当开始研究数据科学时，我经常面临一个问题，那就是为我的特定问题选择最合适的算法。在本文中，我将尝试解释一些基本概念，并在不同的任务中使用不同类型的机器学习算法。...首先，你应该区分机器学习任务的四种类型: 监督式学习 无监督学习 半监督学习 强化学习 监督式学习 监督式学习是指从有标签的训练数据中推断一个函数的任务。...强化学习 强化学习与前面几个任务不同，因为我们没有带有标签或没有标签的数据集。强化学习是机器学习的一个领域，它关注的是软件agent应该如何在某些环境中采取行动，以最大化累积奖励的概念。 ?...你应该在一些向量上计算投影，以最大化你的数据的方差，并且尽可能地将信息丢失的概率降低。令人惊讶的是，这些向量是来自数据集的特征相关矩阵的特征向量。 ?...结论 我希望向大家解释最常用的机器学习算法，并就如何根据特定的问题选择一种算法给出建议。为了简化你的工作，我已经准备好了它们的主要特征的结构化概述。
选自Medium 机器之心编译 参与：Nurhachu Nul、路雪 深度学习只能使用实数吗？...毕竟它对量子力学奏效，那么它也有可能在深度学习领域发挥作用。此外，深度学习和量子力学都与信息处理有关，二者可能是同一件事情。 由于论据的原因，我们暂且不考虑生物合理性。...在过去几年里，曾经出现过一些探索在深度学习中使用复数的文章。奇怪的是，它们中的大部分都没有被同行评议的期刊接受。因为深度学习的正统观念在该领域已经很流行了。但是，我们还是要评述一些有趣的论文。...在去年的一篇博文中，我介绍了全息原理和深度学习的关系。博文中的方法探索了张量网络和深度学习架构网络之间的相似性。量子力学可以被认为是使用了一种更加通用的概率形式。...如果我们接受了目前深度学习的主流观点--任何一层的微分都是公平的，那么或许我们应该使用存储多种变体的复分析。 或许复数没有被经常使用的原因是研究者对它不够熟悉。
译者 | VK 来源 | Towards Data Science 【磐创AI 导读】：本篇文章介绍了一些深度学习框架，分析了哪种深度学习框架发展最快，希望对大家有所帮助。...想要更多电子杂志的机器学习，深度学习资源，大家欢迎点击上方蓝字关注我们的公众号：磐创AI。 在2018年9月，我进行了所有主流深度学习框架中关于需求，使用与普及等方面的比较。...TensorFlow无可争议是深度学习框架的重量级冠军，PyTorch是新秀。 在过去六个月中，领先的深度学习框架的情况发生了什么变化? ? ?...我不会在本文中探索其他深度学习框架。这些框架有Caffe，Theano，MXNET，CNTK，DeepLearning4J和Chainer。...如果你想学习PyTorch，我建议你从fast.ai的MOOC 实践深度学习编码器^9开始，v3。您将学习深度学习基础知识，fastai和PyTorch基础知识。
无论哪种方式，当我的早餐取决于我对法语的掌握时，我都会比过去更有动力去争取Je voudrais un pain au chocolat（翻译：我想要其中一种美味的巧克力面包）。...在下一章中，我将向您展示另一个高级主题的示例，即深度强化学习或深度 Q 学习，并向您展示如何实现自己的深度 Q 网络。 在此之前，请放松！...因此，请原谅快速参考处理，并知道我在为您提供足够的信息，而在接下来的部分中将不多说。 强化学习，马尔可夫决策过程和 Q 学习是智能体的基础，我们接下来将讨论这些内容。...幸运的是，我们可以使用深度神经网络来近似Q函数。 这可能不会让您感到惊讶，因为您正在阅读一本深度学习书，因此您可能猜测深度学习必须在某个地方出现。...我对这本书的最大希望是，它可以帮助您实际使用深度学习技术，而其中的许多技术已经存在于学术界和研究领域，而这超出了实践数据科学家或机器学习工程师的能力。
如果我要设计一个用于新的深度学习问题的网络架构，我要做的第一件事就是尝试找到一个令人满意的方式，以前已经解决了类似的问题。 尽管可能没有人能够解决您面临的任务，但可能存在类似的情况。...八、将预训练的 CNN 用于迁移学习 迁移学习很棒。 实际上，在一本充满奇妙事物的书中，这可能是我必须告诉您的最奇妙的事物。 如果没有，那也许至少是我可以教给您的最有用和最实用的深度学习技术。...迁移学习可以帮助您解决深度学习问题，尤其是计算机视觉问题，而涉及问题范围的数据和数据却很少。 在本章中，我们将讨论什么是迁移学习，什么时候应该使用它，最后讨论如何在 Keras 中进行迁移学习。...虽然我显然是深度神经网络的忠实拥护者（事实上，我写过关于它们的书），但我建议从 ARIMA 开始并逐步进行深度学习。 在许多情况下，ARIMA 的表现将优于 LSTM。 当数据稀疏时尤其如此。...我并不是在特定意义上指深度学习模型或机器学习模型。 相反，在这种情况下，模型是表示文本的一种方式。 给定一个由一组单词组成的文档，则需要定义一种策略来将单词转换为数字。
