如何看待知乎上对July 机器学习的评价? [问题点数:40分]

Bbs1
本版专家分:0
结帖率 0%
Bbs1
本版专家分:0
Bbs10
本版专家分:109598
Blank
红花 2015年2月 扩充话题大版内专家分月排行榜第一
Blank
黄花 2018年5月 扩充话题大版内专家分月排行榜第二
2015年1月 扩充话题大版内专家分月排行榜第二
Blank
蓝花 2018年6月 扩充话题大版内专家分月排行榜第三
2018年3月 扩充话题大版内专家分月排行榜第三
2014年12月 扩充话题大版内专家分月排行榜第三
Bbs9
本版专家分:78323
Blank
黄花 2016年6月 扩充话题大版内专家分月排行榜第二
Blank
蓝花 2016年7月 扩充话题大版内专家分月排行榜第三
2016年1月 扩充话题大版内专家分月排行榜第三
Bbs9
本版专家分:98220
Blank
红花 2015年8月 扩充话题大版内专家分月排行榜第一
Blank
黄花 2016年4月 扩充话题大版内专家分月排行榜第二
2015年10月 扩充话题大版内专家分月排行榜第二
2015年9月 扩充话题大版内专家分月排行榜第二
Bbs5
本版专家分:2628
Bbs5
本版专家分:2711
Bbs7
本版专家分:20467
Bbs7
本版专家分:17825
Bbs1
本版专家分:1
Bbs1
本版专家分:0
Bbs1
本版专家分:0
Bbs4
本版专家分:1116
Bbs8
本版专家分:39133
我在知乎上对“如何评价清华特等奖学金得主韩衍隽?”的回答
第一回答的图片可能会让人产生误解。 所以这里插一句话,今天准备瞻仰韩神论文时发现的: 这里的他不是韩神,应该是论文的第一作者Jiantao Jiao,斯坦福的phd。韩神是第三作者。(或者这位教授说话欠妥) 当然韩神早就说明自己第一作者的文章了,是我自己搞错了,我看了图片以为韩神去斯坦福交流下就发了三篇数学方面突破性的文章。 个人认为韩神与中南大学刘路(还记得不)还是有一定差距。 把
对12306的看法(从知乎上转来的)
12306首秀被骂的狗血喷头后铁道部找来IBM、阿里巴巴等大企业要解决方案,给出的条件是资金管够但是问题得解决。几大企业最后都拒绝了。12306开始自己尝试解决问题。他们发现市面上可以买到的成套解决方案都不足以应付春运购票负载,所以只能自己改进已有的数据库(注:其实是改用VMware SQLFire/GemFire,这里我之前理解错误)。以前12306用的是小型机,发现性能严重不足,遂改用x86系
如何看待大数据「杀熟」?
现在一些互联网平台和商家可能已经成佛了,不“杀生”都改“杀熟”了。     我们先来看看都有哪些“杀熟”事件:关注作者:需要大数据学习视频资料可以加我QQ群   大数据无意识算法所致 第一起“杀熟”事件还要追溯到2000年,有用户在删除了浏览器Cookies之后,发现之前浏览过的一款DVD售价从26.24美元变成了22.74美元。亚马逊倒也诚恳,CEO贝索斯亲自站出来向公众道歉,并...
学习July博文总结——支持向量机(SVM)的深入理解(下)
接上篇博文《学习July博文总结——支持向量机(SVM)的深入理解(上) 》;三、证明SVM
程序员如何快速准备面试中的算法-July
前言     我决定写篇短文,即为此文。之所以要写这篇文章,缘于微博上常有朋友询问,要毕业找工作了,<em>如何</em>备战算法。尽管在微博上简单梳理过,如下图所示:         但因字数限制,许多问题无法一次性说清楚,故特撰此文着重阐述下:程序员<em>如何</em>快速准备面试中的算法,继而推荐一些相关的书籍或资料。顺便也供节后跳槽、3月春季招聘小高潮、及6月毕业找工作的朋友参考。 备战
学习July博文总结——支持向量机(SVM)的深入理解(上)
本文是参照CSDN的[July大神](http://my.csdn.net/v_JULY_v)的热门博文[《支持向量机通俗导论(理解SVM的三层境界》)](http://blog.csdn.net/v_<em>july</em>_v/article/details/7624837)写的。目的是因为July大神文中说,SVM理论的理解,需要一遍一遍的推导公式,直到脑中梳理下来,并可以直接推导相关公式的。本文的写作目的,是在笔者在第一次参
BAT机器学习面试1000题系列(第1~305题)
BAT<em>机器学习</em>面试1000题系列整理:July、元超、立娜、德伟、贾茹、王剑、AntZ、孟莹等众人。本系列大部分题目来源于公开网络,取之分享,用之分享,且在撰写答案过程中若引用他人解析则必注明原作者及来源链接。另,不少答案得到寒小阳、管博士、张雨石、王赟、褚博士等七月在线名师审校。说明:本系列作为国内首个AI题库,首发于七月在线实验室公众号上:<em>july</em>edulab,并部分更新于本博客上,且已于17...
