1 天前 / xF0rk
作者：Matthew Mayo 翻译：张玲 校对：李洁 本文约2200字，建议阅读10分钟。 本文总结了四种机器学习主流定义，分别从学习的优化过程、计算力、相似性和算法，研究了先驱者们和著名研究员们对机器学习本质的理解。 这是一篇不是十分正式的文章，旨在探讨机器学习的本质。毫无疑问，过去你已经读过许多关于机器学习的深度或半深度的文章，并探索了它与众多其他主题的关系。当讨论这样复杂的概念，最好从最初的一些共同参考资料开始。可问题是，对于机器学习这样的主题，存在着无数这样的参考资料。 所以我想，为什么不深入研究下这......
1 天前 / kbsc13
2019 年第 30 篇，总 54 篇文章 本文字数很多，建议慢慢跟着练习！ 原文链接：https://www.pyimagesearch.com/2019/01/14/machine-learning-in-python/ 作者：Adrian Rosebrock 这是一篇手把手教你使用 Python 实现机器学习算法，并在数值型数据和图像数据集上运行模型的入门教程，当你看完本文后，你应当可以开始你的机器学习之旅了！ 本教程会采用下述两个库来实现机器学习算法： scikit-learn Keras 此外，你还将学习到： 评估你的问题 准备数据(原始数据、特征提取、特征工程等等) 检查各种机器学习算法 检验实验结果 深入了......
2 天前 / 浮夸如絮
是一种最简单形式的前馈神经网络 感知机模型的参数从输入层向输出层单向传播，整个网络中无反馈。感知机是最简单形式是因为只包含一层传播。 是一种二元线性分类器 感知机的输出结果只有+1 和–1二值，所以说感知机是一个二元分类器； 在二维空间中，感知机的模型就是一条直线，将平面中的正负样本点分离成两份，在三维中，感知机的模型就是一个平面，将空间中的正负样本点分离成两份，放到更高维的空间中，感知机的模型就是一个超平面； 这也就是说，如果在二维空间中，不存在直线刚好将正负样本点分离成两份，在三维空间中，不存在平面将空......
3 天前 / kbsc13
2019 年第 29 篇，总 53 篇文章 本文大约 9700字，建议收藏阅读 机器学习入门系列（2）--如何构建一个完整的机器学习项目， 第十一篇！ 该系列的前 10 篇文章： 机器学习入门系列(2)--如何构建一个完整的机器学习项目(一) 机器学习数据集的获取和测试集的构建方法 特征工程之数据预处理（上） 特征工程之数据预处理（下） 特征工程之特征缩放&特征编码 特征工程(完) 常用机器学习算法汇总比较(上） 常用机器学习算法汇总比较(中） 常用机器学习算法汇总比较(完） 简单聊聊模型的性能评估标准 上一篇文章介绍了性能评估标准，但如何......
3 天前 / 恒生技术君
自然语言处理（NLP，Natural Language Processing）是人工智能领域中的一个重要方向，主要研究人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理的底层任务由易到难大致可以分为词法分析、句法分析和语义分析。分词是词法分析（还包括词性标注和命名实体识别）中最基本的任务，也是众多NLP算法中必不可少的第一步，其切分准确与否往往与整体结果息息相关。 金融领域分词的难点 分词既简单又复杂。简单是因为分词的算法研究已经很成熟了，大部分的算法（如HMM分词、CRF分词）准确率都可以达到95%以上；复杂则是......
3 天前 / 刘奇1993
有些小伙伴在实际使用中发现xgboost可以自动处理缺失值，而有些模型不可以。我想先从两个角度解答这个困惑： 工具包自动处理数据缺失不代表具体的算法可以处理缺失项对于有缺失的数据：以决策树为原型的模型优于依赖距离度量的模型回答中也会介绍树模型，如随机森林(Random Forest)和xgboost如何处理缺失值。文章最后总结了在有缺失值时选择模型的小建议。 1. 机器学习工具库开发的“哲学”首先你有这个困惑是因为你直接调用了工具库，比如Python的sklearn和xgboost等，所以你认为算法A可以自动处理缺失值而B不可以。 但真实情况是…开发者在封......
6 天前 / spearhead_cai
2019 年第 28 篇，总 52 篇文章 本文大约 9700字，建议收藏阅读！ 机器学习入门系列（2）--如何构建一个完整的机器学习项目， 第十篇！ 该系列的前 9 篇文章： 机器学习入门系列(2)--如何构建一个完整的机器学习项目(一) 机器学习数据集的获取和测试集的构建方法 特征工程之数据预处理（上） 特征工程之数据预处理（下） 特征工程之特征缩放&特征编码 特征工程(完) 常用机器学习算法汇总比较(上） 常用机器学习算法汇总比较(中） 常用机器学习算法汇总比较(完） 这个系列的文章也是要开始进入尾声了，最后就主要是模型评估部分的内容......
