近期,随着特斯拉等一众智能车厂发力,智能驾驶已成为消费者在选购车型中重要的考量维度。在智能驾驶技术研发中,受到关注度最高的是远场感知系统,非常容易获取到相关的技术资料。相对而言,近场感知受到的关注少很多,但是技术复杂度并没有因此降低,尤其是在泊车场景,近场感知能力尤为重要。缘于此,笔者近期会分享关于环视近场感知技术的系列工作,希望对该领域的技术同僚有所帮助。
提到「玩车教授」,相信大家都不陌生,这个最初以公众号为平台的新媒体公司估值已经超过了 7 亿。而在小程序推出后,他们也在第一时间跟进。现如今,「玩车教授」已经借助小程序完成了与以往业务的结合,实现了公司产品的二次飞跃,成为行业中的标杆。
对于词语的表示,最开始采用one-hot编码,用于判断文本中是否具有该词语;后来发展使用Bag-of-Words,使用词频信息对词语进行表示;再后来使用TF-IDF根据词语在文本中分布情况进行表示。而近年来,随着神经网络的发展,分布式的词语表达得到大量使用,word2vec就是对词语进行连续的多维向量表示。 区别于其它神经网络对词语embedding表示,Mikolov的word2vec非常漂亮,直接采用单层神经网络(或理解为sigmoid函数)对词语进行表示。具体的方法有两种CBOW和Skip-gram,
A:网上已经有很多的文章解释过这个问题,简单的说就是离线评估的 AUC 是评估请求与请求之间点击率的序,而在线评估的是广告与广告点击率的距,评估的角度就不一致,所以这种情况是有可能发生的。举一个极端的例子,假设人在 wifi 环境下更喜欢点广告,但无论是哪个广告更喜欢点的程度都是一样的,如果在离线环境下如果我们加入了是否在 wifi 环境下这个特征,我们就应该能得到更高的 AUC,而在线时,因为这个特征的影响对所有广告是一样的,其实无法提升我们的在线效果,因为 P(Ad_x|Wifi)=P(Ad_x),所以不会提升。
对于词语的表示,最开始采用one-hot编码,用于判断文本中是否具有该词语;后来发展使用Bag-of-Words,使用词频信息对词语进行表示;再后来使用TF-IDF根据词语在文本中分布情况进行表示。而近年来,随着神经网络的发展,分布式的词语表达得到大量使用,word2vec就是对词语进行连续的多维向量表示。
导读:自动化是嵌入到整个智能供应链Y的基因里去的,我们服务的一个愿景是希望通过自动化技术实现供应链全链条的降本提效。本文将分享京东如何利用AI驱动端到端补货建设,包括以下几大方面内容:
12月15日,由腾讯云主办的首届“腾讯云+社区开发者大会”在北京举行。本届大会以“新趋势•新技术•新应用”为主题,汇聚了超40位技术专家,共同探索人工智能、大数据、物联网、小程序、运维开发等热门技术的最新发展成果,吸引超过1000名开发者的参与。以下是大数据AI分会场的演讲内容,稍作整理,分享给大家。
针对垃圾邮件分类这个项目,一般的做法是,首先由一堆的邮件和是否是垃圾邮件的标注,如[(邮件内容1,是),(邮件内容2,否),(邮件内容3,是)...]。然后我们针对邮件的内容去做分词,搜集全部词语组织成词表;由于邮件内容的词通常都是常用词,因此可以取top500的词组织成词表,然后替换内容邮件。
AI 科技评论按: Kaggle 是全世界首屈一指的数据科学、机器学习开发者社区和竞赛平台,来看看 Kaggle 亚马逊雨林比赛金牌团队的经验分享吧。 日前,中山大学CIS实验室的研二学生刘思聪为我们带来了一场精彩的分享。他所在的队伍在 Kaggle 上的亚马逊比赛中获得了金牌,在这次的分享上,他为我们详述了比赛过程中所获得的经验以及图像比赛中的一些通用套路。 下面是他的分享内容,AI 科技评论做了不改变原意的编辑整理: 大家好,我叫刘思聪,来自中山大学CIS实验室。我们前段时间参加了Kaggle上面一个亚
AI研习社按: Kaggle 是全世界首屈一指的数据科学、机器学习开发者社区和竞赛平台。日前,中山大学CIS实验室的研二学生刘思聪为我们带来了一场精彩的分享。他所在的队伍在 Kaggle 上的亚马逊比赛中获得了金牌,他为我们详述了比赛过程中所获得的经验以及图像比赛中的一些通用套路。 下面是他的分享内容,AI 研习社做了不改变原意的编辑整理: 大家好,我叫刘思聪,来自中山大学CIS实验室。我们前段时间参加了Kaggle上面一个亚马逊雨林的卫星图像比赛,取得了不错的成绩,然后也得到了一些经验,今天就给大家分享一
试想一下,如果有一天消费者能够在家自助选车、购车;乘坐着新能源无人驾驶汽车出行;车辆通过大脑解码技术即可预测驾驶员的行为意图,将驾驶员的反应快速地传递给车辆,这会怎么样呢?然而,这一切随着2018北京车展的到来即将成为现实。
