• 相关博文
  • 最新资讯
加载中...
  • 新框架ES-MAML:基于进化策略、简易的元学习方法

    现有的MAML算法都是基于策略梯度的,在试图利用随机策略的反向传播估计二阶导数时遇到了很大的困难。本文为大家介绍一个新框架ES-MAML,这是一个基于进化策略,解决与模型无关的元学习(model agnostic meta learning,MAML)问题的新框架。

    2019.10.25 0
  • 从0到1,Airbnb的深度学习实践经验总结

    本文要讨论的机器学习现实应用,是关于根据用户预约的可能性来预订客房的模型。当用户在Airbnb网站上搜索的时候,这样的模型有助于搜索排名。新模型是通过A/B测试框架来进行在线测试,并将其性能与前几个版本进行比较。

    2019.10.22 0
  • 如何准备算法工程师面试,斩获一线互联网公司机器学习岗offer?

    本文将分三个部分:1.机器学习算法工程师的能力结构;2.算法工程师面试中的一些不确定性因素和解决办法;3.准备算法工程师面试的十条建议。

    2019.10.22 0
  • Facebook开源模型可解释库Captum,这次改模型有依据了

    前脚 TF 2.0 刚发布,在 PyTorch 开发者大会首日也携 PyTorch1.3 版本而来。除此之外,还发布了隐私保护机器学习框架 CrypTen、模型可解释库 Captum 和下一代目标检测/目标分割研究平台 Detectron2。这篇文章介绍的是Facebook 在深度学习的可解释性问题上发布的新成果——Captum。

    2019.10.14 0
  • 你当年没玩好的《愤怒的小鸟》,AI现在也犯难了

    2012年,首次举办了《愤怒的小鸟》 AI 大赛,随之出现了很多款游戏代理。在这里介绍两款比较优秀的代理,第一个是由来自捷克技术大学的队伍所开发的 Datalab Birds 2014,该游戏代理至今保持着第三名的位置。就像他们在论文中描述的,他们的主要思想是基于当前环境、可能的弹射轨迹和鸟的类型来制定最佳策略。第二个是由滑铁卢大学和 Zazzle 在 2017 《愤怒的小鸟》AI 大赛中共同开发的 Eagles Wings 智能玩家,他们的代理目前排在第 16 位。据称,该游戏代理基于人工调试过的结构分析,即在多个策略中做选择,开发了一项简单的多策略能力。他们使用了机器学习算法 xgboost 学习决策制定能力。

    2019.10.11 0
  • 分析Booking的150种机器学习模型,我总结了六条成功经验

    本文是一篇有趣的论文(150 successful machine learning models: 6 lessons learned at Booking.com Bernadi et al., KDD’19),通过分析 Booking.com 上 150 个成功的面向客户的机器学习应用程序的集成,该论文对其中的经验教训进行了精彩的总结

    2019.10.10
  • 练手扎实基本功必备:非结构文本特征提取方法

    在本文中,我们将研究如何处理文本数据,这无疑是最丰富的非结构化数据来源之一。文本数据通常由文档组成,文档可以表示单词、句子甚至是文本的段落。文本数据固有的非结构化(没有格式整齐的数据列)和嘈杂的特性使得机器学习方法更难直接处理原始文本数据。因此,在本文中,我们将采用动手实践的方法,探索从文本数据中提取有意义的特征的一些最流行和有效的策略。这些特征可以很容易地用于构建机器学习或深度学习模型。

    2019.09.26 0
  • 掌握这些步骤,机器学习模型问题药到病除

    这篇文章提供了切实可行的步骤来识别和修复机器学习模型的训练、泛化和优化问题。

    2019.09.20 0
  • 5大必知的图算法,附Python代码实现

    作为数据科学家,我们已经对 Pandas 或 SQL 等其他关系数据库非常熟悉了。我们习惯于将行中的用户视为列。但现实世界的表现真的如此吗?在互联世界中,用户不能被视为独立实体。他们之间具有一定的关系,在构建机器学习模型时,有时也希望包含这样的关系。在关系型数据库中,我们无法在不同的行(用户)之间使用这种关系,但在图形数据库中,这样做是相当简单的。在这篇文章中将为大家介绍一些重要的图算法,以及Python 的代码实现。

    2019.09.11 0
  • 掌握深度学习,为什么要用PyTorch、TensorFlow框架?

