展开

关键词

实践》—— 读后总结

58910

实践》—— 思维导图

第十三章 深度概述 ? 第十四章 深度在文本领域中的应用 ? 第十五章 深度在计算视觉中的应用 ? 第十六章 大规模 ? 第十七章 特征工程和实验平台 ?

52340
  • 广告
    关闭

    腾讯云+社区系列公开课上线啦!

    Vite学习指南,基于腾讯云Webify部署项目。

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    实践》—— 思维导图

    第十三章 深度概述 ? 第十四章 深度在文本领域中的应用 ? 第十五章 深度在计算视觉中的应用 ? 第十六章 大规模 ? 第十七章 特征工程和实验平台 ?

    60220

    算法岗实四面面经(推荐系统方向)

    “ 本篇内容为师妹在面试时的相关记录,希望对目前推荐系统方向的朋友们一些方向指引,同时也希望对寻找推荐系统相关工作的朋友们一些借鉴意义。如有相关问题,请后台留言交流。” 04 — 三面 1、详细描述工作,画出来整体框架 2、工作最大创新点,在代码实现方面遇到的难点 3、看你对比的都是传统的或者是基于图的推荐算法,有没有尝试过对比一下或者有没有了解其他不同数据源的深度算法 4、说到上面提到了attention制,问了怎么看待attention制,为什么有这么多工作去使用它 5、除了优化模型,还可以从什么方面去取得更好的性能:说了特征工程的处理,GBDT得到feature ,没有接着问了 3、问了随森林有了解吗? ---- 以上是全部流程啦,其中一面是电话面的,后三面是去到现场面的(时间会提前跟我们沟通好的),一个下午面完,感觉效率很高,全程感觉也比较好,面试官会根据我们经历,顺着我们的话去深挖,也会结合业务去一块讨论

    1K30

    实例详解如何解决问题

    不管是工业界还是术界,都是一个炙手可热的方向,但是术界和工业界对的研究各有侧重,术界侧重于对理论的研究,工业界侧重于如何用来解决实际问题。 我们结合上的实践,介绍在解决工业界问题的实战中所需的基本技术、经验和技巧。 下文分为1)的概述,2)对问题建模,3)准备训练数据,4)抽取特征,5)训练模型,6)优化模型,7)总结 共7个章节进行介绍。 的概述: 什么是? 为什么要用解决问题? 对问题建模 本文以DEAL(购单)交易额预估问题为例(就是预估一个给定DEAL一段时间内卖了多少钱),介绍使用如何解决问题。

    58490

    【揭秘】如何用优化推荐系统算法

    本文介绍了网推荐系统的构建和优化过程中的一些做法,包括数据层、触发层、融合过滤层和排序层五个层次,采用了HBase、Hive、storm、Spark和等技术。 作为国内发展较快的O2O网站,有着大量的用户和丰富的用户行为,这些为推荐系统的应用和优化提供了很好的条件。本文由技术队成员撰写,介绍其推荐系统的构建和优化过程中的一些做法。 1、框架 ? 排序层主要是利用的模型对触发层筛选出来的候选集进行重排序。 同时,对与候选集触发和重排序两层而言,为了效果迭代是需要频繁修改的两层,因此需要支持ABtest。 只是根据算法的历史效果决定算法产生的item的位置显得有些简单粗暴,同时,在每个算法的内部,不同item的顺序也只是简单的由一个或者几个因素决定,这些排序的方法只能用于第一步的初选过程,最终的排序结果需要借助的方法 因此在更新周期上也可以做的更短,还可以结合业务做一些在线的尝试。在我们的实践中,非线性模型和线性模型都有应用。

    66460

    点评2019届数据挖掘算法实生一面

    A:平均分给N台快速排序,再归并排序每台的结果 Q:至少需要多少台能得到较好的性能呢?总不能有一亿台,然后全用上吧? 另外,当时在《实战》这本书,里面的代码都是Python实现的。 Q:Python多线程会吗? A:没用过 Q:操作系统内存管理知道吗? A:不会(思考了几秒,还是说了不会。 可实时间? A:balabala Q:你有什么问题问我吗? A:一共有几面? Q:实生是一共两面,还有什么问题吗? A:主要将用在哪些方面? Q:很多方面啦,比如人、对话系统、推荐、调度、无人车.... A:没什么问题了,就这样吧 Q:接下来等hr联系你就好,拜拜 总结:很看重基础,各种让证明orz。各种排序算法还得看的更细一点。 操作系统方面的知识得好好看看了,以为岗基本不问这些的。另外,居然基本没问相关的问题。项目方面,我刚说了本科做的智能车竞赛,就没让我继续说项目了。感觉面得很一般,能不能过看运气了。

    76660

    自主研发、不断总结经验,搜索推荐平台

    内容来源:2018 年 5 月 26 日,点评技术专家杨一帆在“饿了么技术沙龙·第25弹【搜索推荐】”进行《Why WAI: 点评搜索推荐平台》演讲分享。 What 什么是 本质上是计算模拟人类行为从数据中提取发现知识结构获取新的知识和技能,并通过迭代的方式改善自身性能。 有几个比较典型的类别,面临一个问题的时候可以根据该问题特性、样本属性或样本量等来决定其归属于哪类范畴以及对应模型。 点评的应用大部分还是围绕业务来开展,包括搜索推荐、金融、外卖、打车、广告等。 通用流程 整个流程包含几个部分。 痛点 以下是我们在平时的实践中总结的一些痛点。 业务应用门槛高,普通的业务很难搭建起整套系统。 训练流程维护困难。

