惊喜还是惊吓?盘点机器学习算法的「高能」瞬间

编者按:「水可载舟,亦可覆舟」,这句老话相信我们都很熟悉,套用到机器学习上,即是带给我们诸多便利的机器学习算法,一个不小心,将因为意想不到的理由带到我们「惊喜」。原作者对一篇论述此现象的论文进行了解读,雷锋网AI科技评论将之编译如下。
机器学习算法与其他计算机程序存在很大的不同。在一般编程行为中,人类程序员都会告诉计算机具体做些什么。来到机器学习,人类程序员只会提供问题,算法必须通过反复试验来

半天2k赞火爆推特,李飞飞高徒发布33条神经网络训练秘技

本文经AI新媒体量子位(公众号ID:QbitAI)授权转载,转载请联系出处。
同学,现在有一份33条神经网络训练秘笈,摆在你面前。
AI大佬AndrejKarpathy (简称AK),刚刚发布了一篇长长长长博客,苦口婆心地列举了33条技巧和注意事项,全面避免大家踩坑,推特已有2,300多赞。

AK在斯坦福读博的时候,是飞飞实验室的成员,毕业去了OpenAI,然后又成了特斯拉的AI负责人,直

利用AI炒股开挂!这届程序员真会玩

用深度学习预测股票价格想过去有些不明觉厉,但已经不是什么新鲜事了,今天猿妹和大家分享一个股票预测模型,收集了机器学习和股票预测的深度学习模型,包括交易机器人和(股票)模拟。
想要准确预测股票市场是一项复杂的任务,因为有数百万个因素和先决条件会影响股票的走势,所以这个模型需要尽可能多的捕捉到这些先决条件,同时还需要作出几个重要的先决假设:1)市场不是100%随机的,2)历史重复,3)市场遵循人们

如何利用CLimF算法设计推荐系统

【51CTO.com原创稿件】自2010年开始,推荐系统领域出现了许多不同的排序学习的方法。所谓排序学习,指的是推荐系统机器学习算法优化的指标是推荐给用户的物品的排名,而不是具体的评分。排序学习解决问题的思路一般是首先提出一个需要优化的信息检索领域的指标,然后对其进行优化。因为这个指标通常是不光滑的,所以首先需要对这个指标进行近似,使得其成为一个光滑函数。信息检索的指标不同,产生了不同的算法。

不要只关心怎么优化模型,这不是机器学习的全部

机器学习领域的学生、研究员、企业开发者都习惯了在模型的优化上花大量功夫,仿佛取得更高的准确率/AUC/mAP等等就是机器学习研究和应用的全部。但是很少有人去问:测试表现优秀的模型就真的能很好解决真实世界的问题吗?
可解释的机器学习方向的研究员、《可解释的机器学习》书作者 ChristophMolnar近日就发表了一篇博客,提醒领域内的各位警醒这种风气,开始注意机器学习的应用中那些不应该被忽视

GitHub万星的中文机器学习资源:路线图、视频、学习建议全在这

本文经AI新媒体量子位(公众号ID:QbitAI)授权转载,转载请联系出处。
再也不用在学机器学习之前先恶补英语了,这儿有一套超热门的优质中文资源可以选择。
这套名叫AILearning的GitHub资源,汇集了30多名贡献者的集体智慧,把学习机器学习的路线图、视频、电子书、学习建议等中文资料全部都整理好了。
目前资源在GitHub上已经有一万颗Star,微博网友:好人一生平安。

事不宜迟

16个用于数据科学和机器学习的顶级平台

调研机构Gartner公司将数据科学和机器学习平台定义为“具有凝聚力的软件应用程序,它提供了创建多种数据科学解决方案以及将这些解决方案合并到业务流程、周围基础设施和产品中所必需的基本构建块的混合体。”

这样的平台支持数据科学家在整个数据和分析管道中执行任务。这些任务包括与数据访问和接收、数据准备、交互式探索和可视化、功能工程、高级建模、测试、培训、部署和性能工程相关的任务。考虑到这一点,Ga

Python机器学习资源菜单,选库找工具不愁,GitHub精选列表都齐了

本文经AI新媒体量子位(公众号ID:QbitAI)授权转载,转载请联系出处。
用Python搞机器学习、数据科学,需要很多相关的资料,各种库、工具,都是常用、常找、常查的内容。
最近,维也纳的数据科学家FlorianRohrer把这类相关资料整理成了一个Python机器学习工具合辑,可以照着更新一下自己的收藏夹了。
四十几类项目
整个列表中,包含超过40类内容:
核心工具、Pandas和Jup

AI与机器学习:大忽悠还是大希望?

达克效应(Dunning-Krugereffect)是一种显著的偏见:指的是能力欠缺的人在自己欠考虑的决定的基础上得出错误结论,但是无法正确认识到自身的不足,辨别错误行为。这些能力欠缺者们沉浸在自我营造的虚幻的优势之中,常常高估自己的能力水平,却无法客观评价他人的能力。

今天,我们看到了互联网、区块链和云计算等技术的兴起,可谓是人类近期历史上的三大科技热潮。但是,在这些技术的应用中,我们不幸