- 综合排序
- 最热优先
- 最新优先
- 来自专栏全栈程序员必看
推荐使用C++ 11
如果你的代码工作正常并且表现良好，你可能会想知道为什么还要使用C++ 11。当然了，使用用最新的技术感觉很好，但是事实上它是否值得呢？ 在我看来，答案毫无疑问是肯定的。 C++ 11可以让你的代码更短、更清晰、和更易于阅读，这可以让你的效率更高。 C++ 11提供了一种方法来检查先决条件并尽早的在可能的时机捕获错误-编译过程中，在你运行代码前。这就是理由9。 这是通过静态断言(static_assert)和类别属性模版实现的。 现在开始掌握C++ 11 在C++ 11标准中除了上描述的还有更多的改动和新功能，它需要一整本数来描述。不过，我相信它们是值得你花时间去学习的。你将省去以往花在提高效率上的时间。 很多主流的编译器已经开始支持C++ 11的一些标准了。还等什么？开始吧！ 推荐： http://www.cnblogs.com/roucheng/p/3456005.html
99220编辑于 2021-12-24 - 来自专栏产品的技术小课
效率工具推荐（第11期）
适用于快速创建一个数据类的报告，它上面有很多报告模版和图表，选择好模版后，可编辑模版里面的数据和增加/替换图表组件，制作好后可导出报告，报告格式支持png、pdf格式。
1.1K10编辑于 2022-04-01 机器学习书籍推荐
吴恩达 Cousera 机器学习课程Andrew Ng 的机器学习课程（Machine Learning | Coursera）是很多人的启蒙课程，难度适中且完全免费。 另一个比较直接的观察是如果大家在知乎上搜索“机器学习如何入门？” ，大部分答案都提到了 Andrew 的这门入门课程，所以这是一门绝对的口碑课程，详细讨论可以参考：微调：为何国人迷恋吴恩达的机器学习课？。 周志华《机器学习》周志华老师的《机器学习》也被大家亲切的叫做“西瓜书”。虽然只有几百页，但内容涵盖比较广泛。然而和其他人的看法不同，我建议把西瓜书作为参考书而不是主力阅读书。
66310编辑于 2024-01-29- 来自专栏机器学习算法与Python学习
推荐 | 图解机器学习
关键字全网搜索最新排名 【机器学习算法】：排名第一 【机器学习】：排名第一 【Python】：排名第三 【算法】：排名第四 源 | ynaughty 每当提到机器学习，大家总是被其中的各种各样的算法和方法搞晕 确实，机器学习的各种套路确实不少，但是如果掌握了正确的路径和方法，其实还是有迹可循的，这里我推荐SAS的Li Hui的这篇博客，讲述了如何选择机器学习的各种方法。 其实机器学习的基本算法都很简单，下面我们就利用二维数据和交互图形来看看机器学习中的一些基本算法以及它们的原理。 如果对于算法的的准确性要求比较高，推荐的回归算法包括：随机森林，神经网络或者Gradient Boosting Tree。 如果要求速度优先，建议考虑决策树和线性回归。 Victorjs 2D向量库 推荐一些机器学习的路线图 https://ml-cheatsheet.readthedocs.io/en/latest/ 10大机器学习算法 https://www.gitbook.com
1.2K50发布于 2018-04-08 - 来自专栏MiningAlgorithms
机器学习11：机器学习算法目录（前）
机器学习算法目录： 一、模型选择与评价： 1，误差：误差由偏差(bias)、方差(variance)和噪声(noise)组成； 2，多分类学习：一对一、一对其余、多对多（参考：西瓜书p63）；单标签二分类 3，交叉验证，网格搜索： 4，模型评价相关指标： 5，模型持久化（modelpersistence）： 6，验证曲线（validationcurves）： 二、机器学习部分： 1，线性回归： 最小二乘 10，概率图模型（参考邱老师的PPT） 11，降维学习：主成分分析（PCA），线性判别分析（LDA）、特征选择；特征降维可分为有监督（LDA）和无监督（LSA、NMF）；主题模型（LDA、LSA） 要点 12，集成学习（已整理为：机器学习5-8）：随机森林（Extra tree、Totally Random Trees Embedding、Isolation forest）、Adboost、GBDT、XGBoost
86220发布于 2019-08-08 - 来自专栏tkokof 的技术,小趣及杂念
C++11(14) 简易推荐小记~
之前了解过一些C++新标准的内容，觉得很不错，在此写篇小记，简易推荐一下~ 容器内元素操作是个很普通的需求，工作中应是屡见不鲜，这里假设有个list容器，存储的是一系列int，表达的意思就算作是年龄吧 不急，咱们一行行来看： auto add_one = [](auto& val){ ++val; }; auto 本来便是C++中的一个关键字，用于自动变量的声明（虽然我从来也没用过），在C++11 beg = l.begin(); 所以这里我们就是定义了一个自动类型推导的add_one变量，至于后面那个诡异的初始化表达式： [](auto& val){ ++val; } 其实是C++11 std::end(container)，而没有直接调用 container.begin() 和 container.end()，原因其实还是为了通用性：std::begin和std::end 是C++11 print_one和print也如出一辙，最后值得一提的便是容器新的初始化方式了： std::list<int> l = { 25, 25, 25, 25, 25, 36 }; 这里我们用到了C++11
