登录注册

  • 为什么GPU很快，在机器学习中至关重要？

    CPU很擅长快速完成一些事情。 这通常很好，有足够的分支（如果用户这样做，那样做），以及大规模并行性实际上不可能的其他顺序约束。GPU很好，可以做很多“慢”的事情。由于它们最初用于执行图形要求，因此它们希望一次性完成大量工作(考虑将图像的所有像素转换为灰度）。所以这里有一个权衡，对于ML来说GPU由于可以并行完成这些巨大的算术运算而赢得大量时间。

    欢马劈雪
    GPU， 机器学习

  • 什么是数据分析和机器学习？

    描述性分析:确定所发生的事情。这通常涉及到描述发生了什么现象的报告。例如，用这个月的销售额与去年同期进行比较的结果。特征性分析:解释现象发生的原因，这通常涉及使用带有OLAP技术的控制台用以分析和研究数据，根据数据挖掘技术来找到数据之间的相关性。预测性分析:评估可能发生的事情的概率。这可能是预测性分析被用来根据你的工作性质、个人兴趣爱好，认为你是一个潜在的读者，以便能够链接到其他的人。

    欢马劈雪
    数据分析， 机器学习

  • 谈谈机器学习入门

    这里不是让你从新去啃线性代数，去看概率论、微积分的书，当然啃下来肯定是有帮助，但我们从效率的角度来说，其实只需要几个知识点，或者说，书本里的几个章节。

    黑派客
    机器学习， 入门

  • 5种常用的机器学习模型简介

    机器学习模型中有许多种不同方法可以用来解决分类和回归问题。对同一个问题来说，这些不同模型都可以被当成解决问题的黑箱来看待。然而，每种模型都源自于不同的算法，在不同的数据集上的表现也各不相同。最好的方法是使用交叉比对的方式来决定在待测试数据上哪种模型的效果最好。在此尝试对每种模型的算法模式进行简要总结，希望能帮助你找着适合特定问题的解决方法。

    欢马劈雪
    机器学习， 模型

  • 5个杰出的机器学习商业用例

    大数据和机器学习的结合可以释放您已经为业务赢得竞争优势所必需的数据的价值。

    欢马劈雪
    机器学习， 商业， 用例

  • 机器学习简介与基础知识概要

    机器学习是一门为了预测某个值而对系统应用算法来学习数据中模式的科学。利用足够的数据，在所有输入变量与待预测值之间建立关系。在给定其他输入变量的情况下，系统更容易预测一个新的值。这种方法不同于传统编程，在传统编程中，应用程序是基于先前设置的规则开发的。

    欢马劈雪
    机器学习， 基础知识， 概要

  • 机器学习相关技术最重要的函数：误差函数和偏差

    说起机器学习就不能不提到误差函数，基于梯度下降算法的机器学习问题本质上都可以抽象成误差函数的优化过程。误差函数的设计上决定了机器学习任务的成败，本文我们就来聊聊误差函数。

    欢马劈雪
    机器学习， 误差， 函数

  • 机器学习常用算法

    哈佛商业评论称数据科学家是21世纪最性感的工作。所以，对于那些ML刚刚开始的人来说，十大算法是非常有用的。ML算法是可以从数据中学习并从中改进的算法，无需人工干预。学习任务可能包括将输入映射到输出，在未标记的数据中学习隐藏的结构，或者“基于实例的学习”，其中通过将新实例与来自存储在存储器中的训练数据的实例进行比较来为新实例生成类标签。

    欢马劈雪
    机器学习， 常用， 算法

  • 机器学习模型的可解释性

    机器学习业务应用以输出决策判断为目标。可解释性是指人类能够理解决策原因的程度。机器学习模型的可解释性越高，人们就越容易理解为什么做出某些决定或预测。模型可解释性指对模型内部机制的理解以及对模型结果的理解。