一、深度学习的基础 欢迎使用《深度学习快速参考》！ 在本书中，我将尝试使需要解决深度学习问题的数据科学家，机器学习工程师和软件工程师更容易使用，实用和使用深度学习技术。...本书不会深入研究深度学习和神经网络的理论。 有许多可以提供这种背景知识的精彩书籍，我强烈建议您至少阅读其中一本（也许是参考书目，也可以只是建议）。 我们希望提供足够的理论和数学直觉来帮助您入门。...在现实生活中，我很少使用深度学习作为结构化数据问题的第一个解决方案。 我将从可能可行的最简单模型开始，然后根据问题的需要迭代进行深度学习。 当问题域包含图像，音频或文本时，我更有可能从深度学习开始。...我们如何知道应该包括多少层以及应该包含多少个神经元？ 我想给你一个公式。 我真的会。 不幸的是，它不存在。 实际上，有些人正在尝试构建可以学习其他神经网络的最佳架构的神经网络。...缺点 和以前一样，更简单的模型可能会比深度学习模型做的更好或更好。 在所有其他条件都相同的情况下，您可能应该支持更简单的模型。 但是，随着类数的增加，深度神经网络复杂性的弊端通常会减少。
ResNet可谓大名鼎鼎了，一直遵循拿来主义，没有好好去学习它，当然，作为一个提出来快五年的网络结构，已经有太多人写过它了，不好下笔。...ResNet总体介绍 ---- 在ResNet的原始论文里，共介绍了几种形式： 如无特殊说明，截图均来自原始论文 作者根据网络深度不同，一共定义了5种ResNet结构，从18层到152层，每种网络结构都包含五个部分的卷积层...我的理解是，这更多是一种实验发现的，对作者使用的数据集效果比较好的参数（作者使用的数据集当然是比较流行的开放数据集），但是是否在特定场景下是否就是最优呢？...我决定并不见得，特定场景下，输入size可能往往是比较规范的，那就完全有可能产生更好的参数。...不过，如果说这样降维没有特征损失，我个人是不太相信的，只是说可能这种损失比较小。 2.
作者 | Jeff Hale 来源 | Towards Data Science 编辑 | 代码医生团队 TensorFlow是深度学习框架无可争议的重量级冠军，PyTorch是年轻的新秀。...在过去六个月中，领先的深度学习框架的情况如何变化？ 为了回答这个问题，查看了Indeed，Monster，LinkedIn和SimplyHired上的职位列表数量。...不会在本文中探索其他深度学习框架。...作为高级API，Keras和fastai受到新的深度学习从业者的欢迎。Medium有许多教程展示了如何使用这些框架。 新的arXiv文章 arXiv是大多数学术深度学习文章发布的在线存储库。...成长分数程序 以下是我创建增长分数的方法： 1.缩放0到1之间的所有功能。 2.聚合在线职位列表和GitHub活动子类别。 3.加权类别根据以下百分比。 4.可理解性乘以加权分数100。
调整后的R²在统计推断中比在机器学习中更常见。scikitlearn是用于机器学习的主要Python库，甚至没有调整过的R²度量。Statsmodels是Python的主要统计库。...如果您想进一步了解何时使用哪个Python库进行数据科学，我在这里编写了一个指南。 如果知道特征列的数量（p）和观察值的数量（n），就可以计算调整后的R2。...在机器学习中，我们通常最关心的是预测能力，因此R²比调整后的R²更受青睐。 关于统计学与机器学习的另一个注意事项：我们的重点是机器学习，所以预测而不是因果关系。...至少，我以前是这样的。 再看看我们的示例数据集： RMSE为0.48。实际y值的平均值为2.2。总之，这些信息告诉我们，这个模型可能介于伟大和可怕之间。...总结 那么您应该使用哪种度量标准呢？总的来说，有以下三点！? R²使评估性能的人员可以对模型的性能有一个直观的了解。 RMSE不太容易理解，但非常常见。它惩罚了非常糟糕的预测。
