3 天前 / hyper0x
DBSCAN 属于无监督学习算法，无监督算法的内涵是观察无标签数据集自动发现隐藏结构和层次，在无标签数据中寻找隐藏规律。 聚类模型在数据分析当中的应用：既可以作为一个单独过程，用于寻找数据内在规律，也可以作为分类等其他分析任务的前置探索。 上篇我们讲了基于原型的 k-means 聚类算法，这篇我们来讲通常情况下聚类效果表现更优异的密度聚类 DBSCAN。 什么是 DBSCAN DBSCAN 是一种基于密度的考虑到噪音的空间聚类算法。
5 天前 / MegEngine
from megengine.jit import trace, DTRConfigconfig = DTRConfig(eviction_threshold=8*1024**3)@trace(symbolic=True, dtr_config=config)def train_func(data, label, * , net, optimizer, gm):...更多使用技巧...
10 天前 / 十三少
我们在实施 GJB5000 的时候，不要把眼睛只盯着有多少个过程域 / 实践域，每个 KPA 有多少个专用实践上面，标准的概述 / 总则当中对标准框架、过程域 / 实践域的组成、相互关系等内容对于更好地实施 GJB5000 尤为重要。 其中，关于过程域 / 实践域的组成部件有如下说法： 本标准的模型部件分为必需的部件，期望的部件和解释性的部件三类，其中： a） 必需的部件是组织为满足实践域必需关注的目的以及达到的等级目标； b） 期望的部件是组织为了实现必需的部件推荐实施的实践； c） 解释性的部件是帮助组织理解必需的部件或指导实践实施的资料性说明。
30 天前 / hyper0x
机器之心报道 机器之心编辑部 扩散模型背后的数学可是难倒了一批人。 最近一段时间，AI 作画可谓是火的一塌糊涂。 在你惊叹 AI 绘画能力的同时，可能还不知道的是，扩散模型在其中起了大作用。就拿热门模型 OpenAI 的 DALL·E 2 来说，只需输入简单的文本（prompt），它就可以生成多张 1024*1024 的高清图像。 在 DALL·E 2 公布没多久，谷歌随后发布了 Imagen，这是一个文本到图像的 AI 模型，它能够通过给定的文本描述生成该场景下逼真的图像。
36 天前 / 博文视点Broadview
点击“博文视点 Broadview”，获取更多书讯 深度学习自出现以来，不断改变着人工智能领域的技术发展，推荐系统领域的研究同样也受到了深远的影响。 一方面，研究人员利用深度学习技术提升传统推荐算法的能力；另一方面，研究人员尝试用深度学习的思想来设计新的推荐算法。 基于深度学习的推荐算法研究不仅在学术界百花齐放，目前也受到了工业界的重视和广泛采用。深度学习具有强大的表征学习和函数拟合能力，它能在众多方面改革传统的推荐算法，如协同过滤、特征交互、图表示学习、序列推荐、知识融合及深度强化学习。
43 天前 / bin的技术小屋
从今天开始我们来聊聊 Netty 的那些事儿，我们都知道 Netty 是一个高性能异步事件驱动的网络框架。 它的设计异常优雅简洁，扩展性高，稳定性强。拥有非常详细完整的用户文档。 同时内置了很多非常有用的模块基本上做到了开箱即用，用户只需要编写短短几行代码，就可以快速构建出一个具有高吞吐，低延时，更少的资源消耗，高性能（非必要的内存拷贝最小化）等特征的高并发网络应用程序。 本文我们来探讨下支持 Netty 具有高吞吐，低延时特征的基石 ----netty 的网络 IO 模型。
48 天前 / 路强
of code (and growing) and contains approximately 2,100 unique Go services (and growing). Uber 把 Golang( 简称 Go)作为开发微服务的主要编程语言。我们的 Go monorepo 仓库中大约包含了 5000 万行代码 ( 这个数量还在增长)，其中大约包含了 2100 个独立的 Go 服务 ( 这个数量同样也在增长)。 并发作为 Go 中的一等公民；在函数调用之前使用 go 关键字就会以异步的方式调用。这些异步函数调用在 Go 中被称为 goroutines。开发者通过创建 goroutines 来缩短延迟时间（比如在 IO 或 RPC 调用等场景）。
49 天前 / hyper0x
近两年，“大力（算力）出奇迹”的大模型成为人工智能领域多数研究者的追求趋势。然而，其背后巨大的计算成本与资源耗费问题也弊端渐显，一部分科学家开始对大模型投以严肃的目光，并积极寻求解决之道。新的研究表明，要实现 AI 模型的优秀性能，并不一定要依靠堆算力与堆规模。论文作者 | 马毅、曹颖、沈向洋整理 | 西西 编辑 | 陈彩娴深度学习火热十年，不得不说，其机遇与瓶颈在这十年的研究与实践中已吸引了大量的目光与讨论。