微软面试100题系列之高清完整版PDF文档[带目录+标签]by_July
本微软面试100题系列,共计11篇文章,300多道面试题,截取本blog索引性文章:程序员面试、算法研究、编程艺术、红黑树、数据挖掘5大系列集锦:http://blog.csdn.net/v_<em>july</em>
到底该如何看待谭浩强的“C程序设计”
谭浩强老师的《C程序设计》据说已经累计发行超过1000万册,然而网上的批评和质疑之声却似乎跟这个销量数字很不相称。到底该<em>如何</em><em>看待</em>谭浩强的“C程序设计”,我想表表我的看法,也欢迎各位网友参与讨论
机器学习中进行模型评价、模型选择和算法选择的终极方法(PART I)
引言 <em>机器学习</em>已经成为我们生活中的一部分,对购买者、消费者或是希望进行研究和实践者都很重要!无论我们应用预测建模技术来进行我们的研究还是解决业务问题,我相信有一个共同点:我们要做“好”的预测!诚然,我们需要训练数据模型,但是我们怎么知道它能很好的在看不见的数据中运行?我们怎么避免它仅仅记忆那些我们提供的数据,却未能对我们从未见过的样本作出良好的预测?我们<em>如何</em>优先选择一个好的模型?也许一个不同的学
如何评价 UCLA 朱松纯教授近日访谈中对深度学习的批评?
转自:https://www.zhihu.com/question/53134248/answer/133630818 文中写道: “比如神经网络和目前的深度神经网络的学习,他们的模型(表达)、算法、和实现的结构三层 是混在一起的。就变成一个特用的计算设备, 算法就是由这个结构来实现的。当它性能不好的时候,到底是因为表达不对,还是算法不对,还是实现不对? 这个不好分析了,目前的神经网络,或者是
【干货】如何评价谷歌深度学习速成课程
  新智元推荐  来源:<em>知乎</em>作者:mileistone【新智元导读】谷歌最近推出的“深度学习速成课程”很火,虽然这门课程是为没有任何<em>机器学习</em>经验的初学者设计的,但已经跨过...
外国人眼里的朝鲜战争
外国人眼里的朝鲜战争 ---------------------------------------------------------------------- ---------- http://www.sina.com.cn 2000年10月25日08:14 解放军报   编者按:今年是中国人民志愿军抗美援朝出国作战50周年。近年来,随着各 国历史档案的不断开放、新材料
july算法课笔记
# coding=utf-8# 第一题 ''' 给定某字符串S,该字符串中有若干空格, 删除这些空格,并返回修改后的字符串;要 求时间复杂度O(N),空间复杂度O(1)。 如:“I_have_a___dream!”,返回“Ihaveadream” 注:有可能两个单词间存在若干空格。 ''' import copy import pprint import random import re imp
CNN笔记:通俗理解卷积神经网络
               通俗理解卷积神经网络(cs231n与5月dl班课程笔记)       1 前言     2012年我在北京组织过8期machine learning读书会,那时“<em>机器学习</em>”非常火,很多人都对其抱有巨大的热情。当我2013年再次来到北京时,有一个词似乎比“<em>机器学习</em>”更火,那就是“深度学习”。     本博客内写过一些<em>机器学习</em>相关的文章,但上一...
手把手教你搭建caffe及手写数字识别(Ubuntu下且附mac、纯通俗教程)
手把手教你搭建caffe及手写数字识别作者:骁哲、李伟、小蔡、July说明:时间:一、前言    在前面的教程中,我们搭建了tensorflow、torch,教程发布后,大家的问题少了非常多。但另一大框架caffe的问题则也不少,特此,我们再把caffe的搭建完整走一遍,手把手且全程命令提示。本教程参考github:https://github.com/BVLC/caffe、及《21天实战caff
邹博机器学习算法最新版( 吴恩达前辈、唐宇迪老师、张志华老师多家对比,入门最优 ) --- 献给想要入门、或者想要进阶的朋友
慌慌张张,匆匆忙忙,生活本来就是这样 很喜欢郝云的《活着》这首歌,很生动的描述了现代年轻上班族的生活。 时光飞逝,从开始接触<em>机器学习</em> 已经一年多了 现在也如愿从事<em>机器学习</em>的工作,想起当初 我是先把大学教材《高等数学》、《线性代数》、《概率论》从头到尾都看了一遍,然后又看了多家机构的<em>机器学习</em>教学视频 可以说当初的迷茫、慌张、害怕、忐忑 ,心路历程非常艰辛 因为感觉东西太多太多了 ,一会...
