算法
-
拯救数据科学的“半贝叶斯人”
或许一场关于自然语言处理的精彩辩论可以告诉我们何谓“半个贝叶斯人”,让我们把时光拨回到几年前。
-
机器学习分类算法大全
机器学习是使计算机无需显式编程就能学习的研究领域。
-
机器学习过程的三个坑,看看你踩过哪一个
几十年来,机器学习领域一直饱受“坦克问题(tank problem)”的折磨
-
深度学习经验指南
简单和复杂的技巧,帮助你提升深度学习的模型准确率
-
2019十大机器学习面试必看问题
在本文中,我整理了一些最常见的机器学习面试问题,并给出了相应的答案。有志于机器学习的人,以及有经验的ML专业人士,都可以在面试前利用这一点来完善一下他们的基础知识。
-
所有学机器学习的人必须要懂的5个回归损失函数
损失函数是衡量预测模型在预测预期结果方面做得有多好。
-
经验分享|关于数据科学,告诉你三个书上没有的东西
关于数据科学,告诉你三个书上没有的东西
-
追随内心,还是追随大数据?
追随内心,还是追随大数据?
-
为什么要做特征缩放
作者:Sudharsan Asaithambi 编译:ronghuaiyang 导读 在使用某些算法时,特征缩放可能会使结果发生很大变化,而在其他算法中影响很小或没有影响。 在使用某些算法时,特征缩放可能会使结果发生很大变化,而在其他算法中影响很小或没有影响。为了理解这一点,让我们看看为什么需要缩放特征、各种缩放方法以及什么时候应该对特征进行尺度缩放。 为什…
-
你的AI技能没你想的那么值钱,来自一位AI前辈的忠告!
人工智能是一项真正具有变革意义的技术。
-
颠覆常识!深度神经网络并不是通过形状来识别物体的
和人类不同,AI物体识别靠的是小的细节,而不是图像的边界,但是总是有办法来弥补这个差别的!
-
纸上得来终觉浅!70% 大数据初学者做错的事情
企业数据科学仍然是一个新领域。许多学者还没有为真正的企业解决实际问题。因此,他们以与数据和业务环境分离的方式教授教科书算法。这可以在智力上很有趣。但是,如果学生认为这些课程能够很好地为数据科学家工作,那么他们就错了。
-
最全面的K-means聚类指南
在本文中,我们将全面介绍K-means聚类及其扩展。我们将研究聚类,它为什么重要,它的应用,然后深入研究K-means聚类(包括如何在真实数据集上用Python实现它)。
-
新手如何开始学深度学习?别着急,看看别人走过的路先
很多人问我如何开始机器学习和深度学习。在这里,我整理了一个我使用过的资源列表,以及我第一次学习深度学习时所走过的路。
-
在深度学习中,必须要懂的4个信息论的概念
信息论是对深度学习和人工智能做出重要贡献的一个重要领域,但很多人对信息论知之甚少。信息论可以看作是深度学习的基本组成部分:微积分、概率和统计学的复杂组合。