    黑派客
    机器学习， 模型， 可解释性

  • 基于 Kubernetes 的大规模机器学习系统设计方法

    伴随着人工智能时代的来临，越来越多的业务场景需要我们利用 AI 技术去支持，而机器学习则是目前人工智能方向最重要的子领域之一。各种机器学习模型构建的过程可以抽象概括为：收集数据和数据预处理、特征工程、模型调优和效果评估以及模型部署，整个过程如图 1 所示。在企业级应用场景中，通常在数据预处理和特征工程中会涉及海量数据的收集处理。因此，在大规模模型的处理和运算过程中，如何高效利用海量数据、批量生成机器学习模型就是一个关键问题。

    黑派客
    Kubernetes， 机器学习， 系统设计

  • 机器学习模型偏差的影响，探索消除此类偏差的方法

    偏差是指对某个人、某个群体或某个事物所持有的一种有失公允的偏袒或反对。随着机器学习日渐成为我们日常生活中不可或缺的一部分，问题也随之而来，即机器学习是否也存在偏差？在本文中，我将深入探究这个问题及其产生的影响，并探讨消除机器学习模型偏差的多种方法。

    黑派客
    机器学习， 模型， 偏差

  • 机器学习的策略原理

    开介绍机器学习主要的算法框架，包括监督学习算法，无监督学习算法和常用的降维，特征选择算法等；最后在业务实践的过程中，给出了一个可行的项目管理流程，可供参考。

    欢马劈雪
    机器学习， 策略， 原理

  • 微服务化生产机器学习变得更容易。

    在许多软件工程学科中，生产用例是相当标准化的。以 Web 开发为例：要在 Web 应用中实现身份验证，你无需发明数据库，编写自己的哈希函数，或者设计一个新的身份验证策略。你可以使用某个定义好的方法，并利用标准工具就能在 Web 应用中实现身份验证。然而，在机器学习中，这种标准化并不存在。为了构建从模型训练到部署的管道，团队不得不构建自己的解决方案，主要的问题是从头开始开始构建解决方案。

    欢马劈雪
    微服务化， 生产， 机器学习， 容易。

  • 一套完整大规模分布式系统机器学习系统需要哪些组成部分呢？

    在云计算环境下，虚拟机的负载均衡、自动伸缩、绿色节能以及宿主机升级等需求使得我们需要利用虚拟机(VM)迁移技术，尤其是虚拟机热迁移技术，对于down time（停机时间）要求比较高，停机时间越短，客户业务中断时间就越短，影响就越小。如果能够根据VM的历史工作负载预测其未来的工作负载趋势，就能够寻找到最合适的时间窗口完成虚拟机热迁移的操作。

    黑派客
    大规模， 分布式， 机器学习， 组成

  • 深度学习及机器学习区别和发展趋势。

    本文在透彻剖析深度学习及机器学习的同时，就多方面对两者进行比较，进而探究其未来的发展趋势。

    欢马劈雪
    深度学习， 机器学习， 区别， 趋势

  • 堆叠机器学习模型应用于您自己的数据集

    有时您会发现一些通过改进代码从而让操作变得更轻松的小技巧和窍门，比如更好的可维护性和效率。本文概述了一个技巧，尽管需要一些额外的想法来实现，但使用这一技巧可以改进机器学习模型并获得更好结果。这就是本文我会向您介绍的机器学习中的堆叠。使用您自己的模型，学习如何将堆叠应用于您自己的数据集。

    欢马劈雪
    堆叠， 机器学习， 模型， 数据集

  • 机器学习，深度学习，神经网络，深度神经网络之间的区别

    先来说一下这几者之间的关系：人工智能包含机器学习，机器学习包含深度学习（是其中比较重要的分支）。深度学习源自于人工神经网络的研究，但是并不完全等于传统神经网络。所以深度学习可以说是在传统神经网络基础上的升级。

    欢马劈雪
    机器学习， 深度学习， 神经网络， 深度神经网络， 区别

热门标签

关注时代Java

Copyright © 2014-2024NowJava. All Rights Reserved. 时代Java 版权所有 京ICP备14059627号-7

关注时代Java