机器学习

关注
收录了机器学习频道下的 1172 篇内容
机器学习是计算机系统用于逐步改善其在特定任务上的性能的算法和数学模型的研究。
  • 全部
  • 文章
  • 视频
  • 话题
  • 电子书
如何用Delta-p统计量解释Logistic回归模型
如何用 Delta-p 统计量解释 Logistic 回归模型

在本文中,作者 Maarit Widmann 和 Alfredo Roccato 讨论了如何使用基于 Delta-p 统计量的解决方案来预测信贷资格。

LSTM的兴衰
LSTM 的兴衰

LSTM 的未来是什么?

SLA 4 个 9 ,贝壳高可用架构的质量保障体系
SLA 4 个 9 ,贝壳高可用架构的质量保障体系

贝壳用户需求和用户量的不断增长,对系统的高可用性提出了更高的要求,服务端的质量保证工作该如何开展?

机器学习在滴滴网络定位中的探索和实践
机器学习在滴滴网络定位中的探索和实践

今天给大家分享的是机器学习在滴滴网络定位中的实践工作,会重点介绍三阶段的演进:无监督模型、有监督回归模型、端到端 CNN 模型。

跨越计算鸿沟:如何靠软硬件协同突破算力瓶颈?| InfoQ 大咖说
跨越计算鸿沟:如何靠软硬件协同突破算力瓶颈?| InfoQ 大咖说

数据、算法、算力被称作深度学习的三架马车,共同驱动了第三轮人工智能浪潮的兴起。一方面,硬件计算能力的发展确实快速推动深度学习技术在各个领域取得巨大进展,但另一方面,深度学习模型升级的频率显著高于过去,模型的计算力需求呈爆炸式增长,已经将过去多年来累积的计算力成本下降的红利迅速蚕食。

AI前线(2020年9月) AI前线(2020年9月)
AI 前线(2020 年 9 月)

本期主要内容:互联网大厂干了十年,经历了创业、上市、被收购后,我决定加入传统行业;硅谷的“数据中台”实践

数据科学家应该了解的软件工程实践
数据科学家应该了解的软件工程实践

数据科学家为什么需要了解软件工程的基础知识?

TensorFlow 篇 | TensorFlow 2.x 基于 Keras 模型的本地训练与评估

「导语」模型的训练与评估是整个机器学习任务流程的核心环节。只有掌握了正确的训练与评估方法,并灵活使用,才能使我们更加快速地进行实验分析与验证,从而对模型有更加深刻的理解。

展望AI的未来,GPT-3驱动的第一批应用程序已兴起
展望 AI 的未来,GPT-3 驱动的第一批应用程序已兴起

GPT-3 是一个黑匣子,结果无法预测。开发人员必须有针对性地使用它。

TensorFlow 篇 | TensorFlow 2.x 基于 Keras 的模型构建

「导语」TensorFlow 2.0 版发布以来,Keras 已经被深度集成于 TensorFlow 框架中,Keras API 也成为了构建深度网络模型的第一选择。使用 Keras 进行模型开发与迭代是每一个数据开发人员都需要掌握的一项基本技能,让我们一起走进 Keras 的世界一探究竟。

如何让数据安全地发挥其真正价值?
如何让数据安全地发挥其真正价值?

数字经济时代,数据既是创造财富的关键,也是智慧化转型的必需,因此数据安全和隐私也不容忽视。

Netflix推荐系统如何推动业务增长?
Netflix 推荐系统如何推动业务增长?

Netflix 推荐系统的数据从何而来?

为什么卷积神经网络优于传统机器学习算法?
为什么卷积神经网络优于传统机器学习算法?

要真正理解并欣赏深度学习,我们必须知道为什么其他方法失败了,而深度学习却成功了。

实战贴:如何使用机器学习检测欺诈?
实战贴:如何使用机器学习检测欺诈?

