- 综合排序
- 最热优先
- 最新优先
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
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。 3、接下来，我们要移动中心点到属于他的“聚类”的中心。 4、然后重复第2）和第3）步，直到，中心点没有移动，那么算法收敛，找到所有的聚类。 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。 KNN KNN分类可能是所有机器学习算法里最简单的一个了。 ? 如上图所示，K=3，鼠标移动到任何一个点，就找到距离该点最近的K个点，然后，这K个点投票，多数表决获胜。就是这么简单。 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JavaEdge
机器学习入门(八) — 推荐系统我们在哪能见到推荐系统3 推荐的分类模型4 协同过滤
我们在哪能见到推荐系统 个性化正在改变我们关于世界的经验 影片推荐 商品推荐 音乐推荐 朋友推荐 image.png 药品 - 靶相互作用 3 推荐的分类模型 3.1 最简单的方法 - 流行度 3.2
67030发布于 2018-12-25 - 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。 《Mining of Massive Datasets》（《大数据》） 作者Anand Rajaraman[3]、Jeffrey David Ullman，Anand是Stanford的PhD。 《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. 我在科大一年级的时候就学习了这门课，后来到了中国香港后，又重新把线性代数读了一遍，所读的是 Introduction to Linear Algebra (3rd Ed.) by Gilbert Strang
3.4K90发布于 2018-04-08 - 来自专栏清羽飞扬
CloudflareVercel项目推荐(3)
碎碎念 早期，我曾发布过两个关于 Cloudflare 和 Vercel 平台的项目推荐，发现大家对此类内容非常感兴趣。因此，我决定将这一栏目长期更新！ 鉴于 Cloudflare 和 Vercel 等 Serverless 平台之间有许多共性，这次我将二者的推荐内容合并在一起，希望能为大家提供更多实用的参考。 作者提供了两种部署方式，推荐选择第一种方式。尽管第二种方式看似更简单，但实际上和第一种差异不大。第一种方式部署过程更加清晰直观，且在出现问题时便于调试 (Debug)。 用户仅需通过平台进行快速配置即可上线： Vercel: 推荐的主流选择，一键部署便捷高效； Cloudflare Pages 和 Zeabur: 也可以支持该项目的快速部署，适合不同需求的用户。 为解决图标素材的问题，我下面会推荐一个专门的图标生成站点，该站点支持图标的内边距、外边距以及阴影等多种自定义选项，能够完美契合该封面制作工具。具体介绍请见下面的项目。
56410编辑于 2025-01-14 - 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（ 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 如下图所示： [plain] view plaincopy 1 1 3 1 2 3 1 3 3 1 4 1 2 1 1 2 2 1 2 3 1 2 4 1 ...... Item 8, recommond item 4,7,6 time spent: 1.9111089706420898 代码中，我们计算了每一个Item与其他所有item的相关性，然后排序选取最大的前3个作为推荐
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 ，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。 实战3：Spark + ML ? 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
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。 BigML API提供了3种重要的模式：命令行接口、Web接口和RESTful API，其支持的主要功能包括异常检测、聚类分析、决策树的SunBurst可视化以及文本分析等。
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。 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。 原文地址：https://blog.statsbot.co/recommendation-system-algorithms-ba67f39ac9a3
