机器学习小小书 XXshu

编码人员的生产拖延症— 2017年11月号

Thomas Diewald ：粒子寻路：托马斯（Thomas）是一位“处理开发人员”（我认为这是一个恰当的称呼）。他制作了令人惊叹的视觉演示，并尝试了各种着色器和视觉计算算法。这里有些例子：他在自己的网站上写了自己的作品（上面标题中的链接）。 Adrian Kosmaczewski：40岁以后成为开发人员：这堂课是成熟，轻松，有趣且充满智慧的！可能对40岁以上或以下的人有用。如果您愿意，可以阅读上面视频的书面讲义： 40岁以后成为开发人员这是我于2016年4月25日在瑞士App Builders上发表的演讲。medium.freecodecamp.org Simon Gladman：使用核心图像进行高级图像处理…

我是否应该再次尝试学习机器学习？

我相信人生中一些最美好的时刻会偶然发生，当您只是在正确的时间，正确的位置发生在正确的地方时，就会积极地去体验它。我现在在想，今晚我去当地图书馆的旅程是否是这样的时刻。当然，我正在前进。让我解释。因为我妻子最近开始做视频教程，所以她认为拥有漂亮的指甲会很好。因此，在我们吃完晚饭后，她去了附近的美甲宫，我（高兴地）留给了我自己的设备。我当然选择去图书馆！购物中心中的其他所有东西都很无聊，也许是Popular除外，但这只是因为他们卖书… 晚餐后图书馆参观当我经过提供最新小说和旅行指南的前台后，我便径直走向计算机科学的货架。我浏览了大约15分钟，然后阅读了2本书： AndreasMüller和Sarah Guido 撰写的 Python机器学习入门（网站）和Marijn Haverbeke撰写的Eloquent JavaScript…

机器学习理论与实践的平衡

理论和实践是数据职业的互补方面，尤其是机器学习的从业人员。人们通常会根据自己的自然兴趣和学习方式而掉入理论实践围栏的一侧。但是要在这个领域变得出色，就需要您积极地在我们阅读的概念和我们面临的现实场景之间取得平衡。那么如何平衡呢？建立您所阅读的内容！您需要构建东西；很多事情。您需要构建一个神经网络，并查看其如何像文档或日记一样执行任何操作。您需要尝试Kaggle比赛，看看自己尴尬的低排名盯着您。您需要一起破解一个javascript应用程序，该应用程序试图在后端运行ML算法，只是由于未知原因而停止运行。许多人因为不舒服而回避建筑。不断地跟踪错误，无休止地遍历堆栈溢出，试图将如此多的交互部件整合到一个系统中。另一方面，阅读很有趣且容易，因为材料像一个完美的小故事一样流动。所有概念都已经摆放到位，我们正在使用的叙述是我们所有人都希望事情能够成功的方式。但是，如果您不感到不适，就不会学习。理论上和实践上当然都是这样，但我认为阅读起来容易些。当我们翻阅期刊并理解概念时，我们会感到很好，但仅阅读其他方面的成就，您就不会在自己的领域有所作为。如果您建立了自己的阅读内容，并且失败了（并且将会失败），您将获得无法通过阅读吸收的理解。…

我们读了5本书

人工智能的应用已成为当今的话题，因为它们被用于解决一系列棘手的问题。新技术的涌入扰乱了许多行业，并为新一代工程师和数据分析师创造了许多机会。但是，直到今天，仍然只有20％的意识到AI的组织在使用它。主要原因？许多高管仍在想：“人工智能可以为我的业务做什么？实际上，机器学习在业务预测分析领域具有广阔的前景，可以为决策者提供信息，帮助公司以新的方式解决长期存在的问题。为了帮助您评估AI在语音分析中的新兴作用，我们的工程师和分析人员团队编写了一些建议书。深吸一口气，潜入水中！优秀的书籍可以帮助您理解，也可以帮助您感到被理解。 –约翰·格林 1.语音和语言处理：国际版 Daniel Jurafsky（作者），James H.Martin（作者）我们的第一本书推荐适合那些在自然语言处理，语音识别，计算语言学和人类语言处理方面攻读本科或高级本科课程的人。一方面，这是全面涵盖语言技术的同类书籍中的第一本。在将统计数据和其他机器学习算法应用于大型公司的基础上，它对这一主题采取了经验方法。此外。…

实现您的数字梦想的最佳途径-思考和行动无缝

一个真正的数字工作场所必须能够无缝，智能，灵活和安全地工作并带来根本的改善。它应该重新定义处理方式，减少流程的周期时间，管理环境知识并提高利益相关者的参与度和满意度。概念的演变电子邮件，内部网和群件是数字工作场所概念的早期祖先，但它仅在过去十年才真正发展。随着当今的组织了解数字化转型的意义和原因，该术语作为一个整体已变得越来越独特。按照Google的趋势，人们对“数字工作场所”一词的兴趣在2004年达到顶峰，然后下降，直到2013年才开始下降，此后一直在不断增长。早在2011年，Digital Workplace Group就推出了数字工作场所的“同心蛋图”。根据Gartner的说法， 54％的公司部分或完全没有参与数字化工作场所。 46％的公司拥有特定的数字工作场所项目，并且只有4％的人拥有领导者，而他实际上是在拥有所有权。问题的症结在过去的二十年中，我们已经看到各种信息管理技术进入工作场所。它们都带来了改进，但是仅仅是渐进的，它们都具有一些基本缺点，这些缺点阻碍了生产率的大幅提高：它们主要以孤岛的形式存在，这导致企业信息模型破裂，具有大量冗余且没有单一的事实版本。他们要么管理非结构化信息，要么管理结构化数据，无法扩展到大数据和机器学习需求。…