在现实世界中,欺诈检测是一个非常普遍且具有挑战性的问题。

浅谈深度学习背后的数学
浅谈深度学习背后的数学

深度神经网络是建立在微积分和一些统计学的基础之上的。

智能运维系列(十三)| 面向智能化运维的CMDB系统构建
智能运维系列(十三)| 面向智能化运维的 CMDB 系统构建

本文将结合具体实践,介绍微众银行面向智能化运维的 CMDB 系统构建历程以及实施效果。

深度广度模型在用户购房意愿量化的应用
深度广度模型在用户购房意愿量化的应用

本文主要介绍了深度广度模型在用户价值量化上的应用,包括 wide&deep 的应用与迭代,端到端与预训练的讨论以及时序模型与深度广度模型的结合,在预测结果上也取得了较为明显的正向收益,提高了头部准确率。

用机器学习分析韩国流行音乐 4 - 生产模型
用机器学习分析韩国流行音乐 4 - 生产模型

本文是本教程的第四部分,我将使用 FLASK 将预测模型投入生产。

在 FIFA 20 将技能相似球员进行分组(2):层次聚类
在 FIFA 20 将技能相似球员进行分组(2):层次聚类

在本教程中,我们将使用层次聚类(hierarchical clustering)对 FIFA20 球员进行分组。

你附近的人都有谁,这个功能是怎么实现的?
你附近的人都有谁,这个功能是怎么实现的?

手机上很多软件都有附近的人的功能,比如微信的“附近的人”,美团的“附近的餐厅”等等,那么这些功能可以怎么实现呢?

在 FIFA 20 将技能相似球员进行分组(1):K-均值聚类
在 FIFA 20 将技能相似球员进行分组(1):K- 均值聚类

在本教程中,我将使用 K- 均值(K-Means)聚类算法在 FIFA 20 将技能相似的球员进行分组。

架构师特刊:深度学习模型压缩技术的落地实践与创新 架构师特刊:深度学习模型压缩技术的落地实践与创新
架构师特刊:深度学习模型压缩技术的落地实践与创新

InfoQ 希望通过策划这本迷你书对深度学习模型压缩技术的研究和应用现状、技术创新点、落地难点、局限性和未来发展方向等内容进行呈现,并推动该领域的发展。

对 PyTorch BERT 模型进行微调,并将其部署到 Amazon SageMaker 上的 Amazon Elastic Inference
对 PyTorch BERT 模型进行微调,并将其部署到 Amazon SageMaker 上的 Amazon Elastic Inference

本文将介绍如何使用 Amazon SageMaker 对 PyTorch BERT 模型进行微调,并将其部署在应用了 Elastic Inference 的 SageMaker 终端节点上。

科技部副部长李萌:支持北京、西安等13地建设人工智能试验区
科技部副部长李萌:支持北京、西安等 13 地建设人工智能试验区

发展 AI,要注重技术研发应用和伦理治理同步部署。

旷视推出Brain++商业版,降低企业AI部署门槛
旷视推出 Brain++ 商业版,降低企业 AI 部署门槛

Brain++ 商业版提供可以私有化部署的 AI 算法开发平台,覆盖数据管理、模型研发、算力调度等算法生产全流程。

Kyligence发布下一代云原生数仓产品——智能数据云
Kyligence 发布下一代云原生数仓产品——智能数据云

大会在线上顺利举办。赋能等领域的成功经验。站等多个平台同步直播本次大会,吸引了上万的线上观众。界,上市首日,其市值即超 700 亿美金。

    异地多活单元化架构下的微服务体系
    异地多活单元化架构下的微服务体系

    时晖(玄霄) | 蚂蚁金服 高级技术专家

    立即下载
    微服务环境下的系统治理与容错

    王新栋 | 京东 资深架构师

    立即下载
    架构中新技术引入的权衡和挑战- Flutter/FaaS 三端一体化架构

    王树彬 | 闲鱼 高级技术专家

    立即下载