• 相关博文
  • 最新资讯
加载中...
  • 2019年,自动化机器学习AutoML技术还火吗? | BDTC 2019

    改变人工智能建模依赖专家的手工作坊式生产,打造人工智能建模的“数控机床”,利用机器替代人工实现AI模型的构建,大幅提升AI建模效率,降低AI技术门槛,加速AI应用落地。

    2020.01.16 0
  • 2019,不可错过的NLP“高光时刻”

    对自然语音处理(NLP)领域而言,2019年是令人印象深刻的一年,本文将回顾2019年NLP和机器学习领域的重要事件。内容 主要集中于 NLP 领域,但也会包括一些与 AI 有关的有趣故事,包括新发布模型、工程成果、年度报告以及学习资源等。

  • 机器学习模型五花八门不知道怎么选?这份指南告诉你

    一般来说,基于树形结构的模型在Kaggle竞赛中是表现最好的,而其它的模型可以用于融合模型。对于计算机视觉领域的挑战,CNNs (Convolutional Neural Network, 卷积神经网络)是最适合不过的。而对于NLP(Natural Language Processing,自然语言处理),LSTMs或GRUs是最好的选择。下面是一个不完全模型细目清单,同时列出了每个模型的一些优缺点。

    2020.01.07 0
  • 基于机器学习场景,如何搭建特征数据管理中台?

    理想的机器学习场景是给到数据,训练模型后就能直接上线服务。然而真实的 AI 应用落地过程非常复杂,并不是有数据、懂算法就可以了。首先建模具有一定门槛,建模科学技术人才除了要懂机器学习算法,还要知道熟悉建模业务场景,会使用 SQL、Python 做数据处理、特征拼接、支持时序特征;建模完成到上线,要保持在线与离线一致性,实现高性能硬实时预估服务;工程上涉及特征监控、读写分离、实时特征计算,这些情况在真实的 AI 应用场景中都要考虑到。

    2020.01.06 0
  • 提高建模效率,改变手工作坊式生产,AutoML的技术研究与应用进展如何了?

    改变人工智能建模依赖专家的手工作坊式生产,打造人工智能建模的“数控机床”,利用机器替代人工实现AI模型的构建,大幅提升AI建模效率,降低AI技术门槛,加速AI应用落地。

    2019.12.30 0
  • 迁移学习前沿研究亟需新鲜血液,深度学习理论不能掉链子

    人类可以从很少的样本中学习,显示出了人类卓越的泛化能力,而这一点学习算法仍远做不到。当前,最成功的模型需要大量标记好的数据,但是这些数据昂贵且难以获取,成为实践中使用机器学习的最大障碍之一。最近的研究表明,当前的算法几乎不能对训练期间看到的数据做泛化。在这种情况下,迁移学习显示出巨大潜力,其目的是更有效地利用以前获得的知识来学习新任务。

    2019.12.30 0
  • 从入门到深入:移动平台模型裁剪与优化的技术探索与工程实践

    由浅及深,讲述移动平台模型裁剪与优化的技术探索与工程实践,让希望了解和掌握如何在实践的基础上学习机器学习技术的初学者,希望了解和学习深度学习及其在工业界应用的开发人员,从事移动平台应用程序开发、架构设计以及期望应用机器学习到移动端、嵌入式平台、可穿戴设备等的从业者,掌握学习机器学习技术所需的技术栈、学习路径和方法。

    2019.12.26 0
  • 避免神经网络过拟合的5种技术(附链接) | CSDN博文精选

    当模型试着预测噪声较多的数据的趋势时,由于模型参数过多、过于复杂,就会导致过拟合。过拟合的模型通常是不精确的,因为这样的预测趋势并不会反映数据的真实情况。我们可以通过模型在已知的数据(训练集)中有好的预测结果,但在未知的数据(测试集)中较差的表现来判断是否存在过拟合。机器学习模型的目的是从训练集到该问题领域的任何数据集上均有泛化的较好表现,因为我们希望模型能够预测未知的数据。

    2019.12.26 0
  • XGBoost缺失值引发的问题及其深度分析 | CSDN博文精选

    XGBoost模型作为机器学习中的一大“杀器”,被广泛应用于数据科学竞赛和工业领域,XGBoost官方也提供了可运行于各种平台和环境的对应代码,如适用于Spark分布式训练的XGBoost on Spark。然而,在XGBoost on Spark的官方实现中,却存在一个因XGBoost缺失值和Spark稀疏表示机制而带来的不稳定问题。

    2019.12.25 0
  • 开发者都想收藏的深度学习脑图,我们抢先曝光了!