6 天前 / algorithmdog
本文已投中心公众号。特征工程是机器学习成败的关键一步，其意义一点都不比模型低。宏观层面来说，模型水平决定了机器学习的上限，特征工程水平决定了能接近上限多少。而对于具体问题层面，特征工程水平决定了机器学习在这个问题上的上限，模型决定了能接近上限多少。 但是特征工程和模型并不是泾渭分明。比如，那些年间工业界风起云涌了那么多 Learning to Rank 的模型，最终都变成了特征。另外一方面，那些年间工业界那么多下里巴人的特征工程技巧，被模型吞噬，变成阳春白雪模型的一部分。今天我们只聊一聊特征工程到模型的转化。 ......
7 天前 / 美团技术团队
总第343篇 2019年 第21篇 美美导读：对于用户来说，大众点评最重要的价值是提供丰富多元化的信息，其中信息流的价值日益凸显。本文主要介绍大众点评信息流内容团队利用文本生成技术在创意优化方向上的一些思考和实践。 1. 引言信息流是目前大众点评除搜索之外的第二大用户获取信息的入口，以优质内容来辅助用户消费决策并引导发现品质生活。整个大众点评信息流（下文简称点评信息流）围绕个性化推荐去连接用户和信息，把更好的内容推荐给需要的用户。信息流推荐系统涉及内容挖掘、召回、精排、重排、创意等多层机制和排序。本文主要......
8 天前 / Thinkgamer
“在之前的文章中介绍了基于Logistic Regression实现Mnist数据集的多分类（文末有链接），本篇文章主要介绍基于TensorFlow实现Mnist数据集的多分类。 ” 一个典型的神经网络训练图如下所示： 只不过在Mnist数据集是十分类的，起输出由y1和y2换成y1，....，y10。本文实现的神经网络如下所示： 这是使用的是两层的神经网络，第一层神经元个数是256，第二层为128，最终输出的是10个类别。对应的神经网络结果如下图所示： 接着我们创建一个MutilClass类，并初始化相关参数用来实现基于神经网络的多分类函数。 import tensorflow as tf fro......
8 天前 / gongyouliu
写在前面在所有的机器学习算法中，集成学习算是最“励志”的典型了，因为它是把一系列的很简单的模型集成起来，最终组成强大的模型。 也就是说，纵然不是天才，而是普通如我们，也有机会去取得卓越的成就。本文将会对集成学习进行详细介绍，并探讨其将学习器由弱变强的原理。 以下的正文会从介绍弱学习器的概念开始，然后针对集成学习的三种策略bagging、boosting和stacking，分别介绍其原理，并各自举例说明，最后对三者进行比较总结。 正文： Part 0弱学习器 学习器是一个机器学习领域的概念，可以理解为......
9 天前 / figo
文章作者：王喆Hulu Senior Research SDE 内容来源：王喆的机器学习笔记@知乎专栏 出品社区：DataFun 注：欢迎后台留言投稿「行知」专栏文章。 今天我们重读一篇经典的CTR预估领域的论文，Facebook在2014发表的“Practical Lessons from Predicting Clicks on Ads at Facebook”（下载地址见文末）。 在这篇文章中，Facebook提出了经典的GBDT（Gradient Boosting Decision Trees）+LR(Logistics Regression)的CTR模型结构，可以说开启了特征工程模型化、自动化的新阶段。此外其在五年前就采用的online learning，online data joiner，negati......
10 天前 / hyper0x
本文为 AI 研习社编译的技术博客，原标题 ： Review: SegNet (Semantic Segmentation) 作者 |SH Tsang 翻译 | 斯蒂芬二狗子 校对 | 酱番梨 审核 | 约翰逊 · 李加薪 整理 | 立鱼王 原文链接： https://towardsdatascience.com/review-segnet-semantic-segmentation-e66f2e30fb96 注：本文的相关链接请访问文末二维码 这个图是SegNet演示效果，来源是作者上传到YouTube的一个视频 (https://www.youtube.com/watchv=CxanE_W46ts) 在本文中，我将简要回顾剑桥大学的SegNet。最初它被提交到2015年CVPR，但最后它没有在CVPR上......
14 天前 / 我爱计算机视觉
点击我爱计算机视觉标星，更快获取CVML新技术 本文经机器之心（微信公众号：almosthuman2014）授权转载，禁止二次转载 机器之心专栏 作者：Earhian (乔健), YourVenn (王乙衡) 不久之前，Kaggle座头鲸识别挑战赛结束，Earhian（乔健） YourVenn（王乙衡）、Tom 57、A.L.四位选手组成的团队夺得了第一名。本文主要介绍了冠军团队的解决方案。 图注：Kaggle座头鲸识别挑战赛 leaderboard 为了帮助鲸鱼保护，科学家们使用照片监视系统 (Photo Surveillance Systems) 来监视海洋活动。他们使用鲸鱼尾巴这一独一无二的标记来......