45320发布于 2018-08-02 - 来自专栏机器学习算法与Python学习
经典机器学习书籍推荐
《Machine Learning》（《机器学习》） 作者Tom Mitchell是CMU的大师，有机器学习和半监督学习的网络课程视频。 《机器学习及其应用》 周志华、杨强主编。来源于“机器学习及其应用研讨会”的文集。 《推荐系统实践》 项亮，不错的入门读 深入 《Pattern Classification》（《模式分类》第二版） 作者Richard O. Duda[5]、Peter E. 极牛的书，可数学味道太重，不适合做机器学习的 《All Of Statistics》 机器学习这个方向，统计学也一样非常重要。 推荐All of statistics，这是CMU的一本很简洁的教科书，注重概念，简化计算，简化与Machine Learning无关的概念和统计内容，可以说是很好的快速入门材料。
3.4K90发布于 2018-04-08 - 来自专栏数据科学与人工智能
【机器学习】机器学习的11个开源项目
机器学习是目前数据分析领域的一个热点内容，在平时的学习和生活中经常会用到各种各样的机器学习算法。实际上，基于Python、Java等的很多机器学习算法基本都被前人实现过很多次了。 在这样的背景下， InfoWorld近日公布了机器学习领域11个最受欢迎的开源项目，这11个开源项目大多与垃圾邮件过滤、人脸识别、推荐引擎相关。 它包括了一系列的对图像和音频的机器学习算法，如人脸检测、SIFT拼接等等。同时，Accord支持移动对象的实时跟踪等功能。它提供了一个从神经网络到决策树系统的机器学习库。 Mahout内包含了聚 类、分类、推荐等很多经典算法，并且提供了很方便的云服务的接口。 MLlib MLlib是Apache 自己的Spark和Hadoop机器学习库，它被设计用于大规模高速度地执行MLlib所包含的大部分常见机器学习算法。
1.4K90发布于 2018-02-27 - 来自专栏IT派
11 个Javascript机器学习库
该项目包括几种内置体系结构，如多层感知器，多层长短期记忆网络，液态机器和能够训练真实网络的培训师 ? PAIR-code / deeplearnjs - 硬件加速深度学习//机器学习//为网络提供NumPy库。 https://github.com/PAIR-code/deeplearnjs 7. 有人认为这个项目是convnetjs的继任者，所以实现一个基于全栈式神经网络的机器学习框架和扩展的强化学习支持。 10. mljs 一组库提供由mljs组织开发的用于Javascript的机器学习工具，其中包括有监督学习和无监督学习，人工神经网络，回归算法以及用于统计学，数学等的支持库。下面是一个简短的【演练】。 /hackernoon.com/machine-learning-with-javascript-part-1-9b97f3ed4fe5 mljs --https://github.com/mljs 11
1.2K40发布于 2018-08-10 - 来自专栏编程
2017年11月R新包推荐
文档概述 11月份，在R官方（CRAN）共计发布了237个新包，本文选摘了40个R包，包含以下几个类别：计算方法、数据、数据科学、科学、社会科学、工具及可视化等，其余包大家可登录CRAN自行查看，希望有助于大家的学习 数据科学 1）imbalance v0.1.1: 提供了多种算法处理不平衡数据集（重点推荐）. 2）intrinsicdimension v1.1.0: 为评估数据集的内在维度实现了多种方法，该问题出现在 trialr v0.0.1: 提供一个贝叶斯临床试验设计的展示，在RStan包和R中实现，同时包含第一次在R中实现的一些设计 (例如：EffTox’ by Thall & Cook (2004). 11
1K80发布于 2018-01-29 - 来自专栏机器学习/数据可视化
吴恩达笔记11_推荐系统
吴恩达机器学习-11-推荐系统Recommender Systems 本周中主要讲解了推荐系统的相关知识。 推荐系统应该是目前机器学习领域或者说人工智能领域最热门的方向之一，还有NLP、CV等，主要内容包含： 推荐系统简介 基于内容的推荐系统 协同过滤 推荐系统 推荐系统概述 常见的推荐系统有三种主要的应用常景 ： 个性化推荐：常以“推荐”、“猜你喜欢”、“发现”等形式出现，一般放在首页位置 相关推荐：常以“相关推荐”、“看了还看”等形式出现，一般放在内容详情页 热门推荐：基于各种数据进行计算，得到的排行榜，支持全局排行以及分类排行等 选择合适的场景，个性化或者相关的、热门的，来给用户进行推荐。 个性化推荐系统解决的是用户很内容的关联关系，它是二者之间的桥梁。 如，亚马逊推荐新书给你，网飞公司试图推荐新电影给你，等等。 这些推荐系统，根据浏览你过去买过什么书，或过去评价过什么电影来判断。这些系统会带来很大一部分收入，比如为亚马逊和像网飞这样的公司。
99710发布于 2021-03-02 - 来自专栏java一日一条
推荐11个挺常用的IDEA插件
11、Translation 地址：https://plugins.jetbrains.com/plugin/8579-translation 最好用的翻译插件，功能很强大，界面很漂亮 ?