截止9.21-10.21之间总共 发表了在线医学相关数据库49个。由于微生物和病毒方面的数据库比较多。所以相较于之前的汇总,我们增加了微生物和病毒相关数据库的模块。
前面学过了简单的回归和决策树,当然仅仅是使用起来简单。实际上,线性回归和决策树是很多其他算法的基础,很多高级的算法都是基于它们的组合或者变种。下面我们来看一个另外的东西,叫分类。
最近我们被客户要求撰写关于上海空气质量指数的研究报告。本文向大家介绍R语言对上海PM2.5等空气质量数据 间的相关分析和预测分析,主要内容包括其使用实例,具有一定的参考价值,需要的朋友可以参考一下
作者 CDA 数据分析师 编者按 随着移动互联网,小型卫星普及等,资产管理公司,尤其对冲基金公司开始利用人工智能从新型数据中来寻找Alpha。 本期精编版嘉宾演讲为合一创投首席数据科学家吴海山博士带来的分享,看了他讲的内容你会发现,原来数据分析还可以有这样一种不一样的形式…… 关注公众号CDA数据分析师(ID:cdacdacda)并回复“吴海山”领取吴海山博士现场演讲视频和PPT。 现场纪实 首先非常感谢CDAS主办方CDA数据分析师的邀请,能够在今天和大家分享一下我之前做的一些与数据分析相关的工作。
最近我们被客户要求撰写关于上海空气质量指数的研究报告。本文向大家介绍R语言对上海PM2.5等空气质量数据间的相关分析和预测分析,主要内容包括其使用实例,具有一定的参考价值,需要的朋友可以参考一下
导读: 近年来,知识图谱在众多行业场景被大量应用,例如推荐、医疗。为了构造尽可能完备的图谱,知识图谱的推理工作也成为学术届和工业界的一个重要研究课题。来自Mila人工智能实验室的瞿锰博士,给大家分享了他们在图谱推理任务方向的一个研究:基于逻辑规则的图谱推理(RNNLogic: Learning Logic Rules for Reasoning on Knowledge Graphs),研究结果显示RNNLogic可以很好地兼顾图谱推理任务的模型效果和可解释性的问题。
本文为TalkingData首席金融行业专家在CDAS2016大数据金融分论坛上的分享,已经过嘉宾审核,整理出来,以飨读者。 今天跟大家分享三方面的内容,一个是深度商业分析的七大基石,另外是怎么做客户
在美团王兴说出未来国内造车新势力只有蔚来、理想、小鹏三家能走出来的时候,同为较早一批造车新势力的威马并不爱听这种论断。之后威马的CEO沈辉也表示,如果威马成为新势力Top3之一,希望王总可以亲自充当外卖小哥来送一餐。
这是小詹关于机器学习的第③篇文章 导读:通过本篇文章可以对ML的常用算法有个常识性的认识,没有代码,没有复杂的理论推导,就是图解一下,知道这些算法是什么,它们是怎么应用的,例子主要是分类问题。 今天要
导读:通过本篇文章可以对ML的常用算法有个常识性的认识,没有代码,没有复杂的理论推导,就是图解一下,知道这些算法是什么,它们是怎么应用的,例子主要是分类问题。 每个算法都看了好几个视频,挑出讲的最清晰明了有趣的,便于科普。 以后有时间再对单个算法做深入地解析。 今天的算法如下: 决策树 随机森林算法 逻辑回归 SVM 朴素贝叶斯 K最近邻算法 K均值算法 Adaboost算法 神经网络 马尔可夫 1. 决策树 根据一些 feature 进行分类,每个节点提一个问题,通过判断,将数据分为两类,再继续提问。这
关键字全网搜索最新排名 【机器学习算法】:排名第一 【机器学习】:排名第二 【Python】:排名第三 【算法】:排名第四 来源:AI研习社 通过本篇文章可以对ML的常用算法有个常识性的认识,没有代码,没有复杂的理论推导,就是图解一下,知道这些算法是什么,它们是怎么应用的,例子主要是分类问题。 每个算法都看了好几个视频,挑出讲的最清晰明了有趣的,便于科普。 以后有时间再对单个算法做深入地解析。 今天的算法如下: 决策树 随机森林算法 逻辑回归 SVM 朴素贝叶斯 K最近邻算法 K均值算法 Adaboost算
导读:通过本篇文章可以对ML的常用算法有个常识性的认识,没有代码,没有复杂的理论推导,就是图解一下,知道这些算法是什么,它们是怎么应用的,例子主要是分类问题。 1. 决策树 根据一些 feature
通过本篇文章可以对ML的常用算法有个常识性的认识,没有代码,没有复杂的理论推导,就是图解一下,知道这些算法是什么,它们是怎么应用的,例子主要是分类问题。
每个算法都看了好几个视频,挑出讲的最清晰明了有趣的,便于科普。 以后有时间再对单个算法做深入地解析。
原文网址:http://mp.weixin.qq.com/s/W9czZay1QbNJoqG7v3LSOw
举一个例子:假设房子的价格与房子大小有关,为了预测房子的价格,我们可以先可以搜集一批房子价格对有房子大小的数据,为了能够进行分析,我们需要建立一个模型,来实现输入size x时能够输出对应的price y.