51 天前 / sjf0115
本文翻译自《Modelling and verifying the BookKeeper protocol (TLA+ Series Part 3)》，作者 Jack Vanlightly，Apache BookKeeper Committer。 校对与整理：StreamNative 译者简介李文奇，就职于微软 STCA，业余时间喜欢研究各类中间件技术及分布式系统。 TLA+（形式化规范语言） 最适合在分布式系统的设计环节使用，因为它可以帮助工程师让设计、沟通及验证的过程变得有理可据。 在我们的案例中，原系统的设计和实现早已完成，但 TLA+ 依然显示其高超的价值。当我加入 Splunk 从事 Apache BookKeeper 的工作时，我对 BookKeeper 本身的使用经验很少。
54 天前 / hyper0x
机器之心发布 机器之心编辑部 个性化推荐已成为人们获取信息的主要形式。以往，人们更多通过主动搜寻自己感兴趣的信息，而现在，基于算法推荐技术的信息分发平台会自动识别用户兴趣，快速筛选信息，推送用户所感兴趣的信息。 一方面，推荐系统大幅提升了用户体验，另一方面，个性化分发信息更精准、高效，可以帮助平台更准确地匹配用户和信息，大大提高流量变现效率，基于推荐技术的流量变现引擎甚至成就了万亿市值的庞大商业帝国。 从短视频信息流推荐、广告搜索到线上购物，这些应用都构筑于精准的推荐系统之上，背后的核心功臣就是深度学习模型。
54 天前 / 逗逗
傅一平评语： 文章通俗易懂，对于维度建模的介绍很清晰，要方法有方法，要案例有案例，而且还反着来，对数仓分层的误区、维度建模的缺点、宽表的误区都做了探讨，值得仔细读一读！ 正文开始 本文目录： 一、背景 二、数据仓库介绍 三、维度建模介绍 四、维度建模案例 五、数仓分层 六、问题 一、背景数据仓库的核心是展现层和提供优质的服务。ETL 及其规范、分层等所做的一切都是为了一个更清晰易用的展现层。
57 天前 / hyper0x
机器之心报道 机器之心编辑部为什么基于树的机器学习方法，如 XGBoost 和随机森林在表格数据上优于深度学习？本文给出了这种现象背后的原因，他们选取了 45 个开放数据集，并定义了一个新基准，对基于树的模型和深度模型进行比较，总结出三点原因来解释这种现象。 深度学习在图像、语言甚至音频等领域取得了巨大的进步。然而，在处理表格数据上，深度学习却表现一般。由于表格数据具有特征不均匀、样本量小、极值较大等特点，因此很难找到相应的不变量。
65 天前 / hyper0x
机器之心报道 机器之心编辑部内置大模型的机器人，在不看地图的情况下，学会了按照语言指令到达目的地，这项成果来自强化学习大牛 Sergey Levine 的新作。 给定一个目的地，在没有导航轨迹的情况下顺利到达，有多难？ 对于方向感不好的人类来说，这个任务也是很有挑战性。但在最近的一项研究中，几位学者只用三个预训练模型就把机器人「教会了」。 我们都知道，机器人学习的核心挑战之一是使机器人能够按照人类的高级指令执行各种各样的任务。这就要求机器人能够理解人类的指令，并配备大量不同的动作，以便在现实世界中执行这些指令。
69 天前 / Ryan众乐
在开始端智能技术工程实践的介绍前，有一个无法绕过的问题：端上的计算能力到底如何？虽然我们对神经网络运算加速有所耳闻，也知道不同的移动设备有着不同的加速方案，但没有一个定量的分析很难让我们有一个清晰客观的认识。于是，我针对机器学习的 Helloword 项目 Mnist 手写数字识别，做了一个小实验，分别在我的 MacBook Pro 和 iPhone 手机上运行了同样的算法模型，把两侧的训练样本、模型结构、模型参数、训练参数等对齐，最终得出图 4-4 的结果：面对 60000 个训练样本 10 个 Epoch 在 i7 CPU 的 2015 款 15 寸 MacBook Pro 上需要 128 秒...
70 天前 / Scenic
Kubernetes 是为运行分布式集群而建立的，分布式系统的本质使得网络成为 Kubernetes 的核心和必要组成部分，了解 Kubernetes 网络模型可以使你能够正确运行、监控和排查应用程序故障。 网络所涉及的内容很多，拥有许多成熟的技术。对于不熟悉的人来说可能会非常痛苦，因为大多数人对网络都有先入为主的观念，并且有很多新旧概念需要理解并组合成一个连贯的整体。所说的网络可能包括网络命名空间、虚拟接口、IP 转发和网络地址转换等技术。