发现一个很有趣的开源项目，作者用手绘图的方式讲解了机器学习模型构建的全流程，逻辑清晰、生动形象。

OPPO数智技术 稿 1 前言 对话交互是继传统PC、PC互联网及移动互联网之后，下一个时代非常有想象力的关键技术方向，无论是学术界还是工业界都有极高的关注度，同时作为OPPO万物互融战略的关键节点之一，承载着伟大而艰巨的使命。 算法是对话交互的核心能力之一，决定了语音助手能达到的智能化水平，具有极 ....

寻求利用数据科学进行战略决策的组织应遵循以下五个步骤。

[图片] 分享嘉宾：郑瑞峰 京东 资深算法专家 编辑整理：乔伊 51job 出品平台：DataFunTalk 导读： 随着机器学习乃至深度学习的火热发展，Spark家族中的Spark-ML频频出圈。Spark-ML是基于Spark Core与Spark SQL的机器学习库。因为其简单易用而被广泛应用 ....

[图片] 分享嘉宾：李雅亮博士 阿里巴巴 编辑整理：陈东 东南大学 出品平台：DataFunTalk 导读： 本次分享的主题为大规模预训练模型的压缩和蒸馏，主要是从自动机器学习的角度，介绍大规模预训练模型的压缩和蒸馏。将介绍阿里巴巴达摩院关于模型压缩的三个连续承接性的工作： 工作1：AdaBERT： ....

要点 在常见的机器学习/深度学习项目里，数据准备占去整个分析管道的60％到80％。市场上有各种用于数据清洗和特征工程的编程语言、框架和工具。它们之间的功能有重叠，也各有权衡。数据整理是数据预处理的重要扩展。它最适合在可视化分析工具中使用，这能够避免分析流程被打断。可视化分析工具与开源数据科学组件之间，如R、Python、KNIME、RapidMiner互为补…

为了搞清三者关系，我们来看一张图： 如图所示：人工智能最大，此概念也最先问世；然后是机器学习，出现的稍晚；最后才是深度学习。 从低潮到繁荣 自从 1956 年计算机科学家们在达特茅斯会议（Dartmouth Conferences）上确认人工智能这个术语以来，人们就不乏关于人工智能奇思妙想，研究人员也在不遗余力地研究。在此后的几十年间，人工智能先是被捧为人类…

作者 凌祎 编辑| 橙子君 出品| 阿里巴巴新零售淘系技术 基于内容推荐场景的发展，针对工业界主要召回算法的问题，提出CMDM 。 背景 随着电商场景和内容场景的快速发展，越来越多的融合场景开始出现。我们服务的场景是一个根植于电商场景下的内容消费场景，这样一个全新的内容推荐场景也给我们的推荐技术带来 ....

作者：Neil 稿 导读：: 本文先介绍了效果广告的基本原理，然后以云音乐广告系统从浅层模型到深度模型的演进为主线，介绍了广告算法团队在算法优化过程中遇到的问题、思考和解决的过程。 广告是云音乐的重要收入来源之一，最近两年云音乐广告平台在深度（机器）学习技术上做了很大的投入，期间也遇到了许多问题，也 ....

作者：Barış KaramanFollow 编译：ronghuaiyang 正文共：9640 字 15 图 预计阅读时间：28 分钟 导读 A/B测试时验证模型结果，持续改进的必…

监督式学习 决策树 朴素贝叶斯分类器 最小平方回归 逻辑回归 支持向量机 集成方法 非监督学习 聚类算法 主成分分析 奇异值分解 独立成分分析 毫无疑问，近些年机器学习和人工智能领…

作者：卢晓东 Watson机器人产生于IBM的Watson研发中心，机器人短期的主要目标是回答Jeopardy!?竞赛的问题。并期望以此作为起点，研发出一个稳定的，有扩展性的机器人…

from https://zhuanlan.zhihu.com/p/26769864 摘要： 本文以浅显易懂的语言介绍了机器学习和深度学习的定义及应用，以及在源数据要求，硬件支持，…

  作者：Barış KaramanFollow 编译：ronghuaiyang 正文共：7785 字 13 图 预计阅读时间：23 分钟 导读 当我们流失用户进行了预测…

  作者：Barış KaramanFollow 编译：ronghuaiyang 正文共：6867 字 16 图 预计阅读时间：20 分钟 导读 预测销量有很多的用处，这…

  作者：Barış KaramanFollow 编译：ronghuaiyang 正文共：7820 字 17 图 预计阅读时间：23 分钟 导读 前面做了那么多的分析，当…

作者：Barış KaramanFollow 编译：ronghuaiyang 正文共：7593 字 8 图 预计阅读时间：22 分钟 导读 在营销活动的时候，我们并不希望把优惠发给…

本文是学习这个视频课程系列的笔记，课程链接是 youtube 上的， 讲的很好，浅显易懂，入门首选， 而且在github有代码， 想看视频的也可以去他的优酷里的频道找。 Tenso…

感觉很多时候这两个概念没有明确的区分，大家在用的时候也是混着用的。 其实，在英语中他们都属于feature scaling（特征缩放）scale：比例、数值范围 feature s…

  目录 1. 概述 1.1 背景 1.2 数据说明 1.3 目的 2. 正文 2.1 加载数据 2.2 数据清洗 2.3 特征工程 2.4 建模 2.4.1 逻辑斯蒂回…