    并非每个回归或分类问题都需要通过深度学习来解决。甚至可以说,并非每个回归或分类问题都需要通过机器学习来解决。毕竟,许多数据集可以用解析方法或简单的统计过程进行建模。另一方面,在某些情况下,深度学习或深度迁移学习可以帮助你训练更准确的模型。在这些情况下,你可以考虑使用 PyTorch 和 TensorFlow ,特别是如果你所需的训练模型与其中一个框架模型库中的模型类似。

    2019.09.05 0
  • Dropout、梯度消失/爆炸、Adam优化算法,神经网络优化算法看这一篇就够了

    对于机器学习模型在训练数据集和测试数据集上的表现。如果你改变过实验中的模型结构或者超参数,你也许发现了:当模型在训练数据集上更准确时,它在测试数据集上却不⼀定更准确。这是为什么呢?

    2019.09.02 0
  • 字节跳动李航:自学机器学习,研究AI三十载,他说AI发展或进入平缓期

    从事 AI 研究 30 多年,目前李航作为字节跳动人工智能实验室总监,负责领导AI 技术基础研究和产品落地,主要集中在搜索、推荐、对话、问答、教育几个领域。目前,李航投入主要的精力在产品研发上,但仍有一些精力放在基础研究上。

    2019.08.26 0
  • 吃瓜腾讯平均月薪7.27万后,微信又出大招

    除了打通PC端,微信不断升级 AI 能力来加持小程序上也不遗余力:今年 7 月,微信小程序宣布支持AR,瞬间引起小程序开发者的关注。这背后是基于 TensorFlow.js 的 PoseNet 模型。原本小程序开发者想在小程序支持机器学习技术的话,需要结合服务器端开发,这将会耗费小程序开发者巨大的人力成本和时间。

    2019.08.22 0
  • 26个AI学习资源送给你!

    免费的在线学习课程一直是大多数人学习 AI 知识和技能的方式之一。今天,基于 Github 上一位小姐姐 Chip Huyen 分享的 10 门机器学习课程,AI科技大本营将这份收藏大礼包进行了豪华版升级,容量是原来的 2.5 倍,更重要的是,我们还收集了国内的中文优质课程,相信大家一定会喜欢。

    2019.08.08
  • 技术新贵:RPA与NLP技术的结合与应用

    RPA 可以替我们工作吗?究竟什么是 RPA?RPA 存在的意义在哪里?RPA 带给开发者的机会又有哪些?

    2019.08.08 0
  • BERT的成功是否依赖于虚假相关的统计线索?

    本文介绍论文Probing Neural Network Comprehension of Natural Language Arguments,讨论BERT在ACRT任务下的成绩是否依赖虚假的统计线索,同时分享一些个人对目前机器学习尤其是自然语言理解的看法。

  • 新一届最强预训练模型上榜,出于BERT而胜于BERT

    预训练方法设计有不同的训练目标,包括语言建模、机器翻译以及遮蔽语言建模等。最近发表的许多论文都使用了微调模型,并预先训练了一些遮蔽语言模型的变体。然而,还有一些较新的方法是通过对多任务微调提高性能,结合实体嵌入,跨度预测和自回归预训练的多种变体。它们通常在更大数据上训练更大的模型来提高性能。本文的目标是通过复制、简化和更好地微调训练BERT,以作为更好理解上述方法的相对性能的参考值。 

    2019.08.05 0
  • GitHub Star数最高的5大机器学习项目,你都了解吗?

    机器学习正在飞速发展,不少高质量的机器学习项目都发布在 Github 上,本文列举了 Github 上获赞最高的 5 个机器学习项目,相信会让大家有所收获。

    2019.08.01 0
  • 数十篇推荐系统论文被批无法复现:源码、数据集均缺失,性能难达预期

    来自意大利米兰理工大学的 Maurizio 团队近日发表了一篇极具批判性的文章,剑指推荐系统领域的其他数十篇论文,指出这些论文中基于深度学习的推荐算法大部分都存在不同程度的数据集缺失和源码缺失,导致它们无法复现,而那些可复现的算法,其性能也难以达到预期,甚至难以超越基于传统的、简单的机器学习推荐算法。

  • 抢程序员饭碗?自动写代码的Deep TabNine真如此神奇?

    在过去的一年中,AI 生成书面文字的能力大大提高。通过扫描庞大的文本数据集,机器学习软件可以生成从短篇小说到歌词的各种令人信服的样本。现在,一个名为 Deep TabNine 的新程序,可以将相同的技术应用于编码世界。这个程序一经F推出便好评如潮,大有抢了程序员饭碗的架势。这个程序是否真有这么好用?我们来一探究竟。

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