机器学习july
http://<em>july</em>edu.com/machinelearning.php#bengin1
我为什么建议大家玩知乎
【回复“1024”,送你一个特别推送】这是我很久在知识星球分享的一篇文章,今天重新整理一下,分享给大家。前一段时间,我发了一篇关于独立思考的文章之后,很多读者都很有共鸣,...
怎么看待奶头乐理论?
如果有用或者有帮助的话,点个赞吧,如想了解更多,右上角可以关注“阅读修身”。在悟空问答上看到这样一个问题:怎么<em>看待</em>奶头乐理论?然后就回答了一下。如下所示。MBA智库:奶头乐理论是用来描述一个设想:由于生产力的不断上升,世界上的一大部分人口将会不用也无法积极参与产品和服务的生产。为了安慰这些“被遗弃”的人,他们的生活应该被大量的娱乐活动(比如网络,电视和游戏)填满。社会动荡的主要因素之一是阶层之间的...
七月算法(julyedu.com)5 月深度学习班学习笔记-第一节数学基础
关于数学在<em>机器学习</em>中的重要性: 程博是这样说的------ 不错,数学是算法的基础,没有好的数学根基是不能触碰到算法的根源,但是我认为一般非数学专业的人适可而止,不要太迷恋数学,我们大部分人,了解微积分、矩阵等就可以了 1.梯度 了解<em>机器学习</em>的同学肯定不陌生这个名词,认为很高大上。其实没那么深奥。归根到底还是求导。。。。 多元求偏导就被定义为梯度(如上)。
深度丨如何理解和评价机器学习中的表达能力、训练难度和泛化性能
来源: Eric Jang 的个人博客非常感谢王家兴 (Jiaxing Wang) 把这个博客文章翻译成中文。当我在阅读<em>机器学习</em>相关文献的时候, 我经常思考这项工作是否:提高了模型的表达能力;使模型更易于训练; 提高了模型的泛化性能。在这篇博文中, 我们讨论当前的<em>机器学习</em>研究:监督学习, 无监督学习和强化学习在这些方面的表现。谈到模型的泛化性能的时候, 我把它分为两类:「弱泛化」和 「强泛化」。我
机器学习感悟
第一次接触<em>机器学习</em>,先谈一点基本理解: 一、<em>机器学习</em>是什么,它从属于哪个范畴??是什么?<em>机器学习</em>方法是计算机利用已有的数据(经验),得出了某种模型(规律),并利用此模型预测未来(结果)的一种方法。 事实上,<em>机器学习</em>的一个主要目的就是把人类思考归纳经验的过程转化为计算机通过对数据的处理计算得出模型的过程。经过计算机得出的模型能够以近似于人的方式解决很多灵活复杂的问题。 机器学...
关于机器学习课程的感想(一)
接下来两年半,甚至可能是五年,应该都要针对人工智能、深度学习、<em>机器学习</em>的内容进行学习。由于现在还没正式入学,所以自己先买了几本书,找了点视频对相关内容进行学习。现在想把看的内容记下来写个博客,以后回头再修改修改。 先开始的是<em>机器学习</em>的内容。视频看的是斯坦福大学教授Andrew NG(吴恩达)教授的公开课,网易云课堂上有资源大家可以直接去看。这个视频资源有两个好处,首先是大牛+名校的组合,权威性不...
从零开始掌握Python机器学习:十四步教程 - 知乎专栏
从零开始掌握Python<em>机器学习</em>:十四步教程 - <em>知乎</em>专栏Python 可以说是现在最流行的<em>机器学习</em>语言,而且你也能在网上找到大量的资源。你现在也在考虑从 Python 入门<em>机器学习</em>吗?本教程或许能帮你成功上手,从 0 到 1 掌握 Python <em>机器学习</em>,至于后面再从 1 到 100 变成<em>机器学习</em>专家,就要看你自己的努力了。本教程原文分为两个部分,机器之心在本文中将其进行了整合,原文可参阅:7 ...
(转)知乎如何看待巴菲特有望赢得与对冲基金 10 年赌局?
准确地说,这是向对冲基金下挑战书。一个重要的问题:对冲基金到底是肥了基金经理,还是肥了客户,还是两者都没有(价值毁灭型,大量对冲基金会死亡,当然带着客户的)?
对毛泽东评价诸葛亮的“隆中对”的一点异议
毛泽东说“隆中对”千里二分兵力,所以必败。 二分兵力不是绝对。 战役分兵多矣,比如粟裕的孟良崮战役,豫东战役等大多数战役,都是先让一部分部队阻援或是打援,另一部分兵力担任突击。 战略分兵,比如一野、二野、三野、四野,四分兵力。但是有重点。四野、三野建功立业多。 兵法中的“奇正”,是专门分兵的。一个是奇兵,另外一个是正兵。 韩信的“明修栈道、暗渡陈仓”,修栈道是正兵,暗渡陈仓是奇兵。  ...
如何看待美团收购摩拜单车?
