收录了 python类库学习 频道下的 50 篇内容
这是第五届Python 类库Top 10年度榜。
在众多编程语言中,我为什么要学Python?
Apache Flink 是流批统一的开源大数据计算引擎,在 Flink 1.9.0 版本开启了新的 ML 接口和全新的Python API架构。
PyCon US 2013大会已经结束将近一个月了,讲师的演讲视频也陆续放出。InfoQ对部分视频做出了一个简单的分类整理,你可以挑选自己感兴趣的内容进行观看。
现在是学习编程或转行从事软件工程的最佳时机。业界对 Web 开发人员的需求达到了历史最高水平,而且目前还在不断增长。互联网上有一些免费教程和收费的高级教程,本文将学习路线图分解开,详细介绍了有效学习各部分所需的技能以及相应的教程,大家可以根据自己的需要,选择最适合自己的方式,学到自己所需的知识和技能。
本文将讨论 Python 中的一些顶级库,开发人员可以使用这些库来解析、清理和表示数据,并在现有应用中实现机器学习。
Python 类库(模块)极其丰富,这使得 Python 几乎无所不能,不管是传统的 Web 开发、PC 软件开发、Linux 运维,还是当下火热的机器学习、大数据分析、网络爬虫,Python 都能胜任。
对于新手来说,Scala相对比较复杂,其看起来灵活的语法并不容易掌握,但是对于熟悉Scala的用户来说,Scala是一把利器,它提供了许多独特的语言机制,可以以库的形式轻易无缝添加新的语言结构。近日,Spotify的软件工程师Neville Li发表了一篇题为《数据工程师应该学习Scala的三个理由》的文章,他认为现在的编程语言种类非常多,每种语言都各有优缺点,并且它们的适用的场景也不同,比如Scala就非常适合用于数据处理和机器学习。
基础架构(Infrastructure)相比于大数据、云计算、深度学习,并不是一个很火的概念,甚至很多程序员就业开始就在用 MySQL、Django、Spring、Hadoop 来开发业务逻辑,而没有真正参与过基础架构项目的开发。在机器学习领域也是类似的,借助开源的 Caffe、TensorFlow 或者 AWS、Google CloudML 就可以实现诸多业务应用,但框架或平台可能因行业的发展而流行或者衰退,而追求高可用、高性能、灵活易用的基础架构却几乎是永恒不变的。 因此,今天的主题就是介绍机器学习的基础架构,包括以下的几个方面: 基础架构的分层设计; 机器学习的数值计算; TensorFlow 的重新实现; 分布式机器学习平台的设计。
本文在作者多次实战部署的基础上,对不同情况下的深度学习开发环境配置进行了深入的讲解,旨在消除配置壁垒,让你能够零基础快速上手深度学习。
Spotify开源了自研的Terraform模块,用于在Google Kubernetes Engine(GKE)上运行机器学习流水线软件Kubeflow。
机器学习作为大数据的前沿无疑是让人生畏的,因为只有技术极客和数据科学领域的专家才能驾驭机器学习算法和技术,对于大部分企业和组织而言,过去这一直都是一个遥不可及的事情。但是现在这种情况正在发生改变,正如标准的API简化了应用程序的开发一样,机器学习API也降低了这一领域的门槛,让越来越多的人和企业能够借助技术底蕴深厚的公司所提供的API试水机器学习。
本篇文章将探索 Rust 中的数据科学工作流在性能和工程学上的表现。
本文将跟大家分享作者在处理TensorFlow适配和版本选择问题方面的经验,希望对你有所帮助。
拥有阿里内部版本重要功能的Flink版本终于来啦!
阿里开源Blink这一年
最近zer0n和bamos在GitHub上发表了一篇文章,对Caffe、CNTK、TensorFlow、Theano和Torch等深度学习工具从网络、模型能力、接口、部署、性能、架构、生态系统、跨平台等方面做了比较。
本文概要地介绍了嵌入式数据分析和统计的相关工具及类库,其中包括独立的软件包和带有统计能力的编程语言。两位作者还讨论了如何将这些嵌入式分析技术结合起来处理大数据。
Google、微软、亚马逊都推出了自己的云深度学习平台,本文基于第四范式先知平台的架构和实践经验,对云深度学习平台的定义以及如何打造一个低门槛、高可用的云深度学习平台进行介绍。