My Learning Experience: 林轩田 《机器学习基石》《西瓜书》《统计学习》《花书》-论文- PyTorch ，没有办法实现自己的idea, pyTorch比较适合新手入门。首先简历课程知识框架，通过所给资料搭建课程框架，熟悉课程知识点分

本文为你带来22道机器学习常见的面试问题和回答。因此，训练样本的岐义性低。聚类就是典型的无监督学习。SVM是最大间隔分类器，几何间隔和样本的误分次数之间存在关系，决策树基于树结构进行决策，与人类在面临问题的时候处理机制十分类似。时预测为正例，这种策略称为r

随着计算和 AI 体系逐步成熟，我们希望机器学习应用能更多地在动态环境下运行、实时响应环境中的变化，这推动了机器学习从传统离线学习逐渐向在线学习演进。相比于传统的离线机器学习，在线学习可以带来更快的模型迭代速度，让模型预测效果更贴真实情况，对于线上的波动更

11 月 5 日，在 Wave Summit+2019 秋季深度学习开发者峰会上，飞桨全新发布和重要升级了最新的 21 项进展，在深度学习开发者社区引起了巨大的反响。今天给大家带来的是系列文章之飞桨工具组件解读。下面带来飞桨深度学习平台工具组件详细解读，核

如果有关风险投资的最新数据能够说明问题，那么投资者依然热衷于人工智能和机器学习初创公司。根据普华永道和CB Insights的MoneyTree报告显示，2019年前三季度，人工智能和机器学习初创公司获得的总资金额为121亿美元，超过去年的102亿美元。

未来企业技术将带来巨大的，改变行业的创新。从5G到边缘计算以及预测分析，将会带来更快的创新速度。让我们看看未来五年中的十种优秀企业技术。5G 又称为“移动通信的下一代和最激进的一代” ，5G意味着第五代。尽管尚未进入普通市场，但它将深深改变通信行业。数据量

有人说，深度学习是目前科技界最大的瓜，每个人都想分一块。它承诺以最小代价的大数据解决最复杂的问题。下面就和小芯一起看看如何在有限的数据下利用深度学习吧~在讨论针对有限数据利用深度学习的方法之前，请先后退一步，从神经网络开始，建立一个简单的基线。这将帮助您评

智能实时应用为所有行业带来了革命性变化。机器学习及其分支深度学习正蓬勃发展，因为机器学习让计算机能够在无人指引的情况下挖掘深藏的洞见。造成这种现象的不仅与机器学习项目相关的自然实验有关，还与不成熟的机器学习架构密不可分。这个问题在企业环境中特别明显，现代机

「WAIC 开发者·临港人工智能开发者大会」将于 2019 年 12 月 6 日-7 日在上海临港举办，本次大会由世界人工智能大会组委会指导，上海市经济和信息化委员会、中国（上海）自由贸易试验区临港新片区管理委员会主办，临港集团、机器之心承办。李戈老师将会

机器学习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。今

Jupyter Notebook 不知道大家了解不？他非常的强大，学过 Python 的同学应该都知道。Jupyter Notebook 是以网页的形式打开，可以在网页页面中直接编写代码和运行代码，代码的运行结果也会直接在代码块下直接显示的程序。如在编程过

人工智能和机器学习的井喷式发展，让机器学习工作负载变得日益丰富，也为云上的机器学习大规模和普世化的应用创造了优渥的土壤。抓住开发者、数据科学家和业务专家对机器学习需求的憧憬，AWS构建了自下而上的端到端机器学习技术堆栈和服务，密集的服务和更加趋向用户当下和

在实际的深度学习应用中，一个常见的问题是，一些类在训练集中的实例数量明显高于其他类。这种类不平衡数据集在不同的领域中很常见。对于这样的机器学习数据集，学习算法往往偏向于多数类，因此少数类实例的误分类率较高。为了解决这一问题，需要采取过采样、过采样、两阶段训

时钟拨回到 20 年前。那一年，我以机器翻译方向的博士毕业，到几家单位应聘。由于语言文字是人类交流沟通的最基本方式，因此 NLP 也是最典型的 AI 领域之一，被誉为“人工智能皇冠上的明珠”。第一个阶段的 NLP 主要基于规则。通过人工或者自动半自动地收集

本文为你分享一份《TensorFlow 2.0 深度学习算法实战》中文版教材。其中TensorFlow2.0更是修复之前非常多的不人性的特性，备大家欢迎。所有的项目都是 基于TensorFlow 2.0实战。后台私信回复关键词：191121 获取《Tens

一些历史：1956年是人工智能元年。最初提出的概念是：用机器来模仿人类学习以及其他方面的智能。机器学习的定义：机器学习是从数据中自动分析获得模型，并利用模型对未知数据进行预测。

之前讲过SVM，是通过最大化间隔导出的一套方法，现在从另外一个角度来定义SVM，来介绍整个线性SVM的家族。线性支持向量机简介L2正则化L1-loss SVC原问题L2正则化L2-loss SVC原问题L2正则化SVC对偶问题L1正则化L2-loss SV

在多元函数微分学中，我们都接触过梯度的概念。这是百度百科给出的解释。以二元函数f(x,y)为例。fx, fy分别表示f对x，y的偏导数。不难理解，对于损失函数，其梯度的方向指向误差增加最快的方向，大小为该点误差的增加率。因此，要找到损失最小的点，也就是找到

这个指标就是训练集误差和验证集误差。为了解释如何使用训练集误差和测试集误差来判断算法是高偏差还是高偏差问题，我们通过一个例子来说明。虽然它的验证集误差是16%，但是它与训练集误差15%并没有差太多，所以我们可以认为它的验证误差没有出现什么问题，它的问题出现

本文介绍了NLP在文本相似性、文本分类、序列标注和语言生成中的重要成果。按照经验分析，对于通常的词向量的方法，余弦相似性相当于Pearson（线性）相关系数。因为实际中的值通常在0均值左右分布。在词相似度下，违反正态性假设使得余弦相似度特别不适合于GloV