本文中的问题精选自上期【你问我答】——深度学习专题中读者的提问。【你问我答】是由美团点评技术团队推出的线上问答服务,你在工作学习中遇到的各种技术问题,都可以通过我们微信公众号发问,我们5000+工程师会义务为你解答,欢迎大家踊跃提问。高质量、定义清晰的问题会优先获得解答。 Q1:您好,有一个问题想请教一下。这里有一批用户的App行为数据,但是有些存在缺失,怎样从相对完整的用户行为数据中,推断出用户缺失的那部分行为数据?思路是怎样的? A:如果缺失的用户行为数据是数值型,可以建立预测缺失数据的模型,用已有
Cloud_Native概念最近比较火,因此研究下到底讲的是什么含义。 Cloud_Native从概念上讲核心说的是传统的应用部署在数据中心上的架构不适合云化的环境,要充分利用云基础设施的可编程性和扩展性,又要规避云基础设施的不可靠,cloud_native核心改变是fit app to infra,而不是fit infra to app。 什么样的应用才算是Cloud_Native呢?open data center alliance(ODCA)一篇论文Best Practices: Architect
选自arXiv 作者:Chuhang Zou等 机器之心编译 参与:Geek Ai、路 近日,来自 UIUC 和 Zillow 的研究者在 arXiv 上发布论文,提出 LayoutNet——一种仅通过单张透视图或全景图就能估算室内场景 3D 布局的深度卷积神经网络(CNN)。该方法在全景图上的运行速度和预测精度比较好,在透视图上的性能是最好的方案之一。该方法也能够推广到非长方体的曼哈顿布局中。目前,该论文已经被 CVPR 2018 接收。 引言 对于机器人和虚拟现实、增强现实这样的应用来说,从图像中估
AI科技评论按:随着诸如 Twitter、Facebook、新浪微博等社交平台的兴起,每天有成千上万的消息在这些平台上产生并传播。在如此大体量的消息中,如何能提前预测某条消息在未来的关注转发量(流行度),对于用户和平台而言都具有很大的意义。因此,本文将为大家介绍目前的网络信息流行度预测研究进展,以及中科院博士生曹婍提出的基于深度学习技术的端到端流行度预测框架(DeepHawkes 模型)。该工作已被国际会议 CIKM 2017 录用并发表。 曹婍,目前就读于中国科学院计算技术研究所的网络数据科学与技术重点实
本文介绍了机器学习中的十大算法,包括决策树、随机森林、逻辑回归、SVM、朴素贝叶斯、K-近邻、Adaboost、神经网络、马尔可夫链和MarkoWorld。这些算法在解决实际问题时具有不同的特点和适用场景,例如分类、回归、聚类等。每种算法都有其优缺点,需要根据具体问题和数据集来选择合适的算法进行建模。
通过本篇文章可以对ML的常用算法有个常识性的认识,没有代码,没有复杂的理论推导,就是图解一下,知道这些算法是什么,它们是怎么应用的,例子主要是分类问题。 每个算法都看了好几个视频,挑出讲的最清晰明了有趣的,便于科普。 以后有时间再对单个算法做深入地解析。 今天的算法如下: 决策树 随机森林算法 逻辑回归 SVM 朴素贝叶斯 K最近邻算法 K均值算法 Adaboost 算法 神经网络 马尔可夫 1. 决策树 根据一些 feature 进行分类,每个节点提一个问题,通过判断,将数据分为两类,再继续提问。这些问
来源:不会停的蜗牛 链接:http://www.jianshu.com/p/55a67c12d3e9 通过本篇文章大家可以对ML的常用算法形成常识性的认识。没有代码,没有复杂的理论推导,仅是图解,介绍这些算法是什么以及如何应用(例子主要是分类问题)。以后有机会再对单个算法做深入地解析。 今天的算法如下: 决策树 随机森林算法 逻辑回归 SVM 朴素贝叶斯 K最近邻算法 K均值算法 Adaboost 算法 神经网络 马尔可夫 1. 决策树 根据一些 feature 进行分类,每个节点提一个问题,通过判断,将
机器学习十大常用算法小结 通过本篇文章可以对ML的常用算法有个常识性的认识,没有代码,没有复杂的理论推导,就是图解一下,知道这些算法是什么,它们是怎么应用的,例子主要是分类问题。 每个算法都看了好几个视频,挑出讲的最清晰明了有趣的,便于科普。 以后有时间再对单个算法做深入地解析。 今天的算法如下: 决策树 随机森林算法 逻辑回归 SVM 朴素贝叶斯 K最近邻算法 K均值算法 Adaboost 算法 神经网络 马尔可夫 1. 决策树 根据一些 feature 进行分类,每个节点提一个问题,通过判断,将数据分
