最近在做时间序列的项目，所以总结一下构造的特征的方法和一些经验。
作者：Sambodhi，海边的拾遗者导读机器学习涉及到机器学习算法和模型的使用。对于初学者来说，这很容易让人混淆，因为“机器学习算法”经常与“机器学习模型”交替使用。这两个到底是一样的东西呢，还是不一样的东西？作为开发人员，你对排序算法、搜索算法等“算法”的直觉，将有助于你厘清这个困惑。在本文中，我将阐述机器学习“算法”和“模型”之间的区别。机器学习中的“算法”是什么？机器学习中的“算法”是在数据
所谓机器学习和深度学习， 背后的逻辑都是数学， 而统计学又是重中之重， 机器学习从某种意义上来说就是一种统计学习。
本文阐释了数据科学和机器学习中数学的重要性，同时有侧重地整理了对应的数学技能。
会导致机器学习的实验失败的7个常见问题。机器学习是一个伟大的工具，它正在改变我们的世界。在许多伟大的应用中，机器学习，尤其是深度学习，已经证明比传统方法优越得多。从Alex-Net图像分类到U-Net图像分割，我们看到了在计算机视觉和医学图像处理上的巨大的成功。不过，我经常都会看到机器学习方法的失败。在出现这样的情况时，人们往往会犯下机器学习的七宗罪之一。虽然所有这些问题都很严重，并会导致错误的结
Datawhale学术 产学合作：腾讯广告犀牛鸟专项研究计划腾讯广告犀牛鸟专项研究计划是由腾讯广告与腾讯高校合作联合发起的，是腾讯犀牛鸟产学合作计划的重要项目之一。自2018年启动以来，得到了海内外学者的广泛关注和积极参与。截止到目前，已有20余位高校教师通过专项合作。该项目面向全球高校全职学者或科研机构的全职研究人员，旨在开放腾讯广告业务中的技术挑战，搭建产学研合作平台，共
图解机器学习本文详解 scikit-learn 工具库的用法，覆盖机器学习基础知识、SKLearn讲解、SKLearn三大核心API、SKLearn高级API等内容。
个人认为：吴恩达老师的机器学习课程，是初学者入门机器学习的最好的课程！我们整理了笔记（336页），复现的Python代码等资源，包括原版的docx文件，文末提供下载。
行早 发自 凹非寺量子位 | 公众号 QbitAI，AI有道近日，吴恩达教授发推给大家推荐了一个新的资源站：Data-centric AI（DCAI）。很高兴给大家介绍我们建立的一个新资源...
今天给大家带来的文章，关于朴素贝叶斯的，一个古老而经典的算法，充分的理解有利于对风控特征或者识别的开拓新的思路。一、从一个案例讲起假如我们的目标是判断邮件是否是垃圾邮件，邮件内容是【代开增...
Datawhale干货 目录正则化算法（Regularization Algorithms）集成算法（Ensemble Algorithms）决策树算法（Decision Tree Algorithm）回归（Regression）人工神经网络（Artificial Neural Network）深度学习（Deep Learning）支持向量机（Support Vector
如果让计算机自己去学习和训练规则，是否能达到更好的效果呢？AutoML也许是下一代人工智能的浪潮。
Datawhale 作者：赵楠、杨开漠、谢文昕、张雨寄语：本文针对5大机器学习经典算法，梳理了其模型、策略和求解等方面的内容，同时给出了其对应sklearn的参数详解和代码实现，帮助学习者入门和巩固机器学习理论知识。作为Datawhale机器学习开源教程，主要对经典算法：线性回归、朴素贝叶斯、EM算法、条件随机场和支持向量机，给出了完整的学习路径，同时对学习内容进行梳理，并给
今天上午已收到意向书，岗位算法工程师-机器学习，地点杭州。
集成学习是目前机器学习领域最热门的研究方向之一，近年来许多机器学习竞赛的冠军均使用了集成学习。
昨天，李宏毅老师今年的第一课开讲了！
机器学习既是一门科学，也是一种艺术。纵观各类机器学习算法，并没有一种普适的解决方案或方法。
在过去的几年里，机器学习有了巨大的发展。但是，尽管机器学习是一门学科，管理机器学习团队的技艺却更年轻。当今许多机器学习管理人员被迫进入管理岗位，要么是出于需要，要么是因为他们是最好的个人贡献者，而且许多人纯粹来自学术背景。在一些公司，工程师或产品负责人的任务是建立新的机器学习能力，而没有任何真正的机器学习经验。管理任何技术团队都是困难的：你必须雇佣优秀的人。你需要管理和发展它们。你需要管理你的团队
关键在于解决正确的问题，并在这些问题上不断取得进步，实现持续的个人成长。
随着我们在机器学习、数据建模、数据挖掘分析这条发展路上越走越远，其实越会感觉到特征工程的重要性，平时我们在很多地方都会看到一些很好的特征工程技巧，但是都会是一个完整项目去阅读，虽然说这样子也可以学习挖掘思路，但有的时候浓缩的技巧总结也是十分重要！GitHub上有一个专门针对特征工程技巧的“锦囊”，叫做《Tips-of-Feature-engineering》，作者把网路上、书本上的一些特征工程的项
作者：LearnDataSci机器之心编译本文作者在多年研究在线学习图景、在不同平台注册大量机器学习课程后，收集了目前最好的 5 门机器学习课程。机器学习根植于统计学，正在逐渐成为最有趣、发展最快的计算机科学领域之一。机器学习可应用到无数行业和应用中，使其更加高效和智能。聊天机器人、垃圾邮件过滤、广告服务、搜索引擎和欺诈检测，这些都是机器学习模型在日常生活中的应用实例。机器学习使我们为人类力不能
早在去年的这个时候，红色石头就发文给大家推荐过一本非常棒的机器学习实用指南书籍《Hands-On Machine Learning with Scikit-Learn & TensorFlow》，中文译为《Scikit-Learn 与 TensorFlow 机器学习实用指南》。这本书最大的特色从理论上讲就是言简意赅，全书基本上没有太多复杂的数学公式推导，语言通俗易懂，很容易看得懂、看得下去
这篇十年前的论文，对长者的洞察力和预见性深感钦佩。
希望能帮助大家从这些论文中，对 2020 年人工智能的发展方向、前沿技术，略窥一二。
我的博客地址：红色石头的专栏 我的知乎主页：红色石头 我的微博：RedstoneWill的微博 我的GitHub：RedstoneWill的GitHub 我的公众号：红色石头的机器学习之路（ID：redstonewill） 欢迎大家关注我！共同学习，共同进步！上一节课，我们主要介绍了VC Dimension的概念。如果Hypotheses se...