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。
日交易笔百万级，Ping++的大数据平台架构
当前日交易笔数为百万级，目前已经积累了海量交易数据。如何在经过客户授权的情况下利用数据为客户赋能，并带来额外附加价值，从而提高客户黏性，Ping++亟需搭建可靠、稳定的大数据平台。
用51单片机做一个物联网温度计+远程开关
纵览整个物联网开发的架构，可以发现这个是团队协作的事情。
做事情一定要抱团，物联网项目开发也不例外。底层硬件和单片机程序的维护需要一位工程师，服务器端的逻辑代码需要至少一位工程师，数据可视化和数据加工以及UI界面的设计需要至少一名工程师。
AI工程师必读的10本ML读物（附PDF下载）
介绍
你嗜书如命却囊中羞涩？很多机器学习与数据科学书籍的价格都令人退避三舍。其实这也无可厚非，毕竟是作者呕心沥血、卧薪尝胆换来的硕果。
然而，这些作者中也不乏善良仁爱之士，将其作品无偿分享给他人。这对于那些有志成为数据科学家和AI工程师的人，似如获至宝。
机器学习-异常检测算法（二）：Local Outlier Factor
Local Outlier Factor（LOF）是基于密度的经典算法（Breuning et.al. 2000）, 文章发表于 SIGMOD 2000, 到目前已经有 3000+ 的引用。在 LOF 之前的异常检测算法大多是基于统计方法的，或者是借用了一些聚类算法用于异常点的识别（比如 ，DBSCAN，OPTICS）。