人们如今正处在数字化转型时代，只有一个不变的因素——进化。而组织采用的高科技解决方案正在引入数字化转型。因此，毫不奇怪的是，技术进步已完全取代了平凡的业务。因此，人们需要了解无监督机器学习在各行业中的广泛应用。如果用户标记了可以作为示例的训练数据，人们将其

人工智能的一个趋势是正快速从“云端”走向“边缘”。TinyML 是在海量的物联网设备端微控制器上实现的人工智能，有望在未来几年内，成为人工智能在工业领域的重要新应用。边缘设备往往计算资源和电量受限，对功耗极为敏感。本文是 TinyML 系列文章中的第一篇，

机器学习是一门理论性和实战性都比较强的技术学科。在应聘机器学习相关工作岗位时，我们常常会遇到各种各样的机器学习问题和知识点。算法理论基础不仅包含基本概念、数学基础，也包含了机器学习、深度学习相关。今天给大家推荐一个不错的算法理论基础面试题汇总资源，已开源~

那天我不停地拉直领带，努力回忆起学过的所有东西，怀疑自己是否足够胜任工作。察觉到我的焦虑，老板微笑着说：。迟暮的女王已经退场,取而代之的是名字时髦、活力满满的新女王XGBoost。XGBoost是基于决策树的集成机器学习算法，使用了梯度提升框架。然而，当涉

因为机器学习研究的放缓，以及大家对产业化的需求。近来大家对MLOps的关注越来越高，特别是其中涉及到的各种各样的工具。在这篇文章中，Chip小哥统计了两百多个机器学习相关工具，并且对整个该领域的发展和现状进行了回顾，同时列出机器学习开发的难点特别是和传统软

随着技术和生态的不断演进、应用场景的不断探索，机器学习已然不再仅仅停留在实验室当中。无论是日新月异的互联网应用，还是求新求变的企业转型，机器学习都得到了广泛的应用，逐步成为驱动业务的关键技术。今天，我们就对 AWS 的部分优秀机器学习工具做一个整理，分享给

支持向量机是监督机器学习模型，可对数据进行分类分析。实际上，支持向量机算法是寻找能将实例进行分离的优秀超平面的过程。如果数据像上面那样是线性可分离的，那么我们用一个线性分类器就能将两个类分开。正如我们所看到的，即使来自不同类的数据点是可分离的，我们也不能简

机器学习是一项令人惊叹的技术，而发挥其潜能的关键在于，你得掌握正确的使用方法。精通机器学习工具有利于处理数据、训练模型、发现新方法以及创建自己的算法。如今，大量的机器学习工具、平台和软件不断涌现。Accord.net是一个计算机器学习框架，配有图像和音频包

通过这5个具有挑战性的开源机器学习项目，正确地开始2020年的学习吧！这些机器学习项目涵盖了广泛的领域，包括Python编程和NLP。越来越多的人正在寻找一种过渡到数据科学的方法。无论是应届大学毕业生，还是该行业相对较新的参与者，还是中级专业人员，还是只是

将 Bishop 大神的 PRML 称为机器学习圣经一点也不为过，该书系统地介绍了模式识别和机器学习领域内详细的概念与基础。书中有对概率论基础知识的介绍，也有高阶的线性代数和多元微积分的内容，适合高校的研究生以及人工智能相关的从业人员学习。知乎上关于这个关

Python是机器学习项目中流行的语言，这点是毋庸置疑的。虽然像R语言、C++和Julia这样的程序语言有其特有的使用群体与用例，使它们经久不衰，但Python仍是使用广泛的语言，并用于每个主要的机器学习框架中。然而，你能想象?在Cortex代码库中，87

随着数据和计算能力的崛起，“机器学习”和“深度学习”这两个术语已经热议了好几年。虽然追随ML的潮流似乎很酷，但公司的第一步是评估业务是否真的能从中受益 —— 这是一个独立的职位。既然你的公司已经决定ML是一个必要的下一步，那么作为一个ML工程师，现在是时

2019年是数据、分析、机器学习和人工智能市场持续发展的一年。一些大企业进行了大量兼并整合，其中包括Salesforce公司收购Tableau公司、谷歌公司收购Looker公司、Qlik公司收购Attunity等。与此同时，分析机构Gartner公司表示，

数据科学领域新的功能不断发展，并渗透到每个行业。随着全球各组织开始数字化转型，2019年出现了更多公司利用数据做出更好决策的趋势。这里我们看一下预计在2020年会起飞的数据科学新趋势。使用数据科学，组织不再需要根据预感、猜测或小型调查做出重要决策。根据Go

统计学和机器学习是两个密切相关的领域。实际上，两者之间的界限有时可能非常模糊。可以公平地说，需要统计方法才能有效地通过机器学习预测建模项目工作。因此许多统计学家将机器学习称为“ 应用统计学 ”或“ 统计学习 ”，而不是以计算机科学为中心的名称。所有的机器学

通过本篇文章可以对ML的常用算法有个常识性的认识，没有代码，没有复杂的理论推导，就是图解一下，知道这些算法是什么，它们是怎么应用的，例子主要是分类问题。每个算法都看了好几个视频，挑出讲的最清晰明了有趣的，便于科普。以后有时间再对单个算法做深入地解析。根据一

准备好在机器学习之路上再迈出一大步了吗?使用试验性数据集、流行的数据科学库和框架是个好的开始，但如果想在竞争中脱颖而出，必须有所突破，使自己与众不同。最佳途径就是运用数据科学领域最新技术完成项目。如果希望在自然语言处理方面有所建树，那就学习Transfor

对想要学习机器学习的人来说，信息太多也是一种困扰，开放的课程、书籍、框架、开源代码那么多，每套资料都有自己的好处，有人说这个课程好，有人说那个框架***用。一位名叫Giacomo Ciarlini的意大利小哥就发现了个这问题，为了帮老板带新人，他把机器学习

在本文中，我们将讨论 Python 中的一些优选库，开发人员可以使用这些库来解析、清理和表示数据，并在现有应用中实现机器学习。Python 是目前流行，使用广泛的编程语言之一，已经取代了业界许多编程语言。因此，我即将介绍的第一个库是 TensorFlow。

机器学习、大数据以及自动化正在彻底改变全球工业体系，能源行业自然也不例外。各类创新成果推动着技术进步、带来了经济效率的提升、创造着智能化程度更高的业务运营模式，同时为基础设施提供了更强的弹性水平。正因为如此，世界各地的企业与机构才积极将先进技术——特别是人