勋章
我关注的人
粉丝
技术能力
- Python
- 前端开发
暂时未有相关云产品技术能力~
欢迎各位对内容方向及质量提需求，我们尽量满足，将国外优质的内容呈现给大家！
-
发表了文章 2017-08-31
如何使用最流行框架Tensorflow进行时间序列分析——第二篇
2017年深度学习框架关注度排名tensorflow以绝对的优势占领榜首，本文通过使用tensorflow优化过去一个使用特征提取方法的框架，证实了深度学习的优秀性能。
-
发表了文章 2017-08-30
如何利用VR和AR提升客户服务质量 这四个例子或许可以帮到你
客户服务是人与人之间的互动，在互动中，我们渴望并要求有亲身的接触、同情和帮助。我们目前具备的技术暂时无法提供这种跨距离的体验，但是未来的AR和VR技术应该可以解决这个问题，不妨看看本文。
-
发表了文章 2017-08-30
PyTorch vs TensorFlow，哪个更适合你
本文将探讨PyTorch和TensorFlow这两种流行深度学习框架之间的关键相似点和不同点。为什么选择这两个框架，而不是其他的呢？
-
发表了文章 2017-08-28
入行AI最需要的五大技能
作为一名软件工程师，我们应该活到老学到老，时刻与不断发展的框架、标准和范式保持同步。同时，还要能活学活用，在工作中使用最合适的工具，以提高工作效率。随着机器学习在越来越多的应用程序中寻得了一席之地，越来越多的程序员加入AI领域，那么，入行AI领域需要哪些技能呢？
-
发表了文章 2017-08-24
一步一步学用Tensorflow构建卷积神经网络
本文主要和大家分享如何使用Tensorflow从头开始构建和训练卷积神经网络。这样就可以将这个知识作为一个构建块来创造有趣的深度学习应用程序了。
-
发表了文章 2017-08-24
机器学习会产生哪些用户体验问题？（机器学习入门第五篇）
许多机器学习算法都是黑匣子：输入大量的数据，然后获得一个以某种神秘方式工作的模型。这使得很难向用户解释机器学习的结果。在许多算法中，还存在着交互效应，这使得模型更加难以解释了。你可以把这个看成是特征之间的复合效应，特征之间以多种奇怪而又复杂并且不为人类所理解的方式结合在一起，整体效应大于各个部分效应。
-
发表了文章 2017-08-21
使用神经网络和遗传算法玩转 Flappy Bird
本文展示了针对Flappy Bird游戏设计的机器学习算法。本实验的目标是使用神经网络和遗传算法编写一个人工智能游戏控制器，打出游戏最高分，不服的来挑战！
-
发表了文章 2017-08-21
如何高效运作机器学习团队（机器学习入门第四篇）
一个“传统”的产品团队由设计师、工程师和产品经理组成，而数据分析师有时也会包含在其中，但大多数情况下是多个团队共享这个稀缺资源。在机器学习团队中又会有哪些角色和组织结构呢，本文为你揭晓
-
发表了文章 2017-08-20
了解人工智能之分类和预测 - 数据科学中的预测，分类和回归分析
本文作者阐述了她对机器学习在数据分析学科方面的应用现状和展望。给了初涉这个领域的人们一个初步的介绍
-
发表了文章 2017-08-17
基于Keras的LSTM多变量时间序列预测
还在为设计多输入变量的神经网络模型发愁？来看看大神如何解决基于Keras的LSTM多变量时间序列预测问题！文末附源码！
-
发表了文章 2017-08-17
【深度学习之美】LSTM长短记，长序依赖可追忆（入门系列之十四）
如果你是一名单身狗，不要伤心，或许是因为你的记忆太好了。有时，遗忘是件好事，它让你对琐碎之事不再斤斤计较。然而每当自己记不住单词而“问候亲人”时，也确实气死个人。于是你懂得了如何控制好什么信息该保留，什么信息该遗忘。而长短期记忆网络（LSTM）就是这么干的。来看看是怎么回事吧？
-
发表了文章 2017-08-14
关于机器学习算法 你需要了解的东西（机器学习入门第二篇）
对学习算法进行分类是基于构建模型时所需的数据：数据是否需要包括输入和输出或仅仅是输入，需要多少个数据点以及何时收集数据。根据上述分类原则，可以分为4个主要的类别：监督学习、无监督学习、半监督学习和强化学习。
-
发表了文章 2017-08-11
【深度学习之美】激活引入非线性，池化预防过拟合（入门系列之十二）