经常有刚入门的读者会问： Java，C/C++，Go，Python这几门语言我该学哪个？哪个发展好？ 在我刚接触编程的时候，想学一门编程语言，内心很是纠结，到底是学C++好呢，还是Java好呢？...当时好朋友说Java就业好，我也就跟着去学了Java。...时至今日，回过头来发现，其实在往后的路上，语言变得越来越不重要了，语言现在只是当做一门工具来用，更重要的是与语言无关的通用知识（比如数据结构）、快速学习的能力以及业务理解能力。...是不是要学习？该怎么学习？ 其实很多人都有这样的体会，当你学会了一门语言以后，再去学习新的语言，难度会大大降低，因为很多概念是一样的， 只是换了一种包装形式。...所以学习一门新的语言，更重要的是关注它和你所掌握语言的不同之处。这些不同之处所涉及到的基本概念是有限的，本文就列出了一些。
最近被人问的最多的一个问题是“我想入门深度学习，我应该学些什么”。 老实说，这个问题不是那么好回答，毕竟每个人的知识背景和技能背景实在是太不一样了。...这对于在开源环境下的学习是十分不利的。 这个部分我建议可以系统地学习上一个月到两个月。当然在这个过程中可以穿插学习其它的知识。...第二：学习Python的应用与进阶技巧 虽然Python作为一种语言来说，跟深度学习没有什么本质的联系。只不过，Python的普及性现在变得原来越好，书写简洁，可读性好，开源社区也非常活跃。...我当然不会阻拦有能力的同学继续深入学习数学知识，只不过作为转行入门的数学知识，到这里已经基本够用了。 这个部分，对于大本修过高数并且没有完全还给老师的那些同学应该都是已经不用再学的了。...在全球有很多好事者喜欢把自己的代码放到Github上去，不管动机是什么，但总是给我们这些学习的人带来了很多可以参考的学习材料。
早期的卷积神经网络结构比较简单，随着深度学习的发展卷积神经网络的结构也在不断优化，很多优秀的结构不断被提出，本文主要对一些常用的优秀网络结构进行总结。...如下图所示，假设输入x学习到的特征图为 ,现在希望可以学习到一个残差结构 ,所以真实原始的学习特征是 。...resNet认为学习 要比直接学习 更容易，（直观上我们可以认为 需要学习的内容少一些，所以学习难度小些），而且可以解决深层网络的梯度消失问题。...应该如图(b)所示结构让不同组的输入进行重组得到关联。...参考：https://zhuanlan.zhihu.com/p/79727336https://zhuanlan.zhihu.com/p/51566209https://zhuanlan.zhihu.com
卷积神经网络是以卷积层为主的深度网路结构，网络结构包括有卷积层、激活层、BN层、池化层、FC层、损失层等。卷积操作是对图像和滤波矩阵做内积（元素相乘再求和）的操作。 1....深度可分离卷积 深度可分离卷积包括为逐通道卷积和逐点卷积两个过程。 （通道卷积，2D标准卷积）（逐点卷积，1x1卷积） 反卷积 属于上采样过程，“反卷积”是将卷积核转换为稀疏矩阵后进行转置计算。...momentum：一个用于运行过程中均值和方差的一个估计参数（我的理解是一个稳定系数，类似于SGD中的momentum的系数）。...学习率 介绍：学习率作为监督学习以及深度学习中重要的超参，其决定着目标函数能否收敛到局部最小值以及合适收敛到最小值。合适的学习率能够使目标函数在合适的时间内收敛到局部最小值。...为了设计能够用于移动端的网络结构，使用Depth-wise Separable Convolution的卷积方式代替传统卷积方式，以达到减少网络权值参数的目的。
神经网络 介绍 我们知道，深度学习也是机器学习的一个范畴，所以它满足机器学习的基本思想：从数据中拟合出某种规律，只是它的模型结构与经典机器学习的模型不同，且具有特色：它的模型结构像人脑的神经元一样连接，...，深度学习当然也有模型性能评估函数，损失函数，优化方法，神经网络还有一个激活函数的概念，这个激活函数添加到某个神经网络的层上，将输入经过某种函数变化后再输出，常见的激活函数有sigmoid，relu等，...不用着急，这些概念我们在之后的系列文章中都会反复提到 Keras 介绍 本系列教程将主要使用Keras库进行讲解，Keras是一个流行的python深度学习库，在许多人工智能竞赛中使用量都居于领先地位...定义了损失函数（loss），定义了优化器（optimizer），定义了评估模型性能的指标（metrics） fit开始训练模型，epochs定义了训练批次，batch_size设置了每次训练提取的样本数（深度学习训练过程每次一般都是抽取训练集的一个子集...X, y, epochs=10, batch_size=32) 这段代码定义了一个最简单的反馈神经网络，隐藏层为RNN层，设置时间步为10，这意味着数据会在RNN层循环十次后再输入到下一层 结语 对于深度学习