1.7K80发布于 2018-03-02 - 来自专栏目标检测和深度学习
推荐 | 机器学习开源项目 Top 10
一直为开发者提供优质学习资源的Mybridge最近又发布了一篇资源性文章：机器学习领域开源项目Top 10，AI科技大本营做了简要编译。 张量生成式(简称TC)是一个多功能的C++库，利用Halide、ISL、NVRTC和LLVM框架，它能够自动合成高性能的机器学习内核。 github链接： https://github.com/facebookresearch/TensorComprehensions ▌Rank 3 Shap：由Scott Lundberg开源，该项目使用期望值和 Shapley值，可以解释任何机器学习模型的输出。 github链接：https://github.com/slundberg/shap ▌Rank 4 NapkinML：由Erik Linder-Norén开源，该项目是浓缩版的NumPy库，能够实现机器学习中的各种模型
1.7K20编辑于 2022-03-04 - 来自专栏智能大数据分析
【机器学习 | 数据挖掘】智能推荐算法
它结合了大数据技术、人工智能（AI）、机器学习（ML）和数据挖掘等多种方法，旨在通过自动化的方式分析复杂数据集，发现潜在的价值和关联性，实现数据的自动化处理和分析，从而支持决策和优化业务流程。 虽然RSS订阅已淡出了舞台，但是它为智能推荐起到了铺垫作用，用户已经尝到了个性化的甜头，由机器进行个性化推荐自然而然地得到了广泛应用。 而YouTube所做的一个个性化推荐和热门视频列表的点击率比较的实验的结果表明，个性化推荐的点击率为热门视频列表的点击率的两倍。 3. 对攻击前后的推荐列表的相似度进行评价，从而评价推荐算法的健壮性。 3. C_3 ，保留 C_2 中满足约束条件的项集得到3项频繁项集，记为 L_3 。
46410编辑于 2025-01-22 - 来自专栏AI研习社
Github项目推荐 | Python机器学习课程
Machine Learning Course with Python by Machine Learning Mindset 简介 本项目的目的是提供一个全面而简单的使用Python的机器学习课程。 machine-learning-course.readthedocs.io/en/latest/ Github项目地址： https://github.com/machinelearningmindset/machine-learning-course#id4 动机 机器学习 现在已经有大量的关于机器学习的文献。这个项目的目的是通过一个全面而简单的使用Python的机器学习教程来提供机器学习的最重要方面内容的了解学习。 在这个项目中，我们使用许多著名机器学习框架（如Scikit-learn）来构建我们的教程。 在这个项目中，你将学习到： 机器学习的定义是什么？ （机器学习）从什么时候开始，它的趋势是什么？ 机器学习分类和子分类是什么？ 最常用的机器学习算法有哪些，以及如何实现它们？ 机器学习 主题 文档 机器学习简介 Overview 机器学习基础 ?
95840发布于 2019-05-22 - 来自专栏机器学习与推荐算法
推荐算法背后的机器学习技术
（3）强化学习：研究在一个特定环境中如何采取每一步的行动，从而获得最大的累积奖励。比如电子游戏中的打坦克游戏，目的是避免对方攻击和击毁最多的坦克。 图3 机器学习模型的混淆矩阵 从图3的混淆矩阵中可知道，待评价的数据样本中，真正的正样本数量为P, 真正的负样本数量为N, 正样本被模型正确预测为正样本的数量为TP, 正样本被模型错误预测为负样本的数量 A，即3个TP；2个其他分类被错误的预测为A，即2个FP。 （2）B分类：5个真正的B分类为正确预测为B，即5个TP；3个其他分类被错误的预测为B，即3个FP。 （3）C分类：2个真正的C分类为正确预测为C，即2个TP；2个其他分类被错误的预测为C，即2个FP。
60630编辑于 2022-10-31 - 来自专栏机器学习与统计学
优秀教程推荐|机器学习100天
人工智能很火 所以网上各式各样的资料特别多 动辄几十GB，上百GB的云盘链接 但是能把一个教程完整看完的少之又少 坚持下去确实很难 最近在github看到一个很不错的机器学习教程 100 Days of
46020发布于 2019-04-08 - 来自专栏AI科技大本营的专栏
推荐 | 机器学习开源项目 Top 10