【回复“1024”,送你一个特别推送】美团收购摩拜,能给美团带来什么?对摩拜的影响又是什么?这是我在<em>知乎</em>的一个回答,希望能够给大家带来一些启发。另外,我的<em>知乎</em>账号也是:非著名程序员,玩<em>知乎</em>的朋友可以一起关注互粉一下。我们先来看看美团是干什么呢?吃喝玩乐于一体的超级生活服务平台。它是典型的 O2O ,线上与线下。线上与线下需要连接起来,商家与客户也得连接起来,需要一条连接线上与线下的「实线」。而出行
涨薪20%!听听这位资深机器学习面试官的内心独白
编者按:在营长的众多死党微信群,营长发现,大家很爱谈论<em>机器学习</em>面试,也是,毕竟面试表现越好,银子也能谈得越高,能把自己卖个好价钱,当然关心了。 对于这个话题最为关注的,莫过于研究生毕业的孩纸,和有两、三年工作经验的孩纸。这群孩纸,有非常迫切的需求,想知道面试官都会问什么,毕竟这类岗位面试是很耗费精力体力的:面试会谈到各类技术知识,会有笔试、公式推导等。只有提前把相关的方面准备好,才可能在
(转载)为什么海藻会背叛,毛豆豆不会
      前几天看完了《媳妇的美好时代》,因为主演都是海清,所以不由自主的联想到《蜗居》。相似的是里面都有类似第三者插足的桥段,但却是截然不同的两种结局。《蜗居》中的第三者宋思明,有钱有地位,当然也有老婆孩子。而《媳妇的美好时代》里的第三者李若秋一样的有钱,还没有家,是个标准的钻石王老五,还有一点,他还是毛豆豆的初恋情人,可以说在情感上他有着得天独厚的优势。所以从各个角度上来看,作为第三者,《美好时代》里的第三者李若秋好像都更胜一筹,但是毛豆豆却并没有像海藻那样飞蛾扑火般飞向李若秋,反而非常坚定的过自己平
一份诚恳的互联网找工作总结和感想(附:怎样花两年时间去面试一个人)
找工作季来了,互联网大潮也将至。近来陆续有不少师弟师妹校友求分享各种资料和经验,想来手头上确实还有一些资源,也包括当初博主的师兄师姐们以及某些无私的大牛们分享的资料,笔经面经以及感想。于是翻出来看看,倒是也勾起了不少博主当初找工作时候的记忆和感想,于是一并整理整理,发上来吧。前面已经有找工作笔试面试那些事儿(15)---互联网公司面试的零零种种和多家经验、找工作笔试面试那些事儿(14)---轻松一
机器学习》(蒋三新老师)课程笔记
周二晚——“信息融合技术”课程笔记。隐含的(数学)原理在数量上的显式表现:统计学方法概述:    传统:渐进理论三阶段:1.搜集数据,采样与实验设计;2.分析数据,;3.进行推理,预测&amp;amp;分类概率论 ——统计方法:回归分析,判别分析,聚类分析,探索性分析svm:    基于统计学习理论的<em>机器学习</em>方法,具有完备的数学基础在COLT-92上首次提出,比较:1.<em>机器学习</em>——主要依靠模型、数据训练,...
浙江大学人工智能课程课件
浙江大学人工智能课程课件,内容有: Introduction Problem-solving by search( 4 weeks) Uninformed Search and Informed (H
一个机器学习博士生的忠告
一个<em>机器学习</em>博士生的忠告 纯属转载,有参考价值,更要共勉!  <em>知乎</em>原文 题主似乎没有明确自己是博士生,以下假设为博士生。 1、首先,请以一个局外人的理智角度,对你的导师进行如下分类:  ① 圈内大牛,高水平论文很多,目前自己仍在亲力亲为参与科研工作,请转2  ② 简历里面有一些高水平论文,但是似乎并不能算是大牛,请转3  ③ 其他情况,请转4 2、这一种情况是比较理
北大数院学长对转行机器学习/算法同学的建议(转自知乎
作者:LionKing数据科学 链接:https://zhuanlan.zhihu.com/p/42157282 来源:<em>知乎</em> 著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。   北大数院统计专业毕业,之前在某大公司做算法方面的工作,面试过不少人   有不少学弟学妹找我咨询过<em>机器学习</em>/算法方面的求职,其中不乏不是数学、统计、或计算机出身的同学。虽然我们北大的同学在简历筛选...
极大似然估计-七月算法(julyedu.com)4 月机器学习算法班学习笔记
从贝叶斯看极大似然估计 极大似然估计 幂律分布以下内容摘抄于七月算法(<em>july</em>edu.com)4 月<em>机器学习</em>算法班课堂讲义从贝叶斯看极大似然估计由贝叶斯公式可得 maxP(Ai|D)=maxP(D|Ai)P(Ai)P(D)max P(A_i|D) = max \frac{P(D|A_i)P(A_i)}{P(D)} 其中P(D)P(D)是客观的,可视为常量 →maxP(D|Ai)P(Ai)\ri
怎么看待大数据?
