标签:机器学习

04月16日

除了Kaggle,这里还有一些高质量的数据科学竞赛平台

除了大名鼎鼎的 kaggle,数据科学家可以参加的数据竞赛平台其实还蛮多的。有些比赛平台不仅提供比赛,还让你有机会自己创办比赛。有些比赛由公司赞助,有些由政府机构赞助。参加这些比赛不仅能让你的能力获得认可,还可以获得一些不菲的奖金呢~     在听了上百节慕课(MOOC)、看了上千本书和笔记、聆听了上百万人对数据科学的看法后,你会做什么呢?你要开始应用这些概念啦。...

03月27日

机器学习:这是一条GitHub高赞的学习路径

通过互联网学习意味着可以在无垠的知识海洋中遨游,但也可能因为广阔而迷失。在这个项目中,作者为机器学习提供了一个完整的学习路径。从 ML 到 DL、Scikit-Learn 到 TensorFlow,你需要这份学海指南。曾有多少次,当你试图接近某一个新主题或领域时,会感到困惑、迷失方向并且无「路」可循。要如何确保你能够深刻理解并且获得运用它的能力呢?当然是借鉴其他人的成熟路径,然后跟着...

01月21日

从算力到半导体供应链,硬件如何决定机器学习的研究趋势

论文:COMPUTATIONAL POWER AND THE SOCIAL IMPACT OF ARTIFICIAL INTELLIGENCE 机器学习是一个计算过程,因此它与计算力紧密相关,也就是与承载机器智能算法的芯片和半导体紧密相关。最明显的是,计算力和计算架构决定了机器学习的训练和推断速度,从而影响该技术的发展进度。然而,这些关系远比上面描述的更加微妙:硬件决定了研究者和工程师在设计、开发机器学习模型时...

03月14日

反欺诈中所用到的机器学习模型有哪些?

作者 | 微调(知乎ID微调,普华永道高级数据科学家) 反欺诈方向的实际应用很多,我有做过保险业反欺诈和零售快消业的欺诈检测,抛砖引玉的谈谈反欺诈项目的"道"和"术"。 具体的学习方法可以参考我最近的文章: 机器学习门下,有哪些在工业界应用较多,前景较好的小方向?(https://www.zhihu.com/question/57072166/answer/280824223) 该回答的第一部分(1)讨论了为什么...

01月30日

谷歌推出自动机器学习系统Cloud AutoML

不久前,Google 推出 Cloud AutoML 服务,强调帮助企业加速进入 AI 领域,尽管没有强大的 AI 技术团队也没关系,因为利用 Google 推出的服务就能建立符合自己需求的定制化机器学习模型。 图丨李佳发朋友圈表示,这是她与李飞飞加入 Google Cloud 后的第一个里程碑 在 AI 浪潮再次兴起的背景下,许多企业都对 AI 跃跃欲试,但因为相关人才在全球都呈现稀缺,企业想招人...

01月30日

我们能打开人工智能的黑箱吗?

Dean Pomerleau 仍然记得自己第一次研究黑箱问题(black-box problem)的经历。那是在1991年,他正在自动载具(autonomous-vehicle)方面开展一些开拓性的尝试,而现在教计算机学习驾驶已经成为了一个非常常见的研究领域。 这意味着计算机要接管经过了专门改装的悍马军用汽车的轮子然后引导他穿过城市街道,Pomerleau 说,他当时还是卡内基梅隆大学的机器人技术研究生。和...

12月27日

银行智能欺诈风险预测模型研究

近年来,伴随移动互联网、虚拟现实等技术的飞速发展,银行服务模式日趋多样化。在客户享受灵活便捷服务的同时,银行欺诈风险呈现出更加隐蔽、专业的特点,发展出更多的作案手法和表现形式。传统欺诈检测通常依赖专家规则、黑名单库等方法,已经不能适应新的欺诈挑战。银行亟需研究并应用先进的机器学习算法,以数据价值为驱动建立智能化的风险预测模型,以此作为欺诈风险防范的强力手...

12月06日

沃森(Watson)认知智能探秘:大象还能起舞吗?

  蓝色巨人IBM无疑是世界上最大的IT公司之一,从硬件到软件,从行业解决方案到大数据、人工智能产品,曾经头上光环无数。不过俗话说“花无百日红,人无千日好”,IBM这些年的路也是走得越来越艰难,去IOE蓝色巨人首当其冲(IBM,Oracle,EMC),还时刻面临着互联网巨头的挑战,以至于多年前就有不少专家在唱衰IBM,技术服务实力不够,产品性价比低,反正就是在加速没落。大象还能起舞吗?...

11月28日

深度智能的崛起(二):知识驱动、数据驱动与大数据驱动

“世界的尽头,是雄狮落泪的地方,是月亮升起的地方,是美梦诞生的地方。”——大卫《人工智能》 接上文《深度智能的崛起(一)》 ♦知识驱动的人工智能1.0 智能的发生、物质的本质、宇宙的诞生、生命的起源被认为是世界四大奥秘。人类的智能活动主要是获得并运用知识,可以说知识是智能的基础,为了使计算机具有智能,能模拟人类的智能行为,就必须使它具有知识。因此,早期的人工智...

