神秘13位编码:用机器学习预测机动车摇号

机动车摇号概率低于千分之一,一辈子都摇不到号的可能性接近一半。《沙漠之鹰》的上一篇文章《绝对公平,破解北京机动车摇号》在发布之后,各渠道总阅读量高达百万,不少读者觉得 

2018-02-07

深度学习 可思数据

机器学习常用 35 大算法盘点(附思维导图)

在本文中,我将提供两种分类机器学习算法的方法。一是根据学习方式分类,二是根据类似的形式或功能分类。这两种方法都很有用,不过,本文将侧重后者,也就是根据类似的形式或功能分 

2018-02-07

深度学习 可思数据

一篇文章讲清楚人工智能、机器学习和深度学习的

摘要:人工智能是最早出现的,也是最大、最外侧的同心圆;其次是机器学习,稍晚一点;最内侧,是深度学习,当今人工智能大爆炸的核心驱动。人工智能是最早出现的,也是最大、最外侧的同心 

2018-02-07

深度学习 可思数据

用一个大家都懂的方式来聊聊YouTube基于深度神

摘要:YouTube的推荐系统是是世界上规模最大、最复杂的推荐系统之一。最近Google的研究人员公布了他们投到今年ACM会议的一篇文章,详细介绍了他们最近利用深度神经网络实现You 

2018-02-07

深度学习 可思数据

机器学习常见算法个人总结(面试用)

朴素贝叶斯参考[1]事件A和B同时发生的概率为在A发生的情况下发生B或者在B发生的情况下发生AP(A∩B)=P(A)∗P(B|A)=P(B)∗P(A|B)所以有:P(A|B)=P(B|A)&lowast 

2018-02-07

深度学习 可思数据

如何让深度学习突破数据瓶颈?

摘要:Demiurge Technologies 是一家位于瑞士的人工智能创业公司,他们致力于研究生物神经元的计算原理,开发下一代深度学习,以解决小样本学习和与物理世界交互的难题。他们的深 

2018-02-07

深度学习 可思数据

深度学习在目标跟踪中的应用

本文作者徐霞清,中国科学院计算技术研究所VIPL组硕士生,导师常虹副研究员。研究方向为深度学习与计算机视觉(目标跟踪等)。开始本文之前,我们首先看上方给出的3张图片,它们分别是 

2018-02-04

深度学习 可思数据

最流行的4个机器学习数据集

机器学习算法需要作用于数据,而数据的本质则决定了应用的机器学习算法是否合适,而数据的质量也会决定算法表现的好坏程度。所以会研究数据,会分析数据很重要。本文作为学习研 

2018-02-04

深度学习 可思数据

大道至简:朴素贝叶斯分类器

一、背景提到贝叶斯分类,首先来看下贝叶斯其人,贝叶斯(Thomas Bayes,1701—1761)英国牧师、业余数学家。可别小看了欧洲的牧师,孟德尔,被誉为“遗传学之父”也 

2018-02-04

深度学习 可思数据

机器学习应用实例:如何识别标题党?

相信你也遇到过这样的情况:怀着犹如探秘般万分期待的心情,点开一篇文章,结果却发现又一次中了“标题党”的诱饵,成功上钩。这种现象,在国际有一个形象的名字 “C 

2018-02-04

深度学习 可思数据

人工智能在金融领域应用的初步思考

在阿尔法狗战胜李世石后,人工智能在全球的热议程度达到一个新的高度。得益于神经网络深度学习在算法上的突破,使得多个基础人工智能技术水平得到飞跃提升。计算机视觉、机器 

2018-02-04

深度学习 可思数据

深度学习座下的四大神兽:计算能力、算法、数据、

摘要:如今越来越多的人愿意和自己的虚拟私人助理交谈,只需要动动嘴就可以让Siri/Alexa/Rokid帮你完成发微信、订车票、设闹钟这样的闲事,还能提醒你吃药、开会,这样一个不需要 

2018-02-04

深度学习 可思数据

传说中的贝叶斯统计到底有什么来头?