斑点的青蛙为何会被视为异类，四脚的壁虎又为何被视为同族？它们背后隐藏着怎样的“机器学习”原理？它们的关系是如何曲折“激活”这一系列复杂矛盾的？它们又是如何“池化”特征，“全连接”彼此，以便达到“各回各家，各找各妈”的分类？敬请关注本节关于激活层，池化层及全连接层的相关内容。
-
发表了文章 2017-08-07
Netflix开源面向稀疏数据优化的轻量级神经网络库Vectorflow
在Netflix公司，我们的机器学习科学家在多个不同的领域处理着各种各样的问题：从根据你的爱好来定制电视和推荐电影，到优化编码算法。我们有一小部分问题涉及到处理极其稀疏的数据；手头问题的总维度数很容易就能达到数千万个特征，即使每次要看的可能只是少数的非零项。
-
发表了文章 2017-08-06
一步步带你探究如何高效使用TensorFlow
正在学习TensorFlow，利用效率不够高？不懂TensorFlow里面的奥秘？看大神如何一步步教你如何高效使用TensorFlow！
-
发表了文章 2017-08-04
新工具——TensorLayer：管理深度学习项目的复杂性
本文介绍了一种新基于TensorFlow的python库——TensorLayer，它能够有效的帮助开发者管理好自己的深度学习网络。并且它还提供了很多功能强悍的API，帮助开发者更好的完成任务。
-
发表了文章 2017-08-02
【深度学习之美】卷地风来忽吹散，积得飘零美如画（入门系列之十）
“此情可待成追忆”。可“记忆”到底是什么？如果我告诉你，“记忆”就是一种“卷积”，你可别不信。卷积并不神秘，它就在你我的生活中，它就在深度学习里！这可能是史上最通俗易懂的关于“卷积”介绍文章，不信你就进来瞅瞅呗。
-
发表了文章 2017-08-02
(OpenCV/Python)实现OCR银行票据
OCR也算是计算机视觉的一部分，今天我们来介绍一下如何使用（opencv/python）来实现OCR处理银行票据。
-
发表了文章 2017-08-01
【深度学习之美】全面连接困何处，卷积网络见解深（入门系列之九）
低级动物的眼睛多长在两侧，这样视野广阔，便于避险。而人类的双眼只长在一面，视野有死角，安全难保障，可为什么只有人类“高级”起来，进化成为这个地球的主宰呢？进一步地，是广而肤浅好呢，还是深而专注佳呢？再进一步，这和卷积神经网络又有啥关系？进来瞅瞅呗，历史会告诉你答案。
-
发表了文章 2017-07-31
ARKit增强现实版实景导航开源
ARKit使用摄像头和运动数据来绘制用户移动时本地的地图；CoreLocation使用WiFi和GPS数据来确定位置，精度比较低；ARKit + CoreLocation将高精度的AR与GPS数据相结合。
-
发表了文章 2017-07-28
手把手教你使用TensorFlow生成对抗样本 | 附源码
本文使用TensorFlow一步一步生成对抗样本，步骤明确清晰。首先生成的对抗样本不具有旋转鲁棒性，后面使用同样的方法生成具有鲁棒性的对抗样本，适合初学者对生成对抗样本的入门及动手实验。
-
发表了文章 2017-07-28
五年内医疗行业AI应用前瞻
Meeker的研究表明，由于自2013年以来数字化方面投入的增加，全球医疗数据的数量同比增长了48％。随着这种富信息资源可用性（以及随之而来的负担）的提高，医疗和保健实践的各个方面都在重新设想。利用这一爆炸性的数据将使得市场和服务在交付规范方面完全转型。
-
发表了文章 2017-07-27
Vega数据可视化工具——教你轻松玩转大数据可视化 | 附代码
Vega是一种大数据可视化的高效工具，本文以分析游隼的迁徙情况为例，展示了Vega工具的强大能力及易学易用特点。
-
发表了文章 2017-07-24
用“Keras”11行代码构建CNN
还在苦恼如何写自己的CNN网络？看大神如何使用keras11行代码构建CNN网络,有源码提供。
-
发表了文章 2017-07-24
未来的超级智能网络攻击需要AI竞技俱乐部来拯救
数据科学竞赛平台Kaggle将举办一场为期五个月的AI竞赛，这场竞赛将展示未来网络安全和网络战争的样子，而战争中的攻守双方都是AI算法，它们将互相迷惑互相欺骗，以研究如何加强机器学习系统来抵御未来可能出现的攻击。
-
发表了文章 2017-07-22
利用Python进行市场购物篮分析——入门篇