1.2K20发布于 2019-10-15 - 来自专栏小鹏的专栏
机器学习-11：MachineLN之过拟合
；散列表；搜索树；动态规划；贪心；图；字符串匹配等）；再之后我们重回Deep learning； 推荐阅读： 1. 机器学习-1：MachineLN之三要素 2. 机器学习-2：MachineLN之模型评估 3. 机器学习-3：MachineLN之dl 4. 机器学习-4：DeepLN之CNN解析 5. 机器学习-5：DeepLN之CNN权重更新（笔记） 6. 机器学习-6：DeepLN之CNN源码 7. 机器学习-7：MachineLN之激活函数 8. 机器学习-8：DeepLN之BN 9. 机器学习-9：MachineLN之数据归一化 10. 机器学习-10：MachineLN之样本不均衡 11. 机器学习-11：MachineLN之过拟合 12. 机器学习-12：MachineLN之优化算法 13. 机器学习-13：MachineLN之kNN 14.
45020编辑于 2022-05-09 - 来自专栏啄木鸟软件测试
快速入门Python机器学习（11）
朴素贝叶斯可以分为贝努利贝叶斯(BernoulliNB)、高斯贝叶斯(GaussianNB)和多项式贝叶斯(MultinomailNB)。贝努利贝叶斯(BernoulliNB)又可以分为二项分布和0-1分布。我们首先来介绍贝努利贝叶斯(BernoulliNB)。
49820编辑于 2022-09-23 - 来自专栏机器学习原理
机器学习（11）——非线性SVM
前言： 上一篇介绍了线性SVM还有一些尾巴没有处理，就是异常值的问题。 软间隔 线性可分SVM中要求数据必须是线性可分的,才可以找到分类的超平面,但是有的时候线性数据集中存在少量的异常点,由于这些异常点导致了数据集不能够线性划分;直白来讲就是:正常数据本身是线性可分的,但是由于存在异常点数据,导致数据集不能够线性可分。 我们需要对上一章的SVM算法模型就行改进，对于每个样本只需要引入松弛因子η，使得样本到超平面的函数距离放松了。当然松弛因子的引入是有成本的，可能会导致模型的分类错误。为此我们需要在松弛因
1.7K50发布于 2018-04-27 - 来自专栏机器学习AI算法工程
用Python开始机器学习：推荐算法之推荐矩阵
本章我们来学习一种最简单的推荐算法：推荐矩阵。虽然简单，但是却被广泛应用着。 1、推荐矩阵 为描述方便，以下我们以“购物推荐”作为背景进行介绍。假设你有个卖商品的网站，拥有每个用户购买每个物品的数据。 这种方式是以用户为中心的，推荐出来的商品b可能跟商品a风流马不相及，因此更适合于类似SNS和微博这样的平台，根据用户的已知兴趣集合来向其推荐其他具有相同兴趣的用户； 2：寻找与商品（a）最为相似的商品（ b)，认为A既然对a感兴趣，也有可能对b感兴趣； 这种情况是以商品为中心的，因此更适合购物推荐这样的场景。 简单的给几个例子： [1,2,3]，[4,5,6]：1 [1,2,3]，[6,5,4]：-1 [1,2,3]，[1,2,4]：0.98 [1,2,3]，[-1,-11,-111]：-0.9 因此 要计算某个商品a最相似的商品，我们通过计算商品a所在的列与其他的每一列的皮尔森相关系数，找出最大的前N个推荐给用户即可。
1K80发布于 2018-03-13 - 来自专栏PPV课数据科学社区
机器学习技术类书单推荐