一、卷积神经网络结构 常见的卷积神经网络结构： 服务器上：LeNet、AlexNet、VGG、InceptionV1-V4、Inception-ResNet、ResNet 手机上：SqueezNet...而且多层的激活函数令网络对特征的学习能力更强。...七、ResNet网络模型 通俗来讲，就是在一个浅层的网络模型上进行改造，然后将新的模型与原来的浅层模型相比较，这里有个底线就是，改造后的模型至少不应该比原来的模型表现要差。...3、深层次网络的问题 神经网络叠的越深，学习出的效果一定越好吗？...，模型效果将会不升反降，也就是说模型发生退化（degradation）情况 下图左侧为训练误差，右侧为测试误差，20层的误差低于56层 网络继续加深————产生退化————梯度消失、爆炸 参考博文
但是，对于深度学习来说，当你的输入维数很高，不能充分压缩数据时，这才是SSD必需的主要原因。...如果你不确定是否要做深度学习，那么选择这款不用花费太多钱就可以体验一下。...显然，按照现在的情况，我不推荐你去购买它们。 在挑选的时候要注意的几个参数是处理器核心(core)、工作频率、显存位宽、单卡or双卡。我觉得对深度学习计算而言处理器核心数和显存大小比较重要。...最后我综合调研情况和实验室需求及经费，选择了机架式的GPU服务器，选择的配置单如下： 机架式四路GPU工作站配置 参考资料： 码农的高薪之路，如何组装一台适合深度学习的工作站？...如何DIY自己的深度学习工作站 知乎：如何配置一台适用于深度学习的工作站？ 深度学习主机攒机小记 Titan XP值不值？一文教你如何挑选深度学习GPU
我应该学习Java吗?这是一个不断出现的问题。如果你刚开始是一个开发人员，如果你已经是一个前端开发人员，或者即使你是一个。net背景的人，很多人都想知道学习Java是否是一个正确的职业/个人开发步骤。...为什么我应该学Java而不是X、 Y、 Z等其它语言 ? 我确信可能会有更多的问题和担忧，所以请在评论中告诉我。我可以编辑文章或直接回答你。 让我们一起来看看这些问题吧!...如果您是JVM新手，您是否应该使用Java，或者应该直接使用(比方说)Kotlin? 我认为，如果您想成为JVM上的职业开发人员，了解Java是必不可少的。...我认为实际上这更多的是与JVM可用性有关，而不是人们对“性能”的担忧。 为什么我应该学Java而不是X 、Y、 Z等其它语言 ? Java是一门神奇的语言。...我应该学习Java吗? 是的，你应该学习Java。这是当今世界上最流行的语言。它相当简单、现代、快速，而且正在进化。有大量的图书馆可以帮助您编写令人惊叹的代码，并且可以方便地在线获取帮助和资料。
这篇文章谈及了我对机器学习的一些看法，希望能有所帮助。 说个笑话 上次在微博上看，说是马云说数据是最重要的，李彦宏说是算法最重要，马化腾说他两一文科生，一理科生，讲不到一块，都对，也都不对。...ORZ 破除神秘 机器学习行业有着一股神秘劲，尤其是深度学习崛起的今天，各种吸引眼球的新“智能”被发明，比如让机器打游戏，让机器看医疗文献，让机器下围棋等等，让我们很容易激动，很愿意参与进去，这个是人类千百年来的本性...所以说，机器学习其实是一个苦力活，以前是，有了深度学习后，现在还是。...成长路径 其实我觉得更好的路径应该是 数据工程师 -> 分析师 -> 算法工程师 先积累大量的工程经验，这个时候你可以随便倒腾数据，接着可以对其进行各种统计分析，最后通过算法让机器取代人去做一些事情。...按我现在实际体验，优秀的数据工程师非常难招，但是初级的算法工程师供大于求。加上很多工程师路还没走踏实就急着想转机器学习大军，更是凸显了这个问题。
什么样的数据集不适合深度学习 数据集太小，数据样本不足时，深度学习相对其它机器学习算法，没有明显优势。...数据集没有局部相关特性，目前深度学习表现比较好的领域主要是图像／语音／自然语言处理等领域，这些领域的一个共性是局部相关性。...RNN可以看做作是同一神经网络结构在时间序列上被复制多次的结果，这个被复制多次的结构称为循环体，如何设计循环体的网络结构是RNN解决实际问题的关键。...在这里，我个人认为可以把图像平滑和图像滤波联系起来，因为图像平滑常用的方法就是图像滤波器。...移动端深度学习框架知道哪些，用过哪些？ 知名的有TensorFlow Lite、小米MACE、腾讯的ncnn等，目前都没有用过。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
即时通信 IM
ICP备案
对象存储
实时音视频