11月28日

机器学习在工业应用中的思考

人工智能在学术界默默发展了很多很多年,从最早的神经网络,到10年前风靡的SVM、bagging and boosting,如今的深度学习。日新月异,各领风骚数几年。 工业界的发展从最早应用于纯粹的互联网企业,近几年开始应用到更多更广泛的场景,而且发展速度越来越快,陈雨强一直在机器学习的最前沿应用,下面是他最新的思考,非常非常干货。是一篇值得多看几遍的好分享。 10年前说自己是做...

11月19日

大规模机器学习框架的四重境界

1. 背景 自从google发表著名的GFS、MR、BigTable三篇paper以后,互联网正式迎来了大数据时代。大数据的显著特点是大,哪里都大的大。本篇主要针对volume大的数据时,使用机器学习来进行数据处理过程中遇到的架构方面的问题做一个系统的梳理。有了GFS我们有能力积累海量的数据样本,比如在线广告的曝光和点击数据,天然具有正负样本的特性,累积一两个月往往就能轻松获得百亿、千...

11月12日

人工智能在饿了么的应用实践

作者今天主题是关于人工智能在 “饿了么” 的应用实践,主要是三部分,第一是 “饿了么” 简介,第二是 “饿了么” 的应用场景,第三讲运筹优化与机器学习的应用实例,这部分会讲一些算法。 关于饿了么 大部分人都点过外卖,现在外卖成了中国吃饭的方式,点外卖是什么样的量级,说起来大家吓一跳,中国较大领域是电商,淘宝、京东,其次就是出行行业,滴滴、UBER 紧接是共享单车,这几家...

11月07日

深度智能的崛起(一):“猫”“狗”AI们的野蛮生长

“世界的尽头,是雄狮落泪的地方,是月亮升起的地方,是美梦诞生的地方。”——大卫《人工智能》     引言:大数据时代,大数据驱动的深度智能生逢其时,就像哈勃望远镜一样,可以推进人类文明的进步,从战胜人类顶尖棋手、帮助发现引力波到治疗癌症、金融交易、安全防控、气候模拟等。可以预见的是,随着深度学习技术体系的高速发展和这一波“猫”“狗”AI工程的野蛮生长,人类正在大踏步...

11月06日

Google Brain工程师讲述TensorFlow 与深度学习

作者:周玥枫 本文是Google Brain工程师周玥枫在QCon上海2017和DevFest 2017上的演讲实录。 我的名字叫做周玥枫,我是 Google  Brain 的工程师,我现在做 TensorFlow 和 TensorFlow 分布式的开发以及使用机器学习来优化 TensorFlow 的研究项目。 今天首先跟大家分享深度深入学习的例子,然后再跟大家简单介绍一下什么是 TensorFlow ,以及 TensorFlow 一些最新特性,包括...

10月29日

如何解读决策树和随机森林的内部工作机制?

随机森林在过去几年里得到了蓬勃的发展。它是一种非线性的基于树的模型,往往可以得到准确的结果。但是,随机森林的工作过程大都处于黑箱状态,往往难以解读和完全理解。近日,Pivotal Engineering Journal 网站发表了一篇文章,对随机森林的基础进行了深度解读。该文从随机森林的构造模块决策树谈起,通过生动的图表对随机森林的工作过程进行了介绍,能够帮助读者对随机森林的工...

10月04日

大规模机器学习系统构建经验分享

作者:涂威威 作为第四范式•先知平台核心机器学习框架GDBT的设计者,涂威威在大规模分布式机器学习系统架构、机器学习算法设计和应用等方面有深厚积累。演讲中,涂威威表示,现在有越来越多的企业开始利用机器学习技术,把数据转换成智能决策引擎。企业机器学习应用系统中的核心模型训练系统有着什么样的设计和优化的考虑?与教科书中的机器学习应用相比,企业实际的机器学习应...

09月06日

高盛发布中国人工智能的崛起报告

高盛又有新AI研究报告发布!这份新报告的主题是:《China’s Rise in Artificial Intelligence》,其中主要分析了中国人工智能崛起的各种因素,更重要的是,详细剖析了受益于AI技术的一众中国公司。 其中包括百度、阿里巴巴、腾讯(BAT)三巨头,以及美团点评、滴滴出行、科大讯飞、海康威视等主要AI公司,报告中还提及了出门问问、Rokid等众多AI创业公司。不过在这份报告中,京东...

09月05日

无监督学习、GAN和强化学习将构建机器学习的未来

随着人工智能的不断发展,许多新的机器学习技术、架构和算法被提出,但这里有三个宏观趋势,将成为机器学习中,游戏规则的改变者。 机器学习(ML),特别是深度学习(DL)已经成为许多科技出版物所涵盖的最热门话题之一。当然,这里面有一些炒作的成份,但是我们有足够好的理由相信,机器学习这一领域是值得关注和覆盖的。 机器学习的范围和影响一遍又一遍地在各种学科,数...