"当前互联网技术早已进入了大数据、人工智能的阶段，各种计算模式，计算引擎层出不穷。同时不仅仅是数据计算，机器学习框架最近几年也是层出不穷：Keras，PyTorch，Caffe2，TensorFlow……可以说每一个计算引擎的兴起，都意味着计算技

Python程序语言与机器学习实践可以称得上是“珠联璧合”。写程序方便对做机器学习的人很重要。因为经常需要对模型进行各种各样的修改，这在编译语言里很可能是牵一发而动全身的事情，Python 里通常可以用很少的时间实现。Python 几乎就是 import

为了实现愿景，我们要处理好LBS大数据和用户之间的智能链接。信息检索是其中的关键技术，而搜索建议又是检索服务不可或缺的组成部分。本文将主要介绍机器学习在高德搜索建议的具体应用，尤其是在模型优化方面进行的一些尝试，这些探索和实践都已历经验证，取得了不错的效果

今天，我们就来分享阿里工程师的实践成果：将深度学习模型的大规模分布式训练框架 PAISoar应用于绿网模型后，绿网模型在128 GPU卡上取得101倍的计算加速比，效果显著。在社区版 Tensorflow 中，分布式训练是基于 Parameter Serv

围绕日志，挖掘其中更大价值，一直是我们团队所关注。在原有日志实时查询基础上，今年SLS在DevOps领域完善了如下功能：。上下文查询实时Tail和智能聚类，以提高问题调查效率提供多种时序数据的异常检测和预测函数，来做更智能的检查和预测数据分析的结果可视化强

2018年对于自然语言处理是很有意义的一年，见证了许多新的研究方向和尖端成果。Elvis Saravia 是计算语言学专家，也是2019 计算语言学会年度大会北美分部的项目委员之一。点击文章中的链接，可获得每一项研究的详细信息、论文或者代码。Young 和

为了调整权重，我们需要设置一个“学习率”。这里选择用0.1表示学习率，也可以用其他值表示学习率，就像阈值的设置一样。对数据集的一次完整遍历称为“epoch”。因为数据集有3行，我们需要3次迭代才能完成1个epoch。与阈值和学习率一样，epoch的数量是一

在最近发表的论文中，Young及其同事汇总了基于深度学习的自然语言处理系统和应用程序的一些最新趋势。本文的重点介绍是对各种NLP任务最新技术结果的回顾和比较。在这篇全面的综述中，你可以详细了解NLP深度学习的过去，现在和未来。此外，你还将学习一些 在NLP

心里能没点啥数吗？其目的是帮助他们批判性地思考该领域的复杂性，并帮助他们区分哪些是真正困难的事情，哪些是微不足道的事情。现在我遇到很多想进入机器学习/人工智能领域的人，尤其是深度学习领域。总之，拥有博士的头衔进入深度学习领域，你必须要沉得住气，因为你比其他

它比简单的文本文档具有优势，因为Canvas用简单的部件通过部件之间的相关性来寻找机器学习系统的关键组件。这个工具已经很流行，因为它对复杂项目进行了可视化操作。在本文中，我们通过列举数据科学家遇到的实际问题和实用的技巧来描述Canvas的每个部分。这些是关

本位对脉冲神经网络做了简要叙述。每个对机器学习近期发展有所了解的人，都听过现在用于机器学习的第二代人工神经网络。这使我们在很多领域取得了突破性的进展，但是由于存在生物准确性，它并没有模仿大脑神经元的实际机制。脉冲神经网络使用脉冲，是基于发生在某些时间点的离

根据百度百科的定义：推荐算法是计算机专业中的一种算法，通过一些数学算法，推测出用户可能喜欢的东西，目前应用推荐算法比较好的地方主要是网络中。所谓推荐算法就是利用用户的一些行为，通过一些数学算法，推测出用户可能喜欢的东西。未来的世界里，数据就是上帝，你我都避

经验丰富的团队知道应该在什么时候偿还成堆的债务，但机器学习中的技术债务堆积起来却非常迅速。当机器学习模型的输出间接馈入自己的输入时，就会产生反馈回路。校正级联会降低用机器学习模型直接进行测量的指标与整个系统之间的相关性。它可能对机器学习模型有积极的改善作用

票选最美云上大数据暨大数据技术峰会上，阿里云大数据事业部高级专家九丰为大家带来题为“阿里云机器学习平台编程模型演进之路”的演讲。本文主要从机器阿里云机器学习平台PAI开始谈起，重点分享了PAI分布式机器学习平台的多种编程模型，包括MapReduce、Par

文章最后有免费的Python资料，获取方式，关注头条号，私信回复资料获取下载链接。资料目录在文章底部，欢迎评论转发收藏下载。鉴于特征选择在机器学习过程中的重要性，数据科学家 William Koehrsen 近日在 GitHub 上公布了一个特征选择器 P

今日是谷歌IO消息刷屏。云栖社区也特别挑选了一个最感兴趣的技术翻译出来！其资深工程师Norm Jouppi在博客公布了TPU的细节和全貌，并得到了开发了Map Reduce和Big Table的Google技术大牛Jeff Dean的很高赞扬。5月18日，

从AutoML、机器学习新算法、底层计算、对抗性攻击、模型应用与底层理解，到开源数据集、Tensorflow和TPU，Google Brain 负责人Jeff Dean发长文来总结他们2017年所做的工作。但写了一天，Jeff Dean也没覆盖到Googl

视频加载中...

《Brief History of Machine Learning》介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost 到随机森林、Deep Learning.《Deep Learning in Neu

在过去的一年里，咱们讨论了六个开源机器学习和/或深度学习框架：Caffe，Microsoft Cognitive Toolkit，MXNet，Scikit-learn，Spark MLlib和TensorFlow。如果把网撒得大些，可能还会覆盖其他几个