引言:在很多分析学者看来,贝叶斯统计仍然是难以理解的。受机器学习这股热潮的影响,我们中很多人都对统计学失去了信心。我们的关注焦点已经缩小到只探索机器学习了,难道不是吗? 

2018-02-04

深度学习 可思数据

机器学习系列(10):从感知器到人工神经网络

从感知器到人工神经网络在第8章,感知器里,我们介绍了感知器,一种线性模型用来做二元分类。感知器不是一个通用函数近似器;它的决策边界必须是一个超平面。上一章里面介绍的支持 

2018-02-04

深度学习 可思数据

机器学习系列(9):从感知器到支持向量机

从感知器到支持向量机上一章我们介绍了感知器。作为一种二元分类器,感知器不能有效的解决线性不可分问题。其实在第二章,线性回归里面已经遇到过类似的问题,当时需要解决一个 

2018-02-04

深度学习 可思数据

机器学习系列(8):感知器

感知器前面,我们介绍了广义线性模型,用联接方程描述解释变量、超参数和响应变量的线性关系。这一章,我们将介绍另一种线性模型,称为感知器(perceptron)。感知器是一种研究单个训 

2018-02-04

深度学习 可思数据

机器学习系列(7):用PCA降维

用PCA降维本章我们将介绍一种降维方法,PCA(Principal Component Analysis,主成分分析)。降维致力于解决三类问题。第一,降维可以缓解维度灾难问题。第二,降维可以在压缩数据的同 

2018-02-04

深度学习 可思数据

Twitter机器学习平台的设计与搭建

摘要:简单介绍一下Twitter机器学习平台的设计与搭建,也希望从规模化机器学习平台的角度来主要讲一些我们在这个过程中所遇到的各种坑,以及我们做的各种的努力,也希望能对大家有 

2018-02-04

深度学习 可思数据

机器学习系列(6):K-Means聚类

K-Means聚类前面几章我们介绍了监督学习,包括从带标签的数据中学习的回归和分类算法。本章,我们讨论无监督学习算法,聚类(clustering)。聚类是用于找出不带标签数据的相似性的算 

2018-02-03

深度学习 可思数据

人工智能在深度学习领域的前世今生

Dave Bowman: Hello, HAL do you read me, HAL? 哈尔,你看到我了吗?HAL: Affirmative, Dave, I read you. 

2018-02-03

深度学习 可思数据

机器学习十大不可忽视项目

前言:那些流行的机器学习项目之所以受欢迎,一般是因为其提供了一种多数人需要的服务,或是因为它们是第一个(也许是最好的)针对特定用户提供服务的。那些最流行的项目包括Scikit- 

2018-02-03

深度学习 可思数据

机器学习系列(5):决策树——非线性回归与分类

决策树——非线性回归与分类前面几章,我们介绍的模型都是广义线性模型,基本方法都是通过联接方程构建解释变量与若干响应变量的关联关系。我们用多元线性回归解决 

2018-02-03

深度学习 可思数据

机器学习系列(4):从线性回归到逻辑回归

从线性回归到逻辑回归在第2章,线性回归里面,我们介绍了一元线性回归,多元线性回归和多项式回归。这些模型都是广义线性回归模型的具体形式,广义线性回归是一种灵活的框架,比普通 

2018-02-03

深度学习 可思数据

机器学习系列(3):特征提取与处理

上一章案例中的解释变量都是数值,比如匹萨的直接。而很多机器学习问题需要研究的对象可能是分类变量、文字甚至图像。本章,我们介绍提取这些变量特征的方法。这些技术是数据 

2018-02-03

深度学习 可思数据

机器学习系列(2):线性回归

线性回归本章介绍用线性模型处理回归问题。从简单问题开始,先处理一个响应变量和一个解释变量的一元问题。然后,我们介绍多元线性回归问题(multiple linear regression),线性约 

2018-02-03

深度学习 可思数据

页次:1/6 每页25 总数132    首页  上一页  下一页  尾页    转到: 
热点图文 更多