大数据时代，任何事件之间都可能具有一定的相关性。啤酒和尿不湿有关系吗？今天就带你来看一下，如何用Python来分析购物之间那些潜在的规则。
-
发表了文章 2017-07-21
俄罗斯最大搜索引擎Yandex开源了一款梯度提升机器学习库CatBoost
俄罗斯搜索巨头Yandex宣布，将向开源社区提交一款梯度提升机器学习库CatBoost。它能够在数据稀疏的情况下“教”机器学习。特别是在没有像视频、文本、图像这类感官型数据的时候，CatBoost也能根据事务型数据或历史数据进行操作。
-
发表了文章 2017-07-19
如何用Tensorflow实现RNN？本文将带你进一步研究
本文详细介绍了如何用Tensorflow实现RNN，有针对性地介绍了构建个性化的RNN时需要用什么。
-
发表了文章 2017-07-13
Kaggle首席技术官发布——(Kaggle)NIPS 2017对抗学习挑战赛起步指南
本文是一个入门介绍，由Kaggle首席技术官Ben简单介绍以下2017年的NIPS 对抗学习竞赛数据的处理，用一个具体的代码实例介绍了如何生成目标对抗图像与非目标对抗图像，将对抗图像送入原先的分类器中，可以看到结果与原图大相径庭。
-
发表了文章 2017-07-13
在筛选试管受精胚胎方面，AI比胚胎学家更靠谱
科学家们正在使用人工智能（AI）来分辨IVF（试管受精）的胚胎是否成功培育。 一项最新的研究表明，在确定哪些胚胎有可能发育成健康的宝宝方面，AI预测的结果比胚胎学家预测的更准确。 巴西圣保罗州立大学、伦敦波士顿地方诊所和英国生育协会科学顾问克里斯蒂娜·希克曼博士通力合作，研发了此项技术。
-
发表了文章 2017-07-13
大神手把手教你：(Python)序列数据的One Hot编码
不懂One Hot编码？让大神手把手教你（文中代码可以直接运行），用小例子清晰明了的带你进入One hot 编码！
-
发表了文章 2017-07-13
Certigrad——随机计算图优化系统
Certigrad是一种概念证明，它是用于开发机器学习系统的一个新途径。
-
发表了文章 2017-07-07
看深度学习框架排名第一的TensorFlow如何进行时序预测——第一篇
2017年深度学习框架关注度排名tensorflow以绝对的优势占领榜首，本文通过一个小例子介绍了TensorFlow在时序预测上的应用。
-
发表了文章 2017-07-05
深度学习项目实战——“年龄预测”
学了那么多深度学习的基本知识，还在发愁没有地方展示自己学过的知识？来试试这个简单的实际问题吧！
-
发表了文章 2017-07-01
强大的PyTorch：10分钟让你了解深度学习领域新流行的框架
今年一月份开源的PyTorch，因为它强大的功能，它现在已经成为深度学习领域新流行框架，它的强大源于它内部有很多内置的库。本文就着重介绍了其中几种有特色的库，它们能够帮你在深度学习领域更上一层楼。
-
发表了文章 2017-06-29
简单通俗易懂：一个小例子完美解释Naive Bayes（朴素贝叶斯）分类器
Naive Bayes分类器的解释有很多，但是基于一个小例子来解释的不多，本文就是基于一个简单通俗易懂的小例子来解释Naive Bayes分类器。
-
发表了文章 2017-06-29
“学”、“习”二合一：监督学习——支持向量机（SVM）入门
SVM是机器学习中有监督学习的一种，通常用来进行模式识别、分类、以及回归分析。本文用一个小例子简介SVM，言简意赅，通俗易懂。
-
发表了文章 2017-06-29
计算机视觉入门基础——计算机如何‘看’片
计算机视觉是人工智能时代的一项重要科学，也是无人驾驶技术的核心。学习计算机视觉首先必须要知道计算机是如何识别图像的，本文主要简述了计算机如何‘看’图片，相对于视频文件来说，道理是一样的。
-
发表了文章 2017-06-25
【深度学习之美】BP算法双向传，链式求导最缠绵（入门系列之八）
说到BP(Back Propagation)算法，人们通常强调的是反向传播，其实它是一个双向算法：正向传播输入信号，反向传播误差信息。接下来，你将看到的，可能是史上最为通俗易懂的BP图文讲解，不信？来瞅瞅并吐吐槽呗！
-
发表了文章 2017-06-23
R语言中不能进行深度学习？
R语言现在能也进行深度学习了，而且和python一样好，快来试一试吧。
