置的Apple Silicon GPU，以执行大规模机器学习推理工作负载。Minions使团队能够利用现有硬件，而无需额外采购GPU。该系统提供灵活的GPU推理任务执行、容错能力和高效的资源利用。
-
预测电网空间天气风险
发布于 2026 年 9 月 30 日 作者：Rohan Kannan，实习生 端到端预测：一个机器学习流水线利用预测时刻的太阳风信息，为美国本土 66,935 个变电站生成特定位置的风险估计。 物理与位置：该系统将极光电急流（AE）和扰动风暴时间（Dst）预测与当地纬度、地质条件和地面电导率相结合。 提前预警：该流水线在评估期内检测到近 80% 的重大空间天气事件，并可在特定风险出现前 30 至 60 分钟向电网运营商发出预警。 在 2024 年 5 月的地磁风暴期间，随着极光延伸至远超其通常范围，北美各地的公用事业公司为可能的影响做好了准备。这场风暴会降低 GPS 精度和卫星运行，影响北美和欧洲的农业作业。现代社会依赖可靠的电力，然而极端空间天气事件可在输电网络中感应出电流，损坏设备并增加运营风险。
-
为AI卓越而架构：AWS在re:Invent 2025上发布三款Well-Architected Lens
在 re:Invent 2025 上，我们推出了一个新的 Lens 以及对 AWS Well-Architected Lenses 的两项重大更新，专门聚焦于 AI 工作负载：负责任 AI Lens、机器学习（ML）Lens 和生成式 AI Lens。这些 Lens 共同为处于 AI 之旅不同阶段的组织提供全面指导，无论您是刚刚开始尝试机器学习，还是已经在大规模部署复杂的 AI 应用。 AWS Well-Architected Framework 提供了在云中设计和运营可靠、安全、性能高效、成本优化且可持续的工作负载的最佳架构实践。
