本文将主要介绍针对用户反馈的文本情报，如何利用机器学习的方法来提高大量用户数据的处理效率、尽可能实现自动化的解题思路。

随着技术的快速发展，在数据科学领域中，包括库、工具和算法等总会不断地变化的。然而，一直都有这么一个趋势，那就是自动化水平不断地提高。近些年来，在模型的自动化选择和超参数调整方面取得了一些进展，但是机器学习中最重要的领域 — 特征工程，却被严重地忽视了。在本

介绍现如今在谈论数据的价值的时候，经常提到的概念之一就是深度学习，或者更广泛的说是人工智能。深度学习系统通常通过大规模的数据集和神经网络算法来训练和完善应用模型，这就需要强大的计算集群，高性能可扩展的存储系统来实现。人工智能指由人制造出来的机器所表现出来的

主流的推荐系统算法大致分为两类：基于用户历史数据的协同过滤算法和基于内容数据的过滤算法。协同过滤算法的准确性依赖于用户对产品的历史评分，但并非所有的用户都会持续不断的对产品进行评价，有一些用户甚至未曾评价过任何产品。相比协同过滤算法，基于内容的推荐减少了推

几个月前，我在Coursera上完成Andrew Ng机器学习的MOOC教学。我一直想知道这门课如果用Python的话该有多么神奇，最终我决定重做一遍，这次用Python来完成。在这一系列的博文中，我打算用Python编写程序。第一列表示城市的人口，第二列

EdgVerve推出了基于AI的业务应用平台的新一代集成人工智能平台-Infosys Nia使你的企业能够管理特定的业务领域，并使其从确定性的方法转向认知的方法。由于机器学习的内在特性，设计者必须面对以友好的和可理解的方式呈现不同类型的数据问题。当给这种类

在多数企业中，体现客户与产品间联系的数据就占到总数据量的80%。对于企业来说，在制定主要策略时，使用文本挖掘客户与产品间的关系至关重要。机器学习技术因其在挖掘文本方面具有良好的适应性而备受研究者的青睐。在本文中，我们将重点介绍基于几种基于词典的文本挖掘方法

谷歌专家给出了答案——PATE框架，就算你不太懂隐私保护的知识，也可以通过PATE框架来保护机器学习里的训练数据。有了数据后，加上合适的算法可以完成很多事情，这些技术均与机器学习、深度学习以及数据科学相关。其中一个重要的贡献是，知道如何训练有监督机器学习模

摘要： 2017年注定是机器学习快速发展的一年，特别是机器学习商业化的成功是的更多的人积极的投入到机器学习的学习当中。机器学习一定会成为未来的技术，让我们看看这项未来的技术现在发展到何种程度。很难相信在人工智能和机器学习领域里这一年发生了那么多的事情，很难

随着人工智能的火热，越来越多朋友想要进入深度学习领域，但是总会遇到一个问题：想要系统的入门，但是身边的资料铺天盖地，不知道该从哪里入手。因此，本文想通过自己的一些学习经历和平时收集的一些资料，为大家提供一个深度学习的炼丹清单，以期望帮助大家对深度学习有一个

NIPS全称为神经信息处理系统大会，是关于机器学习领域的顶级会议，也是令众多学者振奋的学术盛会。该会议固定在每年的12月举行,由NIPS基金会主办。但今年年底举办的NIPS将新增一个议程，NIPS 2017Competition Track，从23个候选提

本月初，谷歌CEO Sundar Pichai在跟开发者分享从他的机器学习实验室得到的结果时，他表现的非常兴奋。因为他们实验室的研究人员，已经找到了自动化生成机器学习软件的方法。并且他们也发现，这个方法很容易就能部署到新的情景和行业内。不过，该项目在AI研

本系列将利用阿里云容器服务的机器学习解决方案，帮助您了解和掌握TensorFlow，MXNet等深度学习库，开启您的深度学习之旅。而在这期间，由于GPU状态不正常导致模型训练中断，甚至影响模型训练结果出现较大偏差的现象也屡见不鲜。本文将介绍如何利用阿里云容

本文是该系列中的第三篇文章， 将为您介绍如何利用阿里云的服务快速搭建TensorFlow从训练到服务的交付平台。随着google开源TensorFlow的脚步越来越迅猛，机器学习已经渐渐由昔日王谢堂前燕，飞入寻常百姓家。如何把机器学习的成果，迅速转化成服务

最近比较热门的PyTorch是使用GPU和CPU优化的深度学习框架。Theano、TensorFlow、Torch、MXNet再到近日比较热门的PyTorch等等，深度学习框架之间的比较一直以来都是非常受人关注的热点话题。2017年初Facebook在机器

感谢大家关注玩转数据系列文章，我们希望通过在阿里云机器学习平台上提供demo数据并搭建相关的实验流程的方式来帮助大家学习如何通过算法来挖掘数据中的价值。本系列文章包含详细的实验流程以及相关的文档教程，欢迎大家进入阿里云数加机器学习平台体验。实验案例请在新建

近日，数据科学网站KDnuggets发布 2018年数据科学和机器学习工具调查结果。下面一起来看看调查结果。*为了更有效的比较，KDnuggets重新计算了2016年，2017年问卷调查结果，排除了受访者“单一”的选项。到2017年，Python已经拥有超

卷积神经网络是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层和池层。对输入数据应用若干过滤器，一个输入参数被用来做很多类型的提取。训练数据：60000*784，训练标签：60000*10 测试数

这本书是Andriy Burkov所著，其是Gartner的机器学习团队负责人。这本书短小精悍，只有一百页左右，包含大量自 20 世纪 60 年代以来具有重要实用价值的机器学习材料。它既适用于初学者，也适用于有经验的从业者。本书建立在“先阅读，后买”的原则

看了上一篇内容之后，相信对K近邻算法有了一个清晰的认识，今天的内容――手写数字识别是对上一篇内容的延续，这里也是为了自己能更熟练的掌握k-NN算法。我们有大约2000个训练样本和1000个左右测试样本，训练样本所在的文件夹是trainingDigits，测