新旧十年交替之际，2020年涌现出的无代码人工智能平台数量激增，越来越多的企业希望利用人工智能的力量来构建更智能的软件产品。但对于很多人来说，实现这一愿望困难重重。对于初创公司而言，寻找具有相关机器学习专业知识的人才是一项挑战。对于移动应用程序开发人员来说

当一个类的观察值高于其他类的观察值时，则存在类失衡。类不平衡是机器学习中的常见问题，尤其是在分类问题中。不平衡数据可能会长时间妨碍我们的模型准确性。当每个类别中的样本数量大致相等时，大多数机器学习算法效果最佳。欺诈交易相对罕见，只有6%的交易是欺诈行为。不

近年来，由于对技术的高需求和进步，机器学习的普及已大大增加。机器学习可以从数据中创造价值的潜力使其吸引了许多不同行业的企业。大多数机器学习产品都是使用现成的机器学习算法进行设计和实现的，并且需要进行一些调整和细微更改。然后，使用该模型使用特征预测新观测的标

机器学习中的“算法”是什么？机器学习中的“算法”是在数据上运行以创建机器学习“模型”的过程。机器学习算法执行“模式识别”。算法从数据中“学习”，或者对数据集进行“拟合”。比如，我们有分类的算法，如 K- 近邻算法；回归的算法，如线性回归；聚类的算法，如 K

数据科学的发展日新月异，机器学习的角色正从数据科学的混合角色过渡到更多的工程或面向分析的角色，主要是以下的因素促成了这种变化：。机器学习模型更多地被应用到生产系统中，需要数据科学家具有比以前更深入的技术技能。商业产品和用户行为的变化步伐加快，对自动化的需求

通过使用机器学习，结合从工业物联网设备收集的数据，可以改进流程、降低成本并提高效率。预测性维护应用数据和模型来预测设备或资产何时发生故障。这种方法可以通过预测故障，来帮助公司主动解决可能导致代价高昂的停机或中断情况。一旦机器发生故障，与事先知道并避免该问题

智能辅导系统已经显示出可以有效地帮助教授某些学科，例如代数或语法，但是创建这些计算机化的系统既困难又费力。现在，卡内基梅隆大学的研究人员已经表明，实际上可以通过教计算机进行教学来快速构建它们。人机交互和心理学教授Koedinger说，对于开发基于AI的辅导

当今，机器学习模型已经成为商业决策的主要驱动因素，和其他商业策略一样，这些机器学习模型需要随着时间的推移而进行修改，其背后的技术原因是“模型漂移”。虽然大多数课程、文章和帖子都描述了机器学习生命周期，但是它们往往忘记了机器学习生命周期中一个非常重要的特性，

人工智能会产生意识吗？这是一直以来美剧《西部世界》中探讨的问题。AI主人公觉醒，意识到这个世界是人类杀伐主宰的乐园，于是开启了逆袭之路。在本周举行的2020年ICLR上，图灵奖得主、蒙特利尔学习算法研究所主任Yoshua Bengio对AI和机器学习的未来

机器学习一直是热门话题，它确实有理由如此重要，它能帮助人们预测未来的行为，使电子邮件免受垃圾邮件的干扰，并根据喜好记忆作出电影推荐。机器学习有无尽可能性，该领域薪资高，工作者在工作上能享受到极大乐趣，这让他们大多数时候感觉不像工作。然而，零经验者如何在合理

为了让机器学习为用户带来真正的价值，我们需要将其部署到生产系统中。人工智能销售软件开发公司 Toucan AI 的 ML 工程师 Marifel 介绍了他们在打造生成级机器学习时所考虑的一些问题，希望这些经验能为你的工作带来帮助。这些年，随着数据和计算技术

自从股市诞生，人们就一直在与这套系统博弈，并试图战胜市场。多年来，人们尝试了数千项理论和实验，但没有一项能够长久地在股票市场奏效。这些理论考虑了许多因素，如公司基本面信息、环境、供求关系、投资者心理等。有些人认为，机器学习正寄予人们希望，它的强大功能将能一

当你在现实世界中工作时，有几个事实是你必须面对的，这也是本文的主要内容。这篇文章主要是写给那些使用机器学习来构造东西的人，而不是那些研究机器学习的人，尽管后一组人会很好地倾听这些真理并反省他们的工作。一些科学家会学习如何制定研究计划。科学家力图了解大自然的

人工智能和机器学习现在很容易采用，并且人们也知道可以使现在执行的许多重复性任务和过程实现自动化。在人工智能技术的帮助下，销售经理还可以关注利润以产生更好的结果。无数的新方法和软件工具证明了这一点。根据Gartner公司的调查，42%的客户关系管理软件未使用

人工智能的引入将为制造行业带来巨大的经济效益。对此，不同的调研机构给出了相关的数据参考：。IDC数据显示，到2021年，20%的领先制造企业将通过嵌入式智能、人工智能、物联网和区块链等技术实现流程自动化，并将执行时间缩短25%. 麦肯锡指出，那些将在未来五

机器学习算法被认为能够通过学习数据来弄清楚如何执行重要任务。然而，开发成功的机器学习应用程序需要一定的“民间技巧”，这在教科书或机器学习入门课程中很难找到。Pedro Domingos教授的一篇很好的研究论文，该论文汇集了机器学习研究人员和从业者的经验教训

大多数机器学习任务——从自然语言处理、图像分类到翻译以及大量其他任务，都依赖于无梯度优化来调整模型中的参数和/或超参数。Nevergrad 提供了许多不依赖梯度计算的优化算法，并将其呈现在标准的问答 Python 框架中。此外，Nevergrad 还包括了

不久前，人们认为人工智能可能需要科学家穿上白大褂在实验室进行研究。这种科学是神秘的、复杂的，而且很少有人类的智能可以探索的东西。而现在这种情况已经改变了。工作在实验室的科学家们认识到将软件即服务进行分发的能力，他们将代码捆绑在一起，并将其转换为任何人都可以

通过这些最佳教程的汇总，我可以快速的找到我想要得到的教程。当你尝试学习特定的主题或想要获得不同的观点时，教程可能是非常有帮助的。我将这篇文章分为四个部分：机器学习，NLP，Python和数学。我在每个部分都包含了一些主题，但由于机器学习是一个非常复杂的学科

特征工程技能是为机器学习优化的数据特征，它与数据科学本身一样历史悠久。但我注意到，这一技能正变得越来越被忽视。对机器学习的高需求产生了大量的数据科学家，他们在工具和算法方面拥有专业知识，但缺乏特性工程所需的经验和特定行业的领域知识。他们试图用更好的工具和算