编译 | AI科技大本营 一直为开发者提供优质学习资源的Mybridge最近又发布了一篇资源性文章：机器学习领域开源项目Top 10，AI科技大本营做了简要编译。 张量生成式(简称TC)是一个多功能的C++库，利用Halide、ISL、NVRTC和LLVM框架，它能够自动合成高性能的机器学习内核。 github链接： https://github.com/facebookresearch/TensorComprehensions ▌Rank 3 Shap：由Scott Lundberg开源，该项目使用期望值和 Shapley值，可以解释任何机器学习模型的输出。 github链接：https://github.com/slundberg/shap ▌Rank 4 NapkinML：由Erik Linder-Norén开源，该项目是浓缩版的NumPy库，能够实现机器学习中的各种模型
66480发布于 2018-04-26 - 来自专栏SAMshare
MLK | 机器学习论文搜索利器推荐
上次推荐了一下 NG论文阅读的一些技巧(点击回顾)，那今天就顺着来给大家推荐一些机器学习相关的论文，有很多我自己都没看过的，但已经在我的清单内，欢迎大家也可以收藏，纳入学习清单，最好是打印出来，多次阅读 ，如果各位还有其他好用的办法，也欢迎推荐给我哈~ ? (3) paperswithcode 传送门： https://paperswithcode.com/ 简单介绍： 压轴登场！ 这个是我强力推荐的一个网站，它不仅收录了很多机器学习的论文，而且还把相关论文的代码也一并收录，大多数也都配备了数据集，可以拿来直接操作一波，而且，它还可以按照热度给我们排序，这样子我们可以挑着一些重要热门的来看 SAMshare 机器学习相关论文推荐（排名不分先后）： [1] XGBoost: A Scalable Tree Boosting System Download：https://arxiv.org/
76430发布于 2019-08-16 - 来自专栏机器人课程与技术
ROS机器人编程新书推荐
来源网站 一本新的ROS书籍：“ROS机器人编程，由TurtleBot3开发人员编写”。 现在，这本书已经出版了英文和中文版本。 你可以下载这本书的pdf。 [简介] 标题：ROS Robot Programming（EN）/ ROS机器人编程（CN） 子标：由TurtleBot3开发人员编写 作者：YoonSeok Pyo、HanCheol Cho、RyuWoon [目标读者] 希望学习基于ROS（机器人操作系统）的机器人编程的大学生和研究生，以及从事机器人开发或软件编程的专业研究人员和工程师。 我们试图提供在TurtleBot3和OpenManipulator上工作时所学到的详细信息。我们希望本书能成为ROS初学者的完整手册，更多的人将为不断增长的开放式机器人社区做出贡献。 ＆导航与TurtleBot3 如何使用ROS Java编程送货机器人 使用MoveIt!
1.4K20编辑于 2022-04-29 - 来自专栏机器学习炼丹之旅
机器学习：异常检测和推荐系统
这是机器学习算法的一个常见应用。这种算法的一个有趣之处在于：它虽然主要用于非监督学习问题，但从某些角度看，它又类似于一些监督学习问题。什么是异常检测呢？ 例如：1.欺诈行为检测2.生产（例如飞机引擎）3.检测数据中心的计算机运行状况 例如：1.邮件过滤器2.天气预报3.肿瘤分类 1.6 特征选择 对于异常检测算法，影响系统好坏的主要因素就是特征的选取， 原始高斯模型和多元高斯模型的对比： 二、推荐系统 2.1 产生目的 推荐系统，是机器学习中的一个重要的应用。大思想，并和大家分享。 对机器学习来说，特征是很重要的，你所选择的特征，将对你学习算法的性能有很大的影响。因此，在机器学习中有一种大思想，对于某些问题，存在一种算法可以为你自动学习一套好的特征。 接着对于每个用户，我们都计算出一个 \theta^{(j)} \in \R^3 ，然后我们用 (\theta^{(j)})^Tx^{(i)} 即可表示用户 j 对于电影 i 的预测评分。
1.7K20编辑于 2022-09-19 - 来自专栏企鹅号快讯
推荐：机器学习 Python库Top 20
提交数: 10466, 贡献者: 493, Github 链接: Tensorflow(https://github.com/tensorflow/tensorflow) 3. Shogun是一个机器学习工具箱，它提供了很多统一高效的机器学习方法。这个工具箱允许多个数据表达，算法类和通用工具无缝组合。 Orange3是一个同时适用于新手和数据专家的机器学习和数据可视化开源软件，支持拥有大型工具箱的交互式数据分析工作流程。 提交数: 6356, 贡献者: 40, Github 链接: Orange3(https://github.com/biolab/orange3) 14. PyBrain是一个模块化的 Python 机器学习库。它致力于为机器学习任务提供灵活易上手但功能强大的算法，和一系列用于测试和比较算法的预定义环境。
1.1K80发布于 2018-01-12
腾讯云开发者