机器学习技术类书单推荐，共11本： 《机器学习》 《图解机器学习》 《机器学习实战》【有电子版】 《机器学习系统设计》【有电子版】 《Python机器学习基础教程》【有电子版】 《Python机器学习经典实例 通过各种实例，读者可从中学会机器学习的核心算法，并能将其运用于一些策略性任务中，如分类、预测、推荐。另外，还可用它们来实现一些更高级的功能，如汇总和简化等。 实战2：必应团队教你ML系统设计 ? ，再介绍一些库，然后就开始基于数据集进行比较正式的项目开发了，涉及建模、推荐及改进，以及声音与图像处理。 此外还通过详细的例子和现实应用讲解了常见的机器学习模型，包括推荐系统、分类、回归、聚类和降维。 Mahout核心团队权威力作 大数据时代机器学习的实战经典 Mahout作为Apache的开源机器学习项目，把推荐系统、分类和聚类等领域的核心算法浓缩到了可扩展的现成的库中。
1.1K140发布于 2018-04-20 - 来自专栏大数据文摘
推荐5个机器学习API
但是现在这种情况正在发生改变，正如标准的API简化了应用程序的开发一样，机器学习API也降低了这一领域的门槛，让越来越多的人和企业能够借助技术底蕴深厚的公司所提供的API试水机器学习。 机器学习API隐藏了创建和部署机器学习模型的复杂性，让开发者能够专注于数据挖掘和用户体验。 ，该平台提供的功能有自然语言处理、推荐引擎、模式识别、计算机视觉以及预测建模等，为了迎合数据科学家的喜好，Microsoft Azure机器学习平台还增加了对Python的支持，用户能够直接将Python ，它能够从BigQuery和Google云存储上读取数据，能够处理销售机会分析、客户情感分析、客户流失分析、垃圾邮件检测、文档分类、购买率预测、推荐和智能路由等用户场景。 Amazon机器学习API Amazon机器学习API让用户不需要大量的数据专家就能够实现模型构建、数据清洗和统计分析等工作，简化了预测的实现流程。
1.1K80发布于 2018-05-22 - 来自专栏量化投资与机器学习
AQR：机器学习相关论文推荐
量化投资与机器学习微信公众号，是业内垂直于量化投资、对冲基金、Fintech、人工智能、大数据等领域的主流自媒体。 今天的推荐来自AQR，是关于机器学习论文的推荐。从“实证资产定价”，到“金融领域如何有效的利用机器学习模型”，再到“如何更有效的进行策略测试”等。 在最广泛的层面上，我们发现与传统方法相比，机器学习在资产定价的应用有着更好的效果。 本文建立的机器学习模型在样本外收益的预测给出了更高的R平方。 资产管理中，机器学习面临着一系列独特的挑战，与机器学习擅长的其他领域明显不同。理解这些差异对于开发有效的方法和资产管理中机器学习的现实期望至关重要。 我们讨论了各种有益的用例和潜在的陷阱，并强调了经济理论和专业知识在金融领域应用机器学习的重要性。
1.1K20编辑于 2022-03-03 - 来自专栏企鹅号快讯
推荐系统机器学习算法概览
来源：Medium 编译：weakish 编者按：Statsbot数据科学家Daniil Korbut简明扼要地介绍了用于推荐系统的主流机器学习算法：协同过滤、矩阵分解、聚类、深度学习。 数据科学家需要根据业务的限制和需求，在各种推荐算法中选择最好的算法。 为了简化这一任务，Statsbot团队准备了一份现有主要推荐系统算法的概览。 当我们想向用户推荐东西时，最符合逻辑的做法是找到有相似兴趣的人，分析他们的行为，然后给我们的用户推荐相同的东西。 或者我们可以查看与用户之前所购类似的物品，并进行相应的推荐。 聚类也能提升复杂推荐系统的性能。 深度学习 十年来，神经网络有一个巨大的飞跃。今天，神经网络被应用到许多领域，正逐渐取代传统的机器学习方法。我想谈一下YouTube使用的深度学习方法。 评分最高的那些视频将被推荐给用户。 使用这一两步方法，我们可以基于一个非常巨大的视频语料库推荐视频，同时保证推荐的少量视频是个性化的。这一设计也允许我们混合从其他来源生成的候选视频。
1.7K80发布于 2018-03-02
腾讯云开发者
