- 综合排序
- 最热优先
- 最新优先
- 来自专栏程序员的知识天地
大牛推荐的6本机器学习经典必读书
豆瓣评分: 8.7 推荐指数：????? 2️⃣《统计学习方法》by 李航 较为简略的机器学习教材。对模型的推导很清晰。 对于初学者而言，其实机器学习并不容易，如果只读这本书就更不容易了吧。 豆瓣评分: 9.0 推荐指数：????? 3️⃣《集体智慧编程》by oby Segaran 。 这本书会带着你把部分机器学习算法实现出来跑一遍。 作为阅读论文的基本参考物是值得推荐的。 豆瓣评分: 9.5 推荐指数：????? 5️⃣《Machine Learning》by Kevin P·Murphy 机器学习进阶书。 内容较为全。 豆瓣评分: 8.9 推荐指数：????? 6️⃣《The Elements of Statistical Learning》 作者是超级大牛。书也较难。侧重统计。 于是我明白了何谓”不需要其他的机器学习教材“：准确地说，是其他的教材都不需要了；一本书涵盖了我两年所学全部的研究生课程知识。 豆瓣评分: 9.4 推荐指数：?????
9.6K00发布于 2019-04-18 - 来自专栏finleyMa
6月推荐网站
sourcegraph 装了chrome扩展之后，比如在github上分析源码的好伙伴。提供定义跳转，引用及搜索等功能。
95040发布于 2018-09-10 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 - 来自专栏机器学习算法与Python学习
机器学习(6) -- SVM
SVMs 8.1 Optimization Objection 支持向量机(Support Vector Machine: SVM)是一种非常有用的监督式机器学习算法。 注1：事实上，上述公式中的Cost0与Cost1函数是一种称为hinge损失的替代损失(surrogate loss)函数，其他常见的替代损失函数有指数损失和对率损失，具体参见《机器学习》P129 周志华
90950发布于 2018-04-04 - 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. Bishop[6]；简称PRML，侧重于概率模型，是贝叶斯方法的扛鼎之作，据评“具有强烈的工程气息，可以配合stanford 大学 Andrew Ng 教授的 Machine Learning 视频教程一起来学 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。
3.4K90发布于 2018-04-08 - 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 Buy Item 5, recommond item 0,1,3 Buy Item 6, recommond item 4,7,8 Buy Item 7, recommond item 4,8,6 3个作为推荐。
1K80发布于 2018-03-13 - 来自专栏Web技术布道师
推荐6-Go maps in action 翻译
hash table 可能是计算机科学领域最重要的一种数据结构，不同的实现方式会有不同的特性，但通常来说都会提供快速查找、增加和删除的操作。Go 内置了一个名为 map 的 hash table 。
72920发布于 2019-09-06 - 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。 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。 使用Mahout可以在自己的项目中应用亚马逊、Netflix等公司的机器学习技术。 实战6：Test-Driven实践 ?
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 - 来自专栏人工智能前沿讲习
【论文推荐】了解《机器翻译专题》必看的6篇论文（附打包下载地址）
论文推荐 “SFFAI128期来自中国科学院计算技术研究所直博生张绍磊推荐的文章主要关注于自然语言处理的机器翻译专题领域，你可以认真阅读讲者推荐的论文，来与讲者及同行线上交流哦。” 关注文章公众号 回复"SFFAI128"获取本主题精选论文 01 推荐理由：本文定义了机器同传的基本框架并且提出了wait-k策略。wait-k策略目前是应用最为广泛的机器同传算法。 02 推荐理由：Wait-k策略具有训练复杂度高的问题，本文提出了一种更加高效的wait-k策略，在训练效率上有所提高，并且保持了相当的翻译质量。 03 推荐理由：本文是我们发表与AAAI2021的工作，该文章分析了wait-k策略的不足并且引入未来信息指导训练。 04 推荐理由：本文中提出的方法MMA取得了目前机器同传的最佳性能，也是本次分享的强baseline之一，所以建议了解其基本方法。
40020编辑于 2022-02-24 - 来自专栏deepcc
js判断IE6（推荐方法一）
不得不使用判断的方法 //方法1:推荐 if ( /MSIE 6/.test(navigator.userAgent)){ } //方法2： if ( navigator.appVersion.indexOf ("MSIE 6")>-1){ } //方法3：检查浏览器能力来判断是否是IE6 if ( !!
5.6K80发布于 2018-05-16 - 来自专栏PDF转换docx
6大多人协作工具推荐
在社会发高速发展的今天，越来越多的人加入了在线办公的大军中，所以就有很多的在线办公难题需要解决，比如多人在线协作等等，今天我就为大家带来6款多人协作办公软件的测试，接下来请往下看。 而且没有任何捆绑，套路付费内容等等，这也是我为什么极力推荐它的原因。主要协作功能； ONLYOFFICE支持云端使用，可以实现多人实时在线编辑，协同工作。 结语； 好了，今天就给大家测试这6款协作软件，如果大家以后向要测试其他的软件尽管私信或者评论区留言给我，我会尽量满足大家的要求。
3.6K40编辑于 2023-01-06 - 来自专栏SuperFeng
机器学习系列 6：正规方程
还会不会有其他方法求参数呢？答案是有的，可以用正规方程（Normal Equation）去求参数。
93610发布于 2019-09-26 - 来自专栏云深之无迹
Julia机器学习核心编程.6
本例创建了一个具有6个元素的数组。 ? 前面我们讨论的数组元素的类型是相同的。 创建具有不同类型元素的数组 如下代码创建了一个具有不同类型元素的数组，但是一些元素会自动提升它的类型。 ? DataFrame是统计分析推荐的数据结构。Julia提供了一个名为DataFrames的包，它具有使用DataFrames所需的所有功能。Julia的DataFrames包提供了三种数据类型。 假设有一个带有浮点数的数据集： julia> x = [1.1, 2.2, 3.3, 4.4, 5.5, 6.6] 这将创建一个具有6个元素的数组{Float64,1}。 01 julia> x[1] = NA 02 NA 03 julia> x 04 6-element DataArrays.DataArray{Float64,1}: 05 NA 06 2.2 julia> true || x 02 true 03 julia> true && x[1] 04 NA 05 julia> mean(x) 06 NA 07 julia> mean(x[2:6]
2.7K20发布于 2020-08-18 - 来自专栏AI机器学习与深度学习算法
机器学习入门 6-6 随机梯度下降法
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍批量梯度下降法的弊端进而引出随机梯度下降法，并通过代码构建随机梯度下降法。
1K00发布于 2019-11-13 - 来自专栏人工智能
6种机器学习算法要点
本文旨在为人们提供一些机器学习算法，这些算法的目标是获取关于重要机器学习概念的知识，同时使用免费提供的材料和资源。当然选择有很多，但哪一个是最好的？哪两个互相补充？什么是使用选定资源的最佳顺序？ 通用的机器学习算法包括： ·决策树 ·支持向量机 ·朴素贝叶斯 ·邻近算法 ·K-means聚类算法 ·随机森林 下面是使用Python和R代码简要解释的常见机器学习算法。
1K90发布于 2018-01-09 - 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.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 github链接： https://github.com/shinseung428/GlobalLocalImageCompletion_TF ▌Rank 6 Obfuscated-gradients
1.7K20编辑于 2022-03-04
腾讯云开发者