在数据中寻找摇钱树客户

这是我30天写作挑战赛的第五天。在接下来的几周中，我将执行一项任务，以尽可能多地学习机器学习。我将在本月晚些时候开始一份新工作，在那里我将建立一个机器学习团队，所以我想开始一个良好的开端。到目前为止，我们主要集中在有监督的学习上。也就是说，需要我们通过输入数据并告诉结果结果来训练模型的算法。我们探索了tf-idf来查找文档中的重要单词，然后使用贝叶斯分类基于文档中包含的单词对文档进行分类。昨天，我们在尝试将机器学习应用于不需要的问题时遇到了麻烦。今天，让我们看看无监督学习。即，在原始数据中找到模式和相关性的算法。我想改变方向，远离寻找文本的见解。想象我们经营一个移动网络，我们所有的客户每月都支付打个电话的费用。可以肯定地说，我们的某些客户将比其他客户更有价值。有些客户每个月都会使用他们的全部通话时间，而有些客户只会偶尔使用他们的电话。我们希望将每个客户分配给三个组之一。我们的摇钱树（花很多钱但不消耗很多资源的人），我们的狗（花很少钱但是却消耗很多资源的人）以及介于两者之间的那些人。我们可以为支付最多但使用分钟数最少的客户提供折扣。我们可以为支付最少但使用最多时间的客户提供不同的计划。…

工程文摘0x6

6工程文摘＃6在这里💥 订阅中https://medium.com/@yasik 电报https://t.me/engdigest 我有没有用完太空猫？绝对不！因此，在一个季节休息之后，文摘又恢复了正常的节奏😃 U使用递归神经网络在Uber进行极端事件预测。在Uber，事件预测使我们能够根据预期的用户需求对服务进行未来验证。目标是准确预测Uber在任何给定时间将收到的地点，时间和数量。递归神经网络的Uber工程极端事件预测 👉👉👉适用于任何一种编程语言的人的网络协议。网络堆栈完成了一些看似不可能的事情。它通过我们不可靠的网络进行可靠的传输，通常不会出现任何可察觉的故障。 https://www.destroyallsoftware.com/compendium/network-protocols micro微服务的一种模式语言。微服务架构的模式语言的开始。 http://microservices.io/patterns/index.html…

机器学习历险记

我忽略了这个博客；自十一月以来我什么都没写。我不会找借口亲爱的读者，我为自己写的东西比为你写的要多。写作可以帮助我整理思想，整理信念。我浪费了机会。在过去的6个月中，我一直在学习如何处理大型数据集（约1亿条记录）和建立分布式处理管道。我本可以记下我学到的所有东西，但我根本没有记下。我今天要改变这一点。今天是2017年4月1日，我参加了30天写作挑战赛。我不会每天出版，但我会每天写作。这个挑战恰好与我开始新工作相吻合。在定居之前，我不会谈论具体细节，但是我会说，我正在为英国伯明翰的一家初创企业组建机器学习团队。我在机器学习方面的经验很少，因此我的新雇主和我都在相信我将能够解决这一问题。我们在面试中相处得很好，并且双方都认为我们可以有效地合作。我完全是自学成才的，而且我一直都是解决问题的人，因此没有必要的技能来成功就开始工作并不困难。但是，我要学习的东西比自学校以来要快得多，并且我想记录下来。大约两周后，这将是我新工作的第一天。…

人生火—如何在文本中找到重要的单词

这是我30天写作挑战赛的第二天，即将开始建立机器学习团队的新工作。我将拥有大量的口头和书面文件。今天，让我们看一下如何减少单词数量而不减少含义。许多英语是多余的。它充满了微妙之处，可以帮助散文流在一起而无需提供更多细节。随着我们开始使用我们的数据来构建机器学习模型，这些多余的词将会被阻碍。考虑一句“男人成功地生了火”。相同的含义可以用“人在生火”来表达。如果您真的这样说话，您听起来会像个尼安德特人，但是我们并没有因为只挑出重要的单词而迷失了要旨。在最高级别上，我们希望找到特定文档中所有未出现在所有其他文档中的单词。这意味着我们将立即打折“ the”，“ and”和“ I”之类的词。我们也不太重视出现在每个文档中的常用词，即在我们的领域中常用的词。我还没有发明这项技术。我什至没有通过自己的研究发现这种技术。…

作家的内容复杂性度量变得更聪明了

我们最近推出了对平台的新更新。您可能甚至没有注意到-但仔细一看，您会立即看到它。该更新解决了各种问题，但主要集中在我们对“ 内容复杂性”指标的全面改革上。内容复杂度根据您希望编写的受众知识水平为您提供同义词。例如：如果您主要是在非常技术性的领域为行业专业人士撰写文章，则可以理解您的文章包含行话和行业特定术语。相反，将为行业新手或希望了解更多信息的人撰写为更广泛的读者而撰写的文章。在这里，您可能不想使用太多的术语或技术术语，因为它们可能会影响读者的头脑。此外，为行业专业人士撰写非常基本的文章可能意味着读者缺乏信誉。他们可能会与您的帖子脱离接触，并在其他地方寻找针对其知识水平的信息。这就是我们的内容复杂性度量的来源。它会找出与您所需的受众水平不符的单词，然后为您提供更合适的同义词。它就像一个智能同义词库，并能够为您提供更简单或更复杂的同义词。几个客户多次提到我们的内容复杂性衡量标准有些偏离。单词替换的建议非常有限-提出的建议往往与上下文无关，不适用于该短语的上下文。建议的替换词与所需的可读性不匹配-当您尝试改善文章的“原子分数”时，错过了分数。此更新旨在解决这些问题-它涉及调整当前的机制并添加新的机制，以提供更好的整体用户体验。…