-
发表了文章 2017-06-19
动手实验 - TensorFlow和TensorBoard自然语言分析
动手实践是学习任何知识的有效途径之一。本文作者通过一个实际的例子让我们大家动手来用TensorFlow 和 TensorBoard两个强大的Python工具进行自然语言分析的应用。
-
发表了文章 2017-06-19
【深度学习之美】山重水复疑无路，最快下降问梯度（入门系列之七）
“天下武功，唯快不破”。欲速览无限风光，必攀险峰；欲速抵山底幽谷，则必滚陡坡。这滚山坡的道理，其实就是梯度递减策略，而梯度递减策略，则是BP算法成功背后的“男（ji）人（chu）”。想知道为啥，来一探究竟呗！
-
发表了文章 2017-06-13
一个伟大愿景：让深度学习更简单
文章简要概述了一个深度学习的开源库，文末有这个开源库的地址。
-
发表了文章 2017-06-05
论文导读：面向卷积神经网络的卷积核冗余消除策略
本篇论文针对卷积神经网络在训练阶段所需的大量存储与计算资源，提出了一种改进的冗余卷积核消除策略，精简每个卷积层中冗余的卷积核，进而降低模型训练开销，使模型训练过程从云端转移至本地成为可能。
-
发表了文章 2017-06-04
七招教你处理非平衡数据——避免得到一个“假”模型
这篇博客主要介绍处理不平衡数据的技巧，给出了七种适用于特定问题及数据集的方法，避免由于数据集不平衡而得到的一个假的好模型。另外作者也指出本文不是一个技术列表，建议读者不局限于此、尝试结合不同的方法设计出合适的模型。
-
发表了文章 2017-06-04
【深度学习之美】Hello World感知机，懂你我心才安息 (入门系列之五)
感知机，就如同神经网络（包括深度学习）的“Hello World”。如果不懂它，就如同“为人不识陈近南，便称英雄也枉然”一样尴尬。当感知机可以模拟人类的感知能力，当它能够明辨与或非，但它最大的“疑惑”就是“异或”。难道机器领域也只能是异性才能有结果吗？
-
发表了文章 2017-06-03
摩尔定律失效后，AI如何保持快速发展？
重新设计芯片的想法看起来可能会让人工智能走的更远！
-
发表了文章 2017-06-02
摩根大通机器学习与金融大数据指南——未来的华尔街大亨|大数据+机器学习+金融工程师
本文总结了J.P.摩根最新的280 页研究报告中的13亮点，极为详尽地梳理、预测了金融从业者未来都需要具备相关机器学习以及数据分析的能力，分析了金融行业的现状与未来，对于金融从业者以及想从事金融行业者具有重要的借鉴意义。
-
发表了文章 2017-06-01
看大牛如何复盘递归神经网络！
复盘递归神经网络，通过复盘，反思，让递归神经网络更完美！
-
发表了文章 2017-05-31
【深度学习之美】“机器学习”三重门，“中庸之道”趋若人（入门系列之四）
王国维说过人有三重境界，对应的，“机器学习”也有三大类不同算法，而有着“中庸之道”的半监督学习可能就是未来机器学习的大趋势，它一步一步地走“像”人类！
-
发表了文章
2019-05-09
Pandas时序数据处理入门
-
发表了文章
2019-04-27
基于TensorFlow.js的JavaScript机器学习
-
发表了文章
2019-04-26
AutoML数据增广
-
发表了文章
2019-04-15
像数据科学家一样思考：12步指南（下）
-
发表了文章
2019-04-11
像数据科学家一样思考：12步指南（中）
-
发表了文章
2019-04-10
像数据科学家一样思考：12步指南（上）
-
发表了文章
2019-04-06
手把手教程：用Python开发一个自然语言处理模型，并用Flask进行部署
-
发表了文章
2019-04-05
深度揭秘：机器学习对软件开发带来哪些影响？
-
发表了文章
2019-04-05
自己动手玩转深度学习项目
-
发表了文章
2019-03-24
自然语言生成（NLG）的好处是什么，它如何影响BI？
-
发表了文章
2019-03-24
图解梯度下降背后的数学原理
-
发表了文章
2019-03-24
手把手教你使用TF服务将TensorFlow模型部署到生产环境
-
发表了文章
2019-03-24
这些数据科学家必备的技能，你拥有哪些？
-
发表了文章
2019-03-24
GAN的一些很酷的应用