前几篇都是讲线性回归的,特点就是最终的结果是一系列的值。我们通过找到合适的方程去匹配空间中的点的分布,得到合适的模型,然后用模型对未知的数据结果进行预测。二维线性模型就像下面的图,我们需要找到这根蓝色的线的方程。
2. 表格线检测:检测出表格线段的坐标与交点坐标,传统算法基于图像特征进行计算,但是这种算法目前基本已经被抛弃,因为精度跟深度学习的通常差太多,而且只能检测有表格线的表格,还通常比较耗时。现在主流算法都是使用深度学习模型进行检测线段端点坐标,无线表格也能预测出哪里应该有线段,这是接下来要做的;
一般系统的服务划分有以下两种维度: 按模块划分 这个比较适用于偏业务的场景:复杂的系统,最好先按业务领域横向拆分成可独立部署的子系统,每个子系统内部再按技术纵向拆分成不同的子模块。 按角色划分 这个比较适用于基础服务类的场景:一个大系统,每个服务看起来关联都很紧密,存在相互的调用关系。这时候可以考虑它们各自承担的角色和使命。 核心原则 单一职责:能不能用一句话说清楚这个服务的职责?非要分成两句话,那就分成两个服务。 在核心原则的基础上,符合下面的原则是一个比较好的实践: 松散耦合原则 可复用性原则 服务自治
写这篇文章的目的,是对ML的常用算法有个常识性的认识,没有代码,没有复杂的理论推导,就是图解一下,知道这些算法是什么,它们是怎么应用的,例子主要是分类问题。
为了拉近和大家的距离 每篇文章的文末都有一个小话题 欢迎大家参与讨论 有任何想说的都可以在评论区交流~ AI研习社按:原文作者杨熹,载于作者的个人博客,AI研习社经授权发布。文中视频来自YouTube,点击“阅读原文”科学上网后即可观看。 通过本篇文章可以对ML的常用算法有个常识性的认识,没有代码,没有复杂的理论推导,就是图解一下,知道这些算法是什么,它们是怎么应用的,例子主要是分类问题。 每个算法都看了好几个视频,挑出讲的最清晰明了有趣的,便于科普。 以后有时间再对单个算法做深入地解析。 今天的算法如下
今日资料: 《Tensorflow 实战》-策略网络 代码: https://github.com/awjuliani/DeepRL-Agents/blob/master/Policy-Network.ipynb 强化学习是机器学习的一个重要分支,可以解决连续决策的问题。 一个强化学习问题,主要包含三个概念,环境状态,行动,奖励, 强化学习的目标就是获得最多的累计奖励。 它有很多应用,比如控制机器人,无人驾驶,商品定价,库存管理,玩游戏,例如AlphaGo。 例如在围棋这个游戏中,环境状态指的是已经出
商业是一个价值交换的事情,并不是一个等价交换的事情,我们因为信息不对称,很有可能导致一些效应:赢者通吃。大家买一个什么东西,可能比较关注的是市场知名度比较高的,这种会导致有一些同样的质量,甚至质量更高更便宜的产品,他们曝光度没有那么高,他们销售的时候并不占优势。我们作为一个数据团队,希望基于通信技术,大数据技术提供数字化智能化的服务,提升我们营销的价值点。
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍如何判断机器学习的性能,train_test_split方法。
上面的一段代码利用numpy生成数据序列,并实现了1阶回归,并画出预测效果图,图形如下:
机器之心报道 机器之心编辑部 3 月 23 日,在机器之心 AI 科技年会上,蚂蚁集团金融机器智能部总经理周俊发表了主题演讲《可信 AI 在数字经济中的实践与探索》。 周俊介绍,如果将数字经济比作一棵树,树干中的人工智能 (AI)、大数据、云计算等技术,构成了数字经济的核心,起着承上启下的作用;树根中的隐私、安全等因素,决定长势以及未来;树干跟树根必须紧密融合,才能枝繁叶茂,其中 AI + 隐私、AI + 安全等成为当下亟需突破的方向。而可信 AI 技术理念将是数字时代抵御风险、提升科技包容度的关键能力之
领取专属 10元无门槛券
手把手带您无忧上云