- 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
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
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
所有这一切，都是背后的推荐算法运作的结果。最经典的关联规则算法是大名鼎鼎的Apriori算法，源自一个超市购物篮的故事：啤酒总是和尿布一起被购买。有兴趣的可以去看看。 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。 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 - 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。 github.com/CMU-Perceptual-Computing-Lab/openpose ▌Rank 2 TensorComprehensions：由Facebook Research提出的，一种用于表达机器学习工作负载领域的特定语言 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
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。 国外著名的电子商务网站亚马逊被RWW（读写网）誉为“推荐系统之王”，该网站最主要的推荐系统应用为个性化商品推荐列表和相关商品推荐列表。 （1）推荐列表 通常网站给用户进行推荐时，针对每个用户提供的是一个个性化的推荐列表，也叫作TopN推荐。TopN推荐最常用的准确性指标是准确率、召回率和 F_1 值。 推荐系统的实时性体现为两个方面，一个为能够实时地更新推荐列表满足用户的新的行为变化，通过推荐列表的变化速率进行评测；另一个为推荐系统能够将新加入系统的物品推荐给用户，通过用户推荐列表中新加物品所占比例进行评测
46310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
机器学习是一种利用统计和其他数学理论给予计算机学习能力的方法。机器学习和统计其实都有相同的目标：从数据中学习知识。但是具体的手段和理念有所不同。 01 机器学习预测结果推广性理论 对于机器学习问题而言，我们最关心的是算法的预测效果。 对此，机器学习有其理论框架，因此能够从根本上保证了机器学习的推广性。有两种常用的理论框架，如表1所示。 02 机器学习问题的分类 机器学习算法是一个大的家族，狭义上是统计学的一个分支，广义上是人工智能研究的基础。按照不同的标准，机器学习算法可以有不同的分类方式。 原理篇中，我们重点讨论机器学习模型建模的全部流程，各类常用的机器学习算法原理，深度学习和强化学习原理，机器学习涉及的优化论原理，以及机器学习和自然语言处理技术。
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。 github.com/CMU-Perceptual-Computing-Lab/openpose ▌Rank 2 TensorComprehensions：由Facebook Research提出的，一种用于表达机器学习工作负载领域的特定语言 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
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 前情回顾 MLK | 那些常见的特征工程 MLK | 模型评估的一些事 MLK | 机器学习的降维”打击“ MLK | 非监督学习最强攻略 MLK | 机器学习采样方法大全 MLK | 一文理清 深度学习前馈神经网络 ，如果各位还有其他好用的办法，也欢迎推荐给我哈~ ? 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
包括嵌入式系统，移动机器人和用ROS编程的机器人手臂等主题。对于那些刚刚接触ROS的人来说，整本书中都有脚注提供了更多关于网络的信息。 通过这本书，我们希望更多的人能够意识到并参与提出机器人工程不断加速的集体知识。 [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。 和Gazebo进行OpenManipulator仿真 [章节目录] 第01章 机器人软件平台 第02章 机器人操作系统ROS 第03章 配置ROS开发环境 第04章 ROS的重要概念 第05章 ROS命令 第06章 ROS工具 第07章 ROS编程基础 第08章 机器人/传感器/电机 第09章 嵌入式系统 第10章 移动机器人 第11章 SLAM和导航 第12章 服务机器人 第13章 机械手 CSDN
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？ 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。 而推荐系统就是这样一种算法，可以学习得到数据的特征。 下面我们将以一个电影评分的例子来介绍推荐系统，首先对于这个例子进行一些定义。 2.4 算法向量化及实现 向量化 推荐系统可以实现下面这样的功能： 当给出一件产品时，你能否找到与之相关的其它产品。 一位用户最近看上一件产品，有没有其它相关的产品，你可以推荐给他。
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
KDnuggets 为您带来 Github 上最新的 Python 机器学习开源项目前 20 名。 该系统设计的初衷是为了便于机器学习研究，能够更快更好地将科研原型转化为生产项目。 Pylearn2是一个机器学习库。它的大多数功能都是构建于Theano 之上的。 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。 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 - 来自专栏悦思悦读
本期特别推荐| 机器入门经典项目
本文将为你介绍9种机器学习入门项目创意，更有微软ATP助力你的学习之路。 在机器学习领域有什么好的项目可以实操吗？有哪些经典小项目可以推荐学习呢？ 以下的项目将帮助你更好了解机器学习，步入AI领域的大门！ 鸢尾花分类项目 ▍项目构想：鸢尾花有不同的种类，你可以根据花瓣和萼片的长度来区分它们。这是机器学习初学者预测新鸢尾花种类的基础项目。 ：MNIST数字分类python项目使机器能够识别手写数字。 这个机器学习初学者的项目旨在根据上一年的数据预测股票市场的未来价格。 它将使用葡萄酒的化学信息，并基于机器学习模型，它将为我们提供葡萄酒质量的结果。
51920编辑于 2023-03-21 - 来自专栏小道
机器学习学习笔记(2) -- 推荐算法
1、推荐系统涉及的知识 电子商务业务知识、网站架构运营、机器学习算法、数学建模、大数据平台… 2、推荐系统涉及的常见算法 聚类、关联模式挖掘、大规模矩阵运算、文本挖掘、复杂网络和图论计算等… 3 、推荐系统分类 Ⅰ、基于应用领域分类 电子商务推荐系统、社交好友推荐系统、搜索引擎推荐系统、信息内容推荐系统...... Ⅱ、基于设计思想分类 基于协同过滤的推荐系统、基于内容的推荐系统、基于知识的推荐系统 、混合推荐系统...... Ⅲ、基于使用何种数据分类 基于用户行为的推荐系统、基于用户标签的推荐系统、基于社交网络数据的推荐系统、基于上下文信息的推荐系统...... 4、实现协同过滤的步骤 ①收集用户偏好数据 ，基于邻域的推荐算法又分为基于物品推荐算法和基于用户推荐算法。 、根据用户标签进行推荐、基于隐语义的推荐算法等。
80030发布于 2021-04-13
腾讯云开发者
