小芯的朋友曾在Apple Store工作，但他想换一种生活，于是开始学习自己平时提供服务的这项技术——机器学习和人工智能。每周，Google或Facebook似乎都会推出一种新的人工智能服务以更好地提升用户体验。尽管人工智能行业已经发展得热火朝天，但目前人

如果在网上搜索数据科学入门级工作相关信息，你会为其高要求而感到绝望——几乎每一份工作都要求博士学位或者3年以上机器学习经验。但这个方法的缺点在于薪酬不高，且不涉及机器学习。你需要提出问题，通过机器学习来进行试验并得出结论。你需要将你的兴趣延伸至机器学习之外

Bagging和Boosting都是将已有的分类或回归算法通过一定方式组合起来，形成一个性能更加强大的分类器，更准确的说这是一种分类算法的组装方法。即将弱分类器组装成强分类器的方法。首先介绍Bootstraping，即自助法：它是一种有放回的抽样方法。每轮

受欢迎最大的原因是，作者能以比较浅显的文字，将机器学习所囊括的各类原理讲得清楚透彻。想要初步了解机器学习，并愿意接触相关概念的非技术人员;如果你想在3个小时内快速了解机器学习的概念，也不知道上哪里找价值高的指导性文章，建议您阅读该作者系列文章。Part1：

例如，一个由Cryptolocker创建的DGA生成域xeogrhxquuubt.com，如果我们的进程尝试其它建立连接，那么我们的机器就可能感染Cryptolocker勒索病毒。域名黑名单通常用于检测和阻断这些域的连接，但对于不断更新的DGA算法并不奏效

机器学习的常用方法中，我们知道一般分为监督学习和非监督学习。买房的时候，给了房屋面积以及其对应的价格，进行分析，这个就叫做监督学习；但是给了面积，没有给价格，就叫做非监督学习。监督，意味着给了一个标准作为“监督”。

曾经，数据标注员总是被称为“最后一批被AI替代的人”。开发机器学习应用程序的最大瓶颈之一，是对培训现代机器学习模型的大型标记数据集的海量需求。即使是头部的AI创业公司，最关键的一环依然是从数据标注员开始的。目前手工标记的培训集即昂贵又耗时，而数据的组装、清

在本教程中，我们将介绍一个简单的方法来获取Keras模型并将其部署为REST API。本文所介绍的示例将作为你构建自己的深度学习API的模板/起点——你可以扩展代码，根据API端点的可伸缩性和稳定性对其进行定制。在本教程结束时，你将能很好地理解创建Kera

早晚有一天，你会步入职场。提前了解一些信息，有助于你更有的放矢的完善自身技能哦。大数据增强了机器学习工具的能力，商业领袖和运营商对数据质量和数据治理的关注日益增加。今天的业务操作员逐渐认识到，除非企业具有可靠的数据策略，以确保数据安全、数据质量、数据管理和

在《bagging集成和stacking集成》中，我们曾经发现了无论是随机森林还是Extremely Randomized Trees，随着基学习器的增加，泛化误差都会趋于稳定。首先我们使用Adaboost适应IRIS数据，以决策树作为基学习器，我们在上一

大家周末好呀，又见面了。这周我们来说说如何进行特征选择的问题。一个典型的机器学习任务，是通过样本的特征来预测样本所对应的值。事实上，如果我们的样本数少于特征数，那么过拟合就不可避免。而现实中的情况，往往是特征太多了，需要减少一些特征。首先是“无关特征”。比

杨强博士长期服务于促进数据挖掘和人工智能领域的发展，并为此作出了杰出的贡献。他曾担任ACM KDD 2010 会议的程序委员会联合主席，并于2012年在北京举办的ACM KDD 担任会议主席的职位。他还在2015年由阿根廷举办的2015 IJCAI中担任程

本文介绍机器学习中的Logistic回归算法，我们使用这个算法来给数据进行分类。Logistic回归算法同样是需要通过样本空间学习的监督学习算法，并且适用于数值型和标称型数据，例如，我们需要根据输入数据的特征值（数值型）的大小来判断数据是某种分类或者不是某

你好，%用户名%！我叫Alex，我在机器学习和网络图分析有所涉猎。我同时在为一家俄罗斯移动运营商开发大数据产品。现在，很多人想开发高效的算法以及参加机器学习的竞赛。前提是读者已经有很好的数学和机器学习方面的知识。这篇文章是对数据科学的简介，这门学科最近太火