关于大数据,目前业界并没有统一定义,只有几个比较一致的观点。 一个观点是来自高德·纳咨询公司梅尔夫·阿德里安的描述:大数据是超出了常用硬件环境和软件工具,在可接受时间内为用户收集、管理和处理数据的能力,讲的是一种能力。 另一个观点,则是来自麦肯锡全球数据分析研究所的一篇论文,其中谈到:大数据是指大小超出了典型数据库软件工具收集、存储、管理和分析能力的数据集,讲的是数据的集合。 那么,该如...
如何评价React?
1. React是一个纯View层,不擅长于和动态数据打交道(哎哟咱也不谈Flux了,Flux的概念其实也不完善),因此它不同于,也替代不了常规的MV*框架;2. React很擅长于处理组件化的页面,在页面上搭组件的形式有点像搭乐高一样,因此用上React的项目需求常规为界面组件化。另外React只支持到IE8+,就天朝的情况,是否使用React还是得稍微斟酌一番。以React刚出世的时候的眼光看...
如何看待数字货币
我在2万美元买了比特币,现在每天提心吊胆 在比特币飙到接近 2 万美元的时候,有人发誓从此再也不碰比特币,有人因为提前卖掉比特币而自杀,还有人欠下消费贷债务无法填坑…… 去年 12 月,美国最大的期权交易所 CBOE 推出了比特币期货,让本已疯狂的比特币价格继续推高,在一周内上涨了 20%,并在 12 月 17 日一举突破 2 万美元的关卡达到史前的最高报价 20888 美元。 在比特币接近...
周志华--机器学习原文 转自知乎
<em>机器学习</em>笔记 专栏https://zhuanlan.zhihu.com/p/33621750
从头到尾彻底理解KMP
从头到尾彻底理解KMP
机器学习&深度学习大牛博客专栏总结
在学习过程中,总结了一些大牛的博客专栏,在此分享出来,希望能帮到大家。 1.<em>知乎</em>专栏 <em>机器学习</em>算法工程师 作者是一名算法全栈。 2.<em>知乎</em>专栏 数据分析侠 作者是《数据分析侠的成长故事》作者,前支付宝员工。 3.CSDN专栏 zouxy09的专栏 作者是一名博士生,博文特点是逻辑清晰,语言通俗易懂,比喻非常恰当,极其适合初学者理解知识点。 4.CSDN专栏 Babers 作者对And...
程序员面试、算法研究、编程艺术、红黑树、机器学习5大系列集锦
                程序员面试、算法研究、编程艺术、红黑树、<em>机器学习</em>5大经典原创系列集锦与总结 (七月在线:https://www.<em>july</em>edu.com/,面试 &amp;amp; 算法 &amp;amp; <em>机器学习</em>在线课程)   作者:July--结构之法算法之道blog之博主。 时间:2010年10月-2018年5月,一直在不断更新中.. 出处:http://blog.csdn....
支持向量机通俗导论(理解SVM的三层境界)
from July,转载自:http://blog.csdn.net/v_<em>july</em>_v/article/details/7624837 hypervector算法优化数据挖掘 目录(?)[+]         支持向量机通俗导论(理解SVM的三层境界) 作者:July、pluskid ;致谢:白石、jerrylead 出处:
July机器学习课程课件
July<em>机器学习</em>课程July<em>机器学习</em>课程July<em>机器学习</em>课程July<em>机器学习</em>课程
看看朝鲜是如何评价中国的真相令国人震惊
朝鲜是<em>如何</em><em>评价</em>中国的?真相令人震惊   朝鲜认为,中国在改革开放后走上了修正主义道路。什么是修正主义?简单来说,在社会主义国家里,如果打着社会主义旗帜,实际搞资本主义那一套,这就是修正主义。这是社会主义国家进行和平演变,逐步走向资本主义的阶段。最终的结果就是社会主义垮台,建立资产阶级政权,正式确立资本主义制度。      朝鲜坚持走社会主义公有制道路,对于中国特色社会主义道路存在
知乎如何评价2010年柴静采访丁仲礼的视频?
<em>知乎</em>:<em>如何</em><em>评价</em>2010年柴静采访丁仲礼的视频?主持人:钱教授在访问中强调,自己只是一家之言,他是在提供科学研究的另外一种视角和可能性。但他说,有了这样的怀疑和碰撞,并不会让我们损失什么,只会让我们在交锋当中更加去接近真理。不过不管科学界有多大的争议,有一个共识是人类共有的,那就是我们要尽可能地去降低温室气体的排放,而这也是哥本哈根气候谈判的基础。3月9号,中国政府批准哥本哈根协议,时间已经过去了三个
怎么看待程序员普遍缺乏数据结构和算法的知识?
