机器学习方法
收录了 机器学习方法 频道下的 50 篇内容
基于机器学习方法对销售预测的研究
销售预测业界的重要需求，对库存的安排、配货分货有着重要的指导意义，但同时，因为受到各种因素的影响，销售预测的难度也非常大。本次分享总结了百分点的一些销售预测实际项目经验；首先，研究、比较了不同的机器学习和统计学习方法，如线性回归、随机森林、决策树、xgboost、时间序列等方法，对商品销售进行短期、中期和长期的预测效果。其次，介绍了这些模型的实现方式和相应的优缺点，再次，结合百分点在企业项目上的实际案例来解读销售预测，最后，对销售预测的发展方向做了一定的展望。
文本数据的机器学习自动分类方法 (上)
以统计理论为基础，利用机器学习算法对已知的训练数据做统计分析从而获得规律，再运用规律对未知数据做预测分析，已成为文本分类领域的主流。InfoQ联合“达观数据“共同策划了《文本数据的机器学习自动分类方法》系列文章，为您详细阐述机器学习文本分类的基本方法与处理流程。
文本数据的机器学习自动分类方法 (下)
以统计理论为基础，利用机器学习算法对已知的训练数据做统计分析从而获得规律，再运用规律对未知数据做预测分析，已成为文本分类领域的主流。InfoQ联合“达观数据“共同策划了《文本大数据的机器学习自动分类方法》系列文章，为您详细阐述机器学习文本分类的基本方法与处理流程。
主流推荐引擎技术及优缺点分析
本文详细介绍多种类型的推荐系统，并分析介绍每种推荐系统的优缺点。
深度解读：深度学习在 IoT 大数据和流分析中的应用
在物联网时代，大量的感知器每天都在收集并产生着涉及各个领域的数据。由于商业和生活质量提升方面的诉求，应用物联网（IoT）技术对大数据流进行分析是十分有价值的研究方向。这篇论文对于使用深度学习来改进IoT领域的数据分析和学习方法进行了详细的综述。从机器学习视角，作者将处理IoT数据的方法分为IoT大数据分析和IoT流数据分析。论文对目前不同的深度学习方法进行了总结，并详细讨论了使用深度学习方法对IoT数据进行分析的优势，以及未来面临的挑战。
专访 360 王占一：如何通过深度学习实现对应用流量识别
在网络的入口处对应用程序的识别是非常重要的，无论是网络安全产品，还是专业的流量分析引擎，应用流量的准确识别不但可洞悉整个网络的运行情况，而且可针对具体需求做用户行为的准确管控，这在一定程度上既可保证业务流的高效运行，也可预防由于内网中毒引起的断网事件。
Jeff Dean 再执笔：一文看尽 2019 谷歌 AI 重大突破
对于谷歌的研究团队来说，2019 年是令人兴奋的一年。
论机器学习的正确学习姿势
在机器学习如火如荼的今天，没学过机器学习的开发人员要怎样才能学会机器学习？
如何用机器学习模型打击虚拟货币犯罪？
如何在这些大量地址中，准确又快速找到相关性最强的可疑地址，是侦查工作突破的关键。
MILABOT：基于深度强化学习打造聊天机器人
论文介绍了加拿大蒙特利尔大学Yoshua Bengio研究组提出的MILABOT聊天机器人。MILABOT是一种开放域的聊天机器人，使用多种NLP和检索模型组合而成，并应用强化学习在众包数据和真实用户交互数据上训练策略选择模型，从各个响应模型给出的响应集中做出最优选择。MILABOT通过机器学习获取策略，减少了人工参与规则制定，并可使用更多的数据不断地优化模型。
微信的机器学习与人工智能应用实践
2018 年 1 月 13-14 日，AICon 全球人工智能与机器学习技术大会在北京召开，微信小程序商业技术负责人张重阳应邀担任本次大会的联席主席，发表演讲介绍了人工智能应用落地过程中的 4 个"in"，并结合在微信的实践案例做了深入的讲解。以下为演讲全文。
基于 LSTM 的情感识别在鹅漫评论分析中的实践与应用
情感分析在互联网业务中已经具有比较广泛的应用场景，成为了一个重要的业务支持能力。本文结合腾讯鹅漫U品业务在中文文本情感分类上的应用和实践经验，与读者一起学习及探讨。
深入理解 AutoML 和 AutoDL（三）：机器学习的发展
从理论与实践的双重维度，对AutoML和AutoDL的入门知识和进阶知识做了全面介绍。
电商知识图谱
本文以知识图谱为切入点，重点讲解了阿里巴巴B2B在电商结构化信息挖掘和场景应用等方面的经验。
不存在真正的机器学习平台？那科技公司们在忙什么？
机器学习平台应该具备哪些条件？存在合格的机器学习平台吗？
《Machine Learning with Spark》书评与作者访谈
机器学习是基于现有数据，通过数据驱动做出决策或者预测的技术。Apache Spark及其机器学习库MLlib为开发可伸缩的机器学习应用，提供了多种有用的算法。InfoQ采访了《Machine Learning with Spark》一书的作者Nick Pentreath，共同探讨了有关数据科学和机器学习的话题。
2021 年，图机器学习走势会怎样？
本文中，我征求了在图机器学习和它的应用方面的著名研究者的意见，试图总结出去年的一些亮点，并预测 2021 年的前景。
摩根大通报告 12 个亮点总结：金融领域的机器学习工具有哪些？
金融机构由于面临激烈的竞争压力，需要不断对自身结构和人才资源进行迭代，以适应不断变化的新情况。随着微软前首席科学家邓力宣布加盟对冲基金巨头 Citadel，我们可以看到金融界已经向计算机科学（特别是机器学习）人才打开了大门。近日，摩根大通发布了一份题为《大数据与人工智能战略：机器学习和其它投资数据分析方法（Big Data and AI Strategies: Machine Learning and Alternative Data Approach to Investing）》的报告，对机器学习和大数据对金融领域的影响进行了全面的阐述。eFinancialCareers 对这份长达 280 页的报告进行了提炼，得出了 12 个重要看点。
从普通开发进阶为数据科学家，这是一份最好的学习资源清单
如果你有心的话，就会发现像 Airbnb 和Uber 这样的科技公司在人才招聘网站上的数据科学家职位一栏下面，统统标着“急聘”字眼。那么你该如何从开发人员成长为数据科学家呢？
机器学习在信贷风控建模中的优势和挑战
本文对金融风控领域的两大流派进行了对比，并介绍机器学习、深度学习在金融风控领域的实践应用。
京公网安备 11010502039052号 | 产品资质
