-
宣布更新版 AWS Well-Architected 机器学习透镜
我们很高兴地宣布更新版 AWS Well-Architected 机器学习 Lens，现已增强，包含在 AWS 上构建机器学习（ML）工作负载的最新能力和最佳实践。 AWS Well-Architected Framework 提供了在云中设计和运营可靠、安全、高效、经济高效且可持续工作负载的架构最佳实践。机器学习 Lens 使用 Well-Architected Framework 来概述对您的 ML 架构进行全面审查的步骤。 更新版机器学习 Lens 为客户提供了一致的方法，用于评估跨 ML 工作负载的架构，从传统的监督学习和无监督学习到现代 AI 应用。该 Lens 涵盖了与完整 ML 生命周期相关的常见考量，包括业务目标识别、问题定义、数据处理、模型开发、部署和监控。
-
使用 Amazon SageMaker Canvas 为 IVR 呼叫训练呼叫中心欺诈检测模型
欺诈检测是呼叫中心面临的一项关键挑战，他们需要在提供无缝客户体验的同时保护组织免受欺诈活动的侵害。传统上，呼叫中心依赖坐席人员手动筛查来电，这种方式既耗时又昂贵。另一种选择是，公司可能要求客户每次致电时都进行身份验证，但这会导致糟糕的用户体验。机器学习（ML）提供了一种强大的解决方案，可以帮助组织在这些方法之间达到和谐的平衡，实现高效准确的欺诈检测，同时不影响客户体验。 本博文将向您展示如何利用机器学习的强大能力，使用 Amazon SageMaker Canvas 构建欺诈检测模型。SageMaker Canvas 是一项无代码/低代码机器学习服务，业务分析师和领域专家无需具备广泛的机器学习专业知识即可使用它来构建、训练和部署机器学习模型。
-
为什么我的模型不起作用？
你是否曾经训练过一个你认为很好的模型，但当应用于现实世界数据时却惨遭失败？如果是这样，你并不孤单。机器学习过程复杂，很容易在不明显的情况下导致过拟合。在我从事机器学习的20年左右时间里，我见过许多这样的例子，这促使我撰写了《如何避免机器学习陷阱：学术研究人员指南》，试图防止其他人落入这些陷阱。 但你不必只听我的一面之词。这些问题在科学和大众媒体中越来越多地被报道。例如，有观察指出，在新冠疫情期间开发的数百个模型根本不起作用，以及多伦多部署的一个水质系统经常告诉人们可以在危险的水中沐浴是安全的。其中许多案例记录在AIAAIC存储库中。甚至有人提出，这些机器学习失误正在导致科学界的可重复性危机——而且，鉴于如今许多科学家将机器学习作为关键工具，这导致对已发表科学结果的信任缺失。
-
史上最快AI计算机发布！谷歌TPU V3的1/5功耗、1/30体积，首台实体机已交付
还记得8月份占据各家科技头条的有史以来最大芯片吗？
-
从词袋到transfomer，梳理十年Kaggle竞赛，看自然语言处理的变迁史
自2010年创办以来，Kaggle作为著名的数据科学竞赛平台，一直都是机器学习领域发展趋势的风向标，许多重大突破都在该平台发生，数以千计的从业人员参与其中，每天在Kaggle论坛上都有着无数的讨论。
-
强化学习在小桔车服用户运营中的实践
小桔车服为滴滴旗下品牌，围绕车主及汽车生命周期，整合运营多项汽车服务，更加智能更加用心地为车主提供适合的一站式用车服务，致力于让每一个人拥有轻松车生活。
-
重回榜首！Facebook开源加强版BERT，全面超越XLNet
刚刚被拉下神坛的BERT又一次称霸了GLUE、SQuAD和RACE三个排行榜。今年六月，谷歌发布XLNet，指出并解决了BERT的缺点，在20多个指标上全面刷爆了BERT之前的成绩，数据、算力相比BERT增加了很多，也在业内引起了激烈讨论：到底该用BERT还是XLNet？
-
数据科学必备基础之线性回归
线性回归是统计学和机器学习的基础之一。无论是做统计，机器学习还是科学计算，都可能用上线性回归。因此，建议先掌握线性回归，然后再学习更复杂的方法。