【回复“1024”,送你一个特别推送】在很多程序员看来,数据结构,算法这一类的东西感觉没用,在实践中都不常用,所以都会很忽视这类内容,但是在很多公司看来,尤其是大公司看来...
如何看待「华为CFO、任正非之女孟晚舟在加拿大被捕」事件?
点击上方“程序人生”,选择“置顶公众号”第一时间关注程序猿(媛)身边的故事任正非之女华为 CFO 孟晚舟在温哥华被捕,中国使馆要求立刻放人北京时间 12 月 6 日,据加...
如何理解人工智能、机器学习和深度学习三者的关系
今天我们就用最简单的方法——同心圆,可视化地展现出它们三者的关系和应用
外国学者对马克思数手稿的科学评价
外国学者对马克思数手稿的科学<em>评价</em>   在西方学术界,直到1983年才对马克思数学手稿(英文版)有所了解。   外国学者对马克思数学手稿的乐学<em>评价</em>是完全肯定的,同时也注意到中国非标准分析学者的工作。请见附件。袁萌  5月5日 附: Mathematicalmanuscripts of Karl Marx  The Mathematicalmanuscripts of Karl Marx consis
机器学习模型的评价
<em>机器学习</em>是一门跨学科领域,涉及到统计学、计算机科学、最优化理论、信息理论、神经科学、理论物理以及其他领域。同时,<em>机器学习</em>也是一门非常年轻的学科。<em>机器学习</em>的大规模应用仅仅开始于过去二十年。当今,数据科学应用已成为一种职业。就像西部开发一样,拥有则无尽的机会,同时也有伴随着很多迷惑与问题。    本文将从以下部分对<em>机器学习</em>模型的<em>评价</em>进行介绍:  * 介绍模型离线与在线<em>评价</em>体系与知识;  * 介绍
对中国反腐的一些看法
中国2012年来进行了五年反腐,取得了很大成就,例如周永康、薄熙来、徐才厚、孙政才、宁计划等一批高官落马, 还有不计其数的厅官和县官被依法处理,让政治风气和社会风气取得了好转 中国的反腐不仅有政府还有军队,军队也抓了很多人。 反腐与改革是同步的。中国也进行了许多改革,例如新增了国家监察委,监察委由人大产生,和政府是平级的,因此少了政府的掣肘。 还有军队改革,军队新增了联合作战指挥体系,军队
| 一文读懂迁移学习(附学习工具包)
          当一个CNN用于另一个领域,就使用到了迁移学习。迁移学习是一种用于模型领域泛化和扩展的工具。          文章链接:独家 | 一文读懂迁移学习(附学习工具包)          参考:当深度学习成为过去,迁移学习才是真正的未来?           <em>知乎</em>:什么是迁移学习?1. 前言迁移学习(Transfer Learning,TL)对于人类来说,就是掌握举一反三的学习能力...
机器学习知乎:深度学习助力内容分析处理,智能问答产品或成未来目标
<em>知乎</em>,中文互联网最大的知识社交平台,用户通过这个平台,彼此之间分享经验、交流知识。从 2010 年发展至今,<em>知乎</em>已经拥有超过 8400 万用户。如此庞大的用户群体,每天都会产生十分巨大的数据,如果只依靠人工管理,将会是一个巨大的挑战。<em>知乎</em>将人工智能引用在各个不同的应用场景,InfoQ 记者来到<em>知乎</em>,采访到<em>知乎</em><em>机器学习</em>团队负责人张瑞,他将为我们解密<em>机器学习</em><em>如何</em>为<em>知乎</em>提供高效运营管理。 <em>知乎</em>
海外网民对中国独特高效的政治体制的评价
海外网民积极<em>评价</em>中国独特高效的政治体制   中国网 china.com.cn  时间: 2008-04-02  
如何评价歌手李健
              我不懂乐理,但希望在音乐方面有一定的认识。李健是我非常喜欢的一个歌手,兴许觉得他的歌声空灵,充满了文艺气息,符合我的品味。从喜欢的歌手出发慢慢打开音乐的大门,学会感悟和评论,也许是学习音乐和感受音乐的一种方式。 (一)        李健的声音清澈、清新,并散发着原野的绿色清香,在他淡雅柔和的声调中,又不乏一种现代的美感。        李健的风格,有民谣的简洁...
机器学习之支持向量机(SVM)
支持向量机算法在深度学习没有火起来的2012年前,在<em>机器学习</em>算法中可谓是霸主地位,其思想是在二分类或者多分类任务中,将类别分开的超平面可能有很多种,那么哪一种的分类效果是最好的呢?这里引入了支撑向量的概念,我们总可以在几个类别的分界面处找到类别的一些样本点,以这些样本点的中垂线为平面的这个分界面可以使得类别中的点都离分界面足够远,那么这个平面就是最理想的分割超平面
如何看待华为要求清理34岁以上的员工?
