BT

如何利用碎片时间提升技术认知与能力? 点击获取答案

  • 他的粉丝

    通过机器学习和时间序列数据理解软件系统行为

    作者 Roland Meertens 关注 7 他的粉丝 ,译者 无明 关注 1 他的粉丝   发布于  2018年8月9日

    David Andrzejewski呈现了“通过机器学习和时间序列数据理解软件系统行为”的演讲。本文是他的演讲摘要以及注意事项的内容概述,包括了解时间序列的传统方法、如何处理缺失值,以及了解数据中可能出现的季节性。在为异常检测设置阈值时要十分谨慎。

  • 他的粉丝

    机器学习是统计学旧汤换新药?非也

    作者 Joe Davison 关注 0 他的粉丝 ,译者 陈利鑫 关注 1 他的粉丝   发布于  2018年8月1日

    机器学习仍然代表着世界技术进步和创新的最前沿。它不只是墙上透着亮光的裂缝,终有一天,它可能会破墙而出!

  • 他的粉丝

    腾讯大规模分布式机器学习系统无量是如何进行技术选型的?

    作者 张红林 关注 9 他的粉丝 发布于  2018年7月18日

    在互联网场景中,亿级的用户每天产生着百亿规模的用户数据,形成了超大规模的训练样本。如何利用这些数据训练出更好的模型并用这些模型为用户服务,给机器学习平台带来了巨大的挑战。腾讯开发了一个基于参数服务器架构的机器学习计算框架——无量框架,已经能够完成百亿样本/百亿参数模型的小时级训练能力。无量框架提供多种机器学习算法,不但能进行任务式的离线训练,还能支持以流式样本为输入的 7*24 小时的在线训练。

他的粉丝

满帮如何将机器学习应用于车货匹配和公路干线价格预测?

作者 罗竞佳 关注 0 他的粉丝 发布于  2018年7月16日

作为全国最大的公路物流平台,运满满如何在国内庞大的物流市场,应对不同空间和时间的需求?

他的粉丝

独家揭秘腾讯千亿级参数分布式机器学习系统无量

作者 袁镱 关注 0 他的粉丝 发布于  2018年7月4日

千亿参数规模的模型已经被业界证明能够有效提高业务效果。如何高效训练出这样的模型?百 GB 级别的模型如何在线上实现毫秒级的响应?这些能力在各个大厂都被视为核心技术竞争力和机器学习能力的技术壁垒。要具备这样的能力,对相关系统有什么样的挑战?本文将从系统的角度去详细分析这些问题,并给出腾讯公司的无量系统对这些问题的解答。 1

他的粉丝

如何训练智能体Agent玩毁灭战士ViZDoom?

作者 武维 关注 5 他的粉丝 发布于  2018年6月26日

本文主要基于 ViZDoom 中的两个场景,讲解强化学习的基本思想,Q-Learning 算法,Deep Q-Learning 算法如何应用于射击场景及 Policy Gradient 算法如何应用于收集医药箱场景。

他的粉丝

频率视角下的机器学习

作者 王天一 关注 2 他的粉丝 发布于  2018年6月7日

《机器学习40讲》,3个月帮你打通机器学习的任督二脉。

他的粉丝

集成学习算法(Ensemble Method)浅析

作者 陈祥龙 关注 0 他的粉丝 发布于  2018年5月21日

集成学习算法本身不算一种单独的机器学习算法,而是通过构建并结合多个机器学习器来完成学习任务。可以说是集百家 之所长,能在机器学习算法中拥有较高的准确率,不足之处就是模型的训练过程可能比较复杂,效率不是很高。

他的粉丝

如何做好文本关键词提取?从达观数据应用的三种算法说起

作者 韩伟 关注 0 他的粉丝 发布于  2018年5月18日

本文介绍了三种常用的无监督的关键词提取算法及其优缺点。

他的粉丝

Jeff Dean在SystemML会议上的论文解读:学习索引结构的一些案例

作者 难易 关注 0 他的粉丝 发布于  2018年4月11日

本文是Google的Fellow,Jeff Dean,把机器学习应用到系统设计的论文,原文发布在SystemML会议上,作者进行了翻译。 1

他的粉丝

IBM推出全新机器学习库Snap ML,高出现有基准性能46倍

作者 IBM Research 关注 0 他的粉丝 ,译者 无明 关注 1 他的粉丝   发布于  2018年4月3日

在拉斯维加斯举行的IBM THINK 2018大会上,IBM宣布了一项与机器学习性能有关的重大突破。他们使用一组由Criteo实验室发布的广告数据集(包含了40亿个训练样本)来训练逻辑回归分类器,结果只花了91.5秒就完成了整个训练过程,这一成绩比之前报告的最好成绩快了46倍。

他的粉丝

阿里巴巴AAAI 2018录用论文:知识图谱实体链接无监督学习框架CoLink

作者 钟泽轩等 关注 0 他的粉丝 发布于  2018年3月28日

CoLink使用了一种能同时操作两个独立模型的协同训练算法,并且能以无监督学习的方式迭代式地让两个模型彼此互相增强。我们还提出使用“序列到序列”学习作为基于属性的模型非常有效,这种方法能将属性对齐难题当作机器翻译问题处理。我们将 CoLink 应用到了将企业网络中的员工映射到他们的领英个人资料的实体信息链接任务上。实验结果表明CoLink在F1分数上的表现超过之前最佳的无监督方法的20%以上。

登陆InfoQ,与你最关心的话题互动。


找回密码....

Follow

关注你最喜爱的话题和作者

快速浏览网站内你所感兴趣话题的精选内容。

Like

内容自由定制

选择想要阅读的主题和喜爱的作者定制自己的新闻源。

Notifications

获取更新

设置通知机制以获取内容更新对您而言是否重要

BT