引言 艺术之美根植于其所传达的信息。有时候，现实并非我们所看到或感知到的。达芬奇（Da Vinci）和毕加索（Picasso）等艺术家都通过其具有特定主题的非凡艺术品，试图让人们更加接近现实。 数据科学家并不逊色于艺术家。他们用数据可视化的方式绘画，试图展现数据内隐藏的模式或表达对数据的见解。更有趣的是，一旦接触到任何可视化的内容、数据时，人类会有更强烈的知…

朴素贝叶斯分类器基于词袋模型，通过词袋模型我们可识别出文本中出现的词属于积极还是消极，若这个词出现在积极的词语列表中，文本的总体分数 +1，若总体分数为正，该段文本被分类为积极，反之亦然。

摘要：美国首席数据科学家谈数据产品实践，笔者强烈推荐，做产品和技术的都可以细细体会，在万众创业的热潮中做到数据驱动，打磨产品，满足需求，精益创业。 “当你在深夜遇到系统挂了和数据损坏，有什么办法可以避免那些痛苦和头痛？” 这是DJ·Patil 在最近的CTO峰会提到的。他是RelateIQ前任产品副总裁，和美国现任首席数据科学家，Patil总结所有产生变革的…

Citi Bike是纽约市在2013年5月27日启动的一项自行车共享计划，由“花旗银行”(Citi Bank)赞助并取名为“花旗单车”(Citi Bike)。在曼哈顿，布鲁克林，皇后区和泽西市有8,000辆自行车和500个车站。为纽约的居民和游客提供一种方便快捷，并且省钱的出行方式。

这篇文章包含了我目前为止找到的最好的教程内容。这不是一张罗列了所有网上跟机器学习相关教程的清单——不然就太冗长太重复了。我这里并没有包括那些质量一般的内容。我的目标是把能找到的最好的教程与机器学习和自然语言处理的延伸主题们连接到一起。

怎样打造你的数据科学作品集？

大数据的浪潮仍在继续。它渗透到了几乎所有的行业，信息像洪水一样地席卷企业，使得软件越发庞然大物，比如Excel看上去就变得越来越笨拙。数据处理不再无足轻重，并且对精密分析和强大又实时处理的需要变得前所未有的巨大。

商品评论挖掘、电影推荐、股市预测……情感分析大有用武之地。本文帮助你一步步用Python做出自己的情感分析结果，难道你不想试试看？

对于希望学习算法或尝试现有框架的人来说，预训练的模型是一个很好的帮助。由于时间限制或计算资源的限制，不可能总是从头构建模型，这就是为什么存在预训练模型！

本文利用Python采集了淘宝网1585个商家车厘子销售数据，获取到车厘子的商品名称、商品价格、付款人数、店铺名称、发货地址等字段…

10天100小时的学习时间里应该分配给尽量多样化的知识。这也算是一大笔投资，所以应当严肃对待，根据学出来的结果可以把拿到实习 offer 之类的当做目标。

先附上Github地址： https://github.com/sfyc23/EverydayWechat 这个自动给女友发送微信暖心话的项目，已经连续霸榜Github趋势榜好几天了。作者用Python3和Itchat微信接口开发了一款小工具，可以定时给朋友发送每日天气、提醒、每日一句。通过调用图灵机器人，也可以智能自动回复信息。 操作简单且容易上手，即使是…

目前最热门的行业是大数据分析行业，那么大数据分析师掌握哪种语言对他们的日常工作效率最高呢？今天先比较Java和Python的特点及优势。

在浏览器中使用TensorFlow.js和Python构建机器学习模型。

机器学习是未来。但机器会灭绝人类吗？

摘要：文章整理出了2015年最优秀的十个Plotly图表，这些交互式的图表使用Plotly的web app和APIs制作而成。 第十位. “2001-2014对同性婚姻的支持” 这些Tufte迷你图(sparklines)由Pew Research绘制。 制作这些图表运用了Python, R以及Plotly web app. 第九位. “在Facebook网…

随着我们进入2017年下半年，是时候看看那些使用数据科学和机器学习的公司面临的共同挑战。假设你的公司已经在大规模收集数据，需要用到分析工具，而且你已经认识到数据科学可以发挥重大作用（包括改善决策或企业经营、增加收入等等），并进行了优先排序。收集数据和识别感兴趣的问题并非小事，但假设你已经在这些方面起了个好头，那么还剩下哪些挑战呢？ 数据科学是一个宽泛的话题，…

摘要：本文是一位算法师工程师的Spark机器学习笔记，教你构建一个简单的推荐系统。 推荐引擎应用场景： 用户有海量选择：随着场景内item越来越多，用户越来越难以选择到合适的产品 个性化场景：在选择产品时，会借鉴那些与推荐用户相似地群体，利用群体智慧对用户进行推荐”千人千面” 在本篇博客中，会涉及到以下几个部分： 介绍不同类型的推荐引擎 使用用户偏好模型来构…

本篇文章使用Python和OpenCV中的Haar特征分类器对人脸及眼睛进行检测和追踪。在开始之前，有几件准备工作要完成。

有关人工智能、神经网络、机器学习、深度学习与大数据的技术合辑