作者:匿名用户链接:https://www.zhihu.com/question/55618811/answer/146053531来源:<em>知乎</em> 说到每个个体,针对华为的员工和想加入华为的人来说: 1, 年纪大了的人就不要去华为了,个人认为如果是30多了就不要去了,至少短期不要去了,干不久不说,搞不好被招进去背裁员的指标也说不定(真有HR这么干,招人进去为了之后的裁员准备的,这个不确
不合格高校教师的自我总结(学生评价和思考反省)
不合格高校教师的自我总结另外两篇(教学工作和课程考核) 2015-2017课程教学与工作总结 ----先上学生与学院课程<em>评价</em>----   学期 学生<em>评价</em> 成绩 学院<em>评价</em> 标准成绩 成绩 全校排名 部门排名 建议 2016-2017-2 90.71 94.89 91.55 453 / 693 28 / 42...
如何看待许多年轻人“疯狂”的投入到IT培训当中
点击上方“程序人生”,选择“置顶公众号”第一时间关注程序猿(媛)身边的故事现在作为短期培训性价比最高的IT行业,培训个半年,花上两三万,出来就能挣10k+的薪资,这对当前的年轻人是很有吸引力的,更对很多家庭来说是相当划算的一笔投资,但是却很少有人考虑过,你的孩子或者是你自己适不适合做这份工作。我所看到的近两年,大量的年轻人,主要集中在20-25岁,疯狂的投入到IT培训当中,其中大部分家庭条件并不好
机器学习—过拟合overfitting
今天在<em>知乎</em>上看到一个问题:人脑有海量的神经元(参数),为什么没有过拟合?面对各个网友的回答,突然发现自己对于过拟合的概念似乎理解的不是很透彻,或者说之前就没有完全理解透。其中有个人这么说“样本少feature多才overfitting”也有人提到看红框标注部分,也就是说样本多就不会发生过拟合么。先不管<em>知乎</em>这个问题了,为了搞清过拟合的概念,再次跑到wikipedia去搜寻答案。下面是wikipedia
对于机器学习分类效果的评价
精确率(Precision)   召回率(Recall)   准确率(Accuracy)   举个栗子 则精确率为TP / (TP + FP) = 40 / (40 + 10) = 4/5 =90% 召回率为 TP / ( TP + FN) = 40 / (40 + 20) = 2/3 = 66.7% 准确率为 ( TP + TN) / (TP + FN ...
如何看待IT培训这件事情?IT培训出来的人都一无是处吗?
今天看到以前大学同学分享了一篇文章,仔细看了一下,其中也有他自己对IT行业的一些心得与体会。看了之后感慨万千,自己从事IT培训行业的时间也不短了,本来报着向中国互联网行业输送大量高精尖技术人才,并努力改变目前国内互联网扭曲态势的鸿鹄之志也被现实打击的几乎消失殆尽。主题 IT培训面对现在的IT培训如雨后春笋般的发展,不少朋友都不禁质疑,培训机构那短期的培训出来的工程师真的月薪那么高吗?不少科班出
如何看待互联网公司 996 现象,是种什么样的体验?
今天去理发,理发师问我干什么的。 我说IT。 他说,那应该挣好几万吧? 我说,工作五年以上应该有好几万吧。 然后他又问,你们是不是下班挺早啊。 我说,不是啊,我们是996. 他就问,996是什么? 我说,早9点,晚9点,一周6天。 他思考了1秒钟,说,这不是跟我们一样吗?我们是早上10点,晚上10点,一周6天。 我思考了1分钟,说,是的,我们其实就是跟你们学的。     “我们相信人人...
机器学习实战》笔记(关于本书)
采用书籍《<em>机器学习</em>实战》,人民邮电出版社,2013年6月第1版。关于<em>机器学习</em>实战的博客已经有很多,所以本博文仅将书中的知识点进行整理和扩展。 关于本书 本书讲述重要的<em>机器学习</em>算法,尽量减少讨论数学理论,更多地讨论<em>如何</em>编码实现<em>机器学习</em>算法,介绍那些使用这些算法的应用和工具,以及<em>如何</em>在实际环境中使用它们。 读者对象 这本书适合有数据需要处理的读者,也适合于想要获得并理解数据的...
机器学习分类效果评价
转自:彷徨的石头 &amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp; 一个分类器最主要的评测指标就是查准率(正确率)和查全率(召回率)。为了<em>评价</em>二分分类问题的性能,先做以下约定: &amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp;&amp;nbsp; a:正例测试文档被正确分类...