    由浅及深讲述移动平台模型裁剪与优化的技术探索与工程实践,让希望了解和掌握如何在实践的基础上学习机器学习技术的初学者,希望了解和学习深度学习及其在工业界应用的开发人员,从事移动平台应用程序开发、架构设计以及期望应用机器学习到移动端、嵌入式平台、可穿戴设备等的从业者,掌握学习机器学习技术所需的技术栈、学习路径和方法。

    2019.12.24 0
  • 蚂蚁金服:如何训练可自动调整负样本采样器?|NIPS 2019

    一年一度的国际顶级学术会议NeurIPS2019将于12月8日至14日在加拿大温哥华举行。作为人工智能和机器学习领域最顶级的盛会之一,NeurIPS每年都会吸引来自全世界的AI大牛、学者、技术爱好者参会。本文是蚂蚁金服的技术专家对入选论文《使用对抗式动态系统嵌入的深度指数族分布估计》做出的深度解读。

    2019.12.23 0
  • 蚂蚁金服提新概率图模型GLN,正确率提升8.2%,具备可解释性 | NeurIPS 2019

    一年一度的国际顶级学术会议NeurIPS 2019将于12月8日至14日在加拿大温哥华举行。作为人工智能和机器学习领域最顶级的盛会之一,每年都会吸引来自全世界的AI大牛、学者、技术爱好者参会。今天为大家推荐的这篇论文是蚂蚁金服的技术专家对入选论文《Retrosynthesis Prediction with Conditional Graph Logic Network》做出的深度解读。

    2019.12.09 0
  • 如何用Neo4j和Scikit-Learn做机器学习任务?| 附超详细分步教程

    图算法不是一个新兴技术领域,在开源库中已经有很多功能强大的算法实现。近两年,业内的学者与科学家都在积极探索可以弥补深度学习不可解释性,无法进行因果推断的这个缺陷,而图神经网络(GNN)成为备受关注和期待的“宠儿”。随着学界和业界越来越关注GNN,各种新工作不断被提出,基于图神经网络的框架随之产生,如大家现在都已经熟悉的DGL,两大深度学习框架PyTorch和TensorFlow中也开始支持相应的功能,大家对图(Graph)、图计算、图数据库、图机器学习等研究的关注度越发高涨。

    2019.12.04 0
  • 从YARN迁移到k8s,滴滴机器学习平台二次开发是这样做的

    本次演讲从滴滴机器学习平台的特点开始探讨,分享了滴滴机器学习场景下的 k8s 落地实践与二次开发的技术实践与经验,包括平台稳定性、易用性、利用率、平台 k8s 版本升级与二次开发等内容。此外,唐博还介绍了滴滴机器学习平台是如何从 YARN 迁移到 k8s,以及 YARN 的二次开发与 k8s 的对比等。最后,唐博还分享了滴滴机器学习平台正在研发中的功能以及对未来的展望。

    2019.12.02 0
  • 准备面试题就够了吗?这些内容对考核更重要 | ML面试宝典

    首先来看一下这本书的目录,主要包括了绪论、设计一个机器学习系统、案例学习、面试题练习四个板块,共22页。相对于动辄几百页的书籍,这本小册子内容简洁,但针针见血,不浪费每一页的篇幅。教会你如何轻松应对面试中的场景题。

    2019.12.02 0
  • AutoML未来可期,工程师的明天何去何从?

    AutoML正火,工程师究竟要如何学习与掌握这一领域,才能跟上技术发展的脚步,在工程师大军中脱颖而出?AutoML的今天是过度吹捧的结果吗?工程师的明天与AutoML的明天有多大冲突?

    2019.11.21 0
  • 手把手教你实现PySpark机器学习项目——回归算法

    PySpark作为工业界常用于处理大数据以及分布式计算的工具,特别是在算法建模时起到了非常大的作用。PySpark如何建模呢?这篇文章手把手带你入门PySpark,提前感受工业界的建模过程!

    2019.11.15 0
  • ICLR 2020被爆半数审稿人无相关领域经验,同行评审制度在垮塌?

    近日,英伟达机器学习研究负责人 Animashree Anandkumar 在推特上向 ICLR 2020 的同行评议审稿人开炮。她称,每个即将到来的 AI 会议的同行评议质量都在变差。我们的 #ICLR 2020 审稿人的评分有极大的差距(8 分和 1 分),评分较低的审稿人太令人讨厌和痛心了。这就像他们在参加战斗并想要破坏竞争一样。这不健康,还有哪些替代选择吗?

    2019.11.08 0
  • 十年公务员转行IT,自学AI三年,他淬炼出746页机器学习入门笔记

    近期,梁劲传来该笔记重大更新的消息。《机器学习——从入门到放弃》这本笔记的更新没有停止,在基于上一版的基础上丰富了近 200 页计算机视觉领域的知识内容,目前最新版已达 746 页,累计下载近 8 万次。

    2019.11.06 0
  • “Jupyter的杀手”:Netflix发布新开发工具Polynote

    10 月 29 日,Netflix 公开了他们内部开发的 Polynote。现如今,大型高科技公司公开其内部的工具或服务,然后受到业界欢迎并被采用的情况屡见不鲜。Amazon 的 AWS,Facebook 的 React.js 就是其中两个。这些大型高科技公司拥有业内最好的工程师,而且在开发中往往会面临巨大的挑战,这些挑战将催化优秀工具的诞生,Netflix 的 Polynote 就是其中的一员。数据科学或者机器学习行业需要更好的工具来编写代码,进行实验算法和可视化数据,Polynote 就是这些人的福利。

    2019.10.30 0
每页显示 共109条数据 < 1 2 3 4 5 6 >      到第 GO