-
发表了文章
2019-03-24
10个你应该了解的Git命令(以及Git省时小窍门)
-
发表了文章
2019-03-23
一文纵览自然语言生成的发展
-
发表了文章
2019-03-23
词嵌入和矩阵分解的统一
-
发表了文章
2019-03-23
只需10分钟！就能用Flask，Docker和Jenkins部署机器学习模型
-
发表了文章
2019-03-23
深度学习最佳图书推荐(2019版)
-
发表了文章
2019-03-22
数据科学家为什要用Git？怎么用？
-
提交了问题
2018-11-17
如何实现不管窗口时间，在Apache Flink中组合两个数据流？
-
提交了问题
2018-11-17
如何在Scala中使用Flink的KafkaSource？
-
提交了问题
2018-11-17
Flink和Storm之间的主要区别是什么？
-
回答了问题
2019-07-17
如何在Scala中使用Flink的KafkaSource？
问题似乎是SBT和Maven配置文件不能很好地协同工作。Flink POM将Scala版本（2.10,2.11，...）称为变量，其中一些在构建配置文件中定义。 SBT未正确评估配置文件，因此包装无法正常工作。 使用以下build.sbt：organization := 'pl.japila.kafka'scalaVersion := '2.11.7' libraryDependencies += 'org.apache.flink' % 'flink-connector-kafka' % '0.9.0' exclude('org.apache.kafka', 'kafka_${scala.binary.version}')libraryDependencies += 'org.apache.kafka' %% 'kafka' % '0.8.2.1'运行如下:import org.apache.flink.streaming.api.environment._import org.apache.flink.streaming.connectors.kafkaimport org.apache.flink.streaming.connectors.kafka.api._import org.apache.flink.streaming.util.serialization._ object TestKafka { def main(args: Array[String]) { val env = StreamExecutionEnvironment.getExecutionEnvironment val stream = env .addSource(new KafkaSource[String]('localhost:2181', 'test', new SimpleStringSchema)) .print }}输出：[kafka-flink]> run[info] Running TestKafkalog4j:WARN No appenders could be found for logger (org.apache.flink.streaming.api.graph.StreamGraph).log4j:WARN Please initialize the log4j system properly.log4j:WARN See http://logging.apache.org/log4j/1.2/faq.html#noconfig for more info.[success] Total time: 0 s, completed Jul 15, 2015 9:29:31 AM赞0 踩0 评论0 -
回答了问题
2019-07-17
Flink和Storm之间的主要区别是什么？
Flink是统一流和批处理的框架。由于并行任务之间的流水线数据传输，Flink运行时本身支持这两个域。记录被立即地从生产任务发送到接收任务，可以使用阻塞数据传输选择性地执行批处理作业。Spark是一个支持批处理和流处理的框架,但和Flink在内部方面有所不同。对于流式传输，两种系统都遵循非常不同的方法（小批量与流式传输），这使得它们适用于不同类型的应用。赞0 踩0 评论0