对荣格的评价
荣格登上《时代周刊》封面(1955年) 社会学家<em>评价</em>荣格,他荣格能够更多地利用当代科学的手段发展出一套解释梦的理论,这应该归因于他虽然从师于弗洛伊德并不得不接受他的教导,但他并没有一味地追随,而是在弗氏基础上建立一套自己的心理学分析模型。因此,当我们庆幸荣格成功地把潜意识与梦的想像力相结合,创造出新的解梦理论时,也不能忘记荣格正站在西格荣德·弗洛伊德的肩膀之上。[11]  心理学史家舒尔兹
武士道的精神,就是死(转自知乎
确切的说应该是「武士道的精神是悟死」吧。(武士道と云ふは死ぬ事と見つけたり)人是终究会死的,所以每一天都要做好死的准备,要接受死亡,做好觉悟。这样一来,就算活的短暂,也能活出价值和意义。 既然人终有一死,那么比较谁活的更久或活的更短都是没有任何意义的事情。 但是人往往是懦弱的,人总是会有恐惧。对死亡的恐惧会让人无法贯彻真正的美好。谁都明白自己最后肯定会死,但真正理解死亡,是很难做到的。如果说到这
干货丨机器学习中的模型评价、模型选择与算法选择
本论文回顾了用于解决模型评估、模型选择和算法选择三项任务的不同技术,并参考理论和实证研究讨论了每一项技术的主要优势和劣势。进而,给出建议以促进<em>机器学习</em>研究与应用方面的最佳实践。1 简介:基本的模型评估项和技术<em>机器学习</em>已经成为我们生活的中心,无论是作为消费者、客户、研究者还是从业人员。无论将预测建模技术应用到研究还是商业问题,我认为其共同点是:做出足够好的预测。用模型拟合训练数据是一回事,但我们<em>如何</em>
如何看待360与腾讯之争
<em>如何</em><em>看待</em>360与腾讯之争 文/项有建 一石激起千层浪,自从360发表对腾讯的监控软件――“360隐私保护器”后,关于腾讯的不利传闻,就开始在整个it业界之内,引起了不小的反响。 根据“360隐私保护器”的监测结果,发现只要用户的 QQ软件在运行,那么,所有的.EXE文件都会被QQ扫描,可以说得上是铁证如山。 为了支持360的这个观点,360本身特别指出了,有些用户的股票交易之类的软件,也被...
一文看懂“世界首例基因编辑婴儿诞生”事件始末,4大争议仍待解决
导读:世界首例免疫艾滋病基因编辑婴儿在中国诞生,但技术背后争议却不能无视。作者:付梦雯 王糈来源:钛媒体(ID:taimeiti)有两个可爱的小女孩在几周前出生了,她们的...
机器学习中的「特征工程」到底是什么?
1 特征工程是什么? 有这么一句话在业界广泛流传:数据和特征决定了<em>机器学习</em>的上限,而模型和算法只是逼近这个上限而已。那特征工程到底是什么呢?顾名思义,其本质是一项工程活动,目的是最大限度地从原始数据中提取特征以供算法和模型使用。通过总结和归纳,人们认为特征工程包括以下方面: 特征处理是特征工程的核心部分,sklearn提供了较为完整
浅谈对Lua的看法
本着Lua简单易用的想法来学Lua,没想到这Lua是一点都不简单啊! 众人流传的Lua脚本简单,也只是停留在使用Lua脚本的层面上而已。事实上设计Lua脚本却并非易事,Lua语言设计的原则是小巧,所以甚至很多东西都没有语言层次上的实现,例如数组、类、迭代器这些在大多数语言中很常见的东西,在Lua中都需要通过表和函数的灵活变化组成。当然也提供了很多其它有趣的特性,例如闭包、协程、First-Clas
机器学习-------评价分类结果
准确度的陷阱和混淆矩阵和精准率召回率 准确度的陷阱 准确度并不是越高说明模型越好,或者说准确度高不代表模型好,比如对于极度偏斜(skewed data)的数据,假如我们的模型只能显示一个结果A,但是100个数据只有一个结果B,我们的准确率会是99%,我们模型明明有问题却有极高的准确率,这让我们对模型的<em>评价</em>容易出现问题。所以只用分类准确度是远远不够的,使用混淆矩阵做进一步分析。 混淆矩...
一起开始机器学习吧——知乎live笔记
问答干货①练手项目推荐:《<em>机器学习</em>实战》,从零开始写<em>机器学习</em>算法代码,有实际的项目。有一定了解之后,去Kaggle上找竞赛做。②教程推荐:公开课(吴恩达、coursera等),coursera上吴恩达的公开课③语言推荐:python,MATLAB。很多开源工具(MXNet,Tensorflow,Keras)都有Python接口。④python方面,网上有很多博客,比如廖雪峰的博客,感觉只需要了解即可
文章热词 决策树算法评价标准熵 机器学习 机器学习学习 机器学习培训 机器学习课程
相关热词 c++语言评价 android 自定义评价 c#如何复制上一行 c++如何对整个文件压缩 python机器学习知乎 如何学习区块链知乎
我们是很有底线的