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 2017-09-16
Python高性能计算库——Numba
在计算能力为王的时代，具有高性能计算的库正在被广泛大家应用于处理大数据。例如：Numpy，本文介绍了一个新的Python库——Numba， 在计算性能方面，它比Numpy表现的更好。
-
发表了文章 2017-09-16
用TensorFlow和TensorBoard从零开始构建ConvNet（CNN）
Tensorflow作为当下最流行的深度学习框架，实现ConvNet（CNN）自然是轻而易举，但是本文创造性的使用的TensorBoard来图形化展示CNN实现过程，极大的提高了研究者的对自己模型的管理能力。
-
发表了文章 2017-09-16
神经网络中的造物者-GANs
人工智能正在成为一种创造性的力量，本篇文章介绍了GANs的由来和应用，并且探寻GANs在人工智能中的重要意义。
-
发表了文章 2017-09-13
如何利用机器学习预测房价？
本文作者利用自己过去三个月里所学到的东西，来预测所在城市的房价。所用到的技术有网络爬取技术、文本自然语言处理，图像上的深度学习模型以及梯度增强技术等。
-
发表了文章 2017-09-12
逻辑回归那些事—使用牛顿法解决实际问题
逻辑回归是机器学习中的重要章节，本文将带你从公式推导到算法实现详细讲述这部分内容，想学习这个高大上的技能么，快来看吧！！！
-
发表了文章 2017-09-12
机器学习的入门“秘籍”
机器学习已经成为当下最火热的技术之一，对于初学者来说，如何快速入门机器学习是至关重要的。本文属于入门级宝典，高手请绕道！
-
发表了文章 2017-09-12
LSTM的“前生今世”
本文介绍了LSTM的发展历史，并且深入浅出的介绍了LSTM的核心思想（无非就是几个高深莫测的公式），作者通过图形化的方法解释了公式，使得核心思想更加容易理解。
-
发表了文章 2017-09-11
一步一步带你用TensorFlow玩转LSTM
LSTM在解决很多实际问题上效果非常好，通过本文你可以了解到在TensorFlow中，如何实现基本的LSTM网络。
-
发表了文章 2017-09-11
人工智能在细分及新兴领域的应用
深度学习算法在学习和预测方面的能力为实现人工智能应用打开了大门。如今，AI也在其他领域产生了深远的影响。在这篇文章中，我们将讨论AI在一些细分领域方面的应用。
-
发表了文章 2017-09-11
教机器写代码：增强拓扑进化网络(NEAT)
NEAT的意思是“增强拓扑进化网络”，它描述了在进化过程中受遗传修饰启发的自学习机器的算法概念，不妨看看它是如何教机器写代码的。
-
发表了文章 2017-09-11
关于机器学习你必须了解的十个真相
作者从非专业人士的角度对人工智能常见的误解进行了解释说明。
-
发表了文章 2017-09-09
2017上半年无监督特征学习研究成果汇总
无监督学习是人工智能时代核心技术，今天我们就来盘点一下2017上半年无监督学习出现了那些重要的研究成果。
-
发表了文章 2017-09-08
零基础进行神经网络语言建模
本文从最简单的语言模型开始介绍，以优化模型性能为目标，由浅到深的介绍了神经网络模型在语言模型中的应用。
-
发表了文章 2017-09-07
57行价值八千万美元的车牌识别代码
为了防止被窃车辆进入黑市销售，警方使用了一个名为VicRoads的基于网络的服务，该服务用于检查车辆的登记状态。该警局还投资研发了一个固定式汽车牌照扫描器：一个固定的三脚架摄像头，可扫描过往的车辆，并自动识别被窃车辆。
-
发表了文章 2017-09-07
比人工还准确！看深度学习如何对源码进行分类
根据代码识别编程语言的源代码分类器将是一个非常有用的工具，因为它可用于在线自动语法高亮和标签建议，比如可用在StackOverflow和技术维基网站上。这个想法促使我们根据最新的AI技术编写一个对代码片段依据编程语言进行分类的模型。
-
发表了文章 2017-09-06
人工智能时代的产品思维（2C）
人工智能时代到底拥有什么样的产品思维，才能在人工智能“中场休息”的战场中存活，转入人工智能的下半场。
-
发表了文章 2017-09-05
准确率98%的深度学习交通标志识别是如何做到的？
我们可以创建一个能够对交通标志进行分类的模型，并且让模型自己学习识别这些交通标志中最关键的特征。在这篇文章中，我将演示如何创建一个深度学习架构，这个架构在交通标志测试集上的识别准确率达到了98％。
-
发表了文章 2017-09-05
如何为LSTM重新构建输入数据（Keras）
对于初入门的开发人员，如何为LSTM准备数据一直是一个问题。在为LSTM准备数据的过程中的确有很多需要注意的问题，阅读本文可能会帮助你解决更多的问题。
-
发表了文章 2017-09-04
TensorFlow中的那些高级API
在这篇文章中，我们将看到一个使用了最新高级构件的例子，包括Estimator（估算器）、Experiment（实验）和Dataset（数据集）。值得注意的是，你可以独立地使用Experiment和Dataset。不妨进来看看作者是如何玩转这些高级API的。
-
发表了文章 2017-09-04
2017年ACL的四个NLP深度学习趋势 （二）：可解释性和注意力（Interpretability and Attention）
作者通过分析2017年ACL的论文，以及演讲内容，得出了四个NLP深度学习趋势：Linguistic Structure 、 Word Embeddings、Interpretability 、Attention。今天我们就逐一分析一下这四个深度学习趋势。
-
发表了文章 2017-09-04
2017年ACL的四个NLP深度学习趋势 （一）：语言结构和词汇嵌入（Linguistic Structure and Word Embeddings）
作者通过分析2017年ACL的论文，以及演讲内容，得出了四个NLP深度学习趋势：Linguistic Structure 、 Word Embeddings、Interpretability 、Attention。今天我们就逐一分析一下这四个深度学习趋势。
-
发表了文章 2017-09-04
一份语言选择指南带你玩数据科学，选出你心中支持的语言
数据科学是一个热门的领域，本文介绍数据科学家目前使用的一些热门编程语言，主要是从通用性、性能等方面分析，想入门的或行业研究者可以参考并发表一下自己的观点哦。
-
发表了文章 2017-09-01
机器学习和统计学的“爱恨情仇”可以结束了
机器学习和统计学在数据科学的领域里，已经相爱相杀很多年。今天，就让我们跟随ML从业者和统计学家两者组成团队，解开两者这几十年的“爱恨情仇”。
-
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
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