    1.6K51

    技术解析】配送系统的实践:用技术还原真实世界

    本文重点解读在即时配送领域技术的最新进展,构建对线下真实世界各种场景的感知能力,还原并预测配送过程各个细节。 为了满足这些要求,我们建设了“超脑”配送系统,包含以下几个方面: 大数据处理和计算能力 算法数据和计算平台:包括实时特征计算、离线数据处理、平台等。 技术挑战 如何构建一个在真实物理世界运行的AI系统,就是我们最大的挑战。 具体到方向而言,挑战包括以下几个方面: 精度足够高、粒度足够细 时间要求:一方面是周期性变化,比如早午晚,工作假日,季节变化;一方面是分钟级的精细度,比如一个商圈单量和运力的实时变化。 通过方法,我们已经将外卖配送几乎所有环节都进行了精准预估预测。

    47750

    如何解决问题?以为例

    不管是工业界还是术界,都是一个炙手可热的方向,但是术界和工业界对的研究各有侧重,术界侧重于对理论的研究,工业界侧重于如何用来解决实际问题。 我们结合上的实践,进行一个实战(InAction)系列的介绍(带“InAction系列”标签的文章),介绍在解决工业界问题的实战中所需的基本技术、经验和技巧。 下文分为1)的概述,2)对问题建模,3)准备训练数据,4)抽取特征,5)训练模型,6)优化模型,7)总结 共7个章节进行介绍。 ---- 的概述: 什么是? 为什么要用解决问题? ---- 对问题建模 本文以DEAL(购单)交易额预估问题为例(就是预估一个给定DEAL一段时间内卖了多少钱),介绍使用如何解决问题。

    50450

    O2O广告营销中的技术

    、推荐、广告、风控、智能调度、语音识别、人、无人配送等多个领域,帮助数亿消费者和数百万商户改善服务和体验,帮大家吃得更好,生活更好。 另外,业界第一部全面讲述互联网实践的图书《实践》也即将上市,敬请期待,本文选自书中第十一章。 如何帮助本地商户开展在线营销,使得他们能快速有效地触达目标用户群体提升经营效率,是的核心问题之一,而相关技术在本地在线营销场景下发挥着非常关键作用。 本文将从5个方面来介绍。 广告点击率预估问题是一个典型的监督问题,它的目标是在给定广告商户、用户和查询上下文的前提下准确预测点击行为发生的概率。 本章着重介绍了如何应用方法提升广告投放的效果和效率,以及本地场景化的推送广告。此外,还简要展示了O2O广告平台相关的工具。 参考文献 [1] Huang, P.

    75850

    推荐算法实践:重排序模型

    本文介绍了网推荐系统的构建和优化过程中的一些做法,包括数据层、触发层、融合过滤层和排序层五个层次,采用了HBase、Hive、storm、Spark和等技术。 作为国内发展较快的O2O网站,有着大量的用户和丰富的用户行为,这些为推荐系统的应用和优化提供了很好的条件。本文由技术队成员撰写,介绍其推荐系统的构建和优化过程中的一些做法。 框架 ? 排序层主要是利用的模型对触发层筛选出来的候选集进行重排序。 同时,对与候选集触发和重排序两层而言,为了效果迭代是需要频繁修改的两层,因此需要支持ABtest。 只是根据算法的历史效果决定算法产生的item的位置显得有些简单粗暴,同时,在每个算法的内部,不同item的顺序也只是简单的由一个或者几个因素决定,这些排序的方法只能用于第一步的初选过程,最终的排序结果需要借助的方法 因此在更新周期上也可以做的更短,还可以结合业务做一些在线的尝试。在我们的实践中,非线性模型和线性模型都有应用。

    1.5K60

    之数据之

    之数据之 0.说在前面 1.单变量分布 2.双变量分布 3.作者的话 0.说在前面 昨天看了一下的东西,发现在做特征工程时,需要用到seaborn的可视化方法。 特别是涉及变量置键的关系强度,对于模型的选择非常重要,那么今天一起来一下,有关可视化的两个分布,分别是单变量分布及双变量分布! 改用这个主要原因为:绘制图形方便显示,而在pycharm中弹出多张图来就有点受不了了,在Jupter中为浏览交互式操作,直接显示,非常方便。 这里介绍几个Jupter的快捷键: Ctrl+Enter 运行当前行代码 Alt+Enter 运行当前行代码并跳转下一行 Tab 补全代码 下面开始使用Jupter开始程序图之路! 参考资料:数据可视化Seaborn从零开始教程(三) 数据分布可视化篇 3.作者的话 最后,您如果觉得本公众号对您有帮助,欢迎您多多支持,转发,谢谢! 更多内容,请关注本公众号系列!

    37130

    搜索广告排序推荐,从到深度的模型实践

    海量的用户与商家数据,广告复杂的场景下众多的影响因素,为深度方法的应用落地提供了丰富的场景。本文将结合广告特殊的业务场景,介绍搜索广告场景下深度的应用和探索。 主要包括以下两大部分: CTR/CVR预估由向深度迁移的模型探索 CTR/CVR预估基于深度模型的线下训练/线上预估的工程优化 二、从到深度的模型探索 2.1 场景与特征 2.2 模型 搜索广告CTR/CVR预估经历了从传统模型到深度模型的过渡。 下面先简单介绍下传统模型(GBDT、LR、FM & FFM)及应用,然后再详细介绍在深度模型的迭代。 深度模型在图像语音等数据上有显著作用的原因之一是,我们在这类数据上不太方便产出能很好刻画场景的特征,人工特征+传统模型并不能出来全面合理的数据分布表示,而深度end-to-end的方式

    1.7K10

    四步组建高效

    在过去的几年里,得到了巨大的发展。但是,作为一门年轻的科,其队的管理方式却更加年轻。 队在数据管理的讨论中有发言权,并且具有强大的数据工程能力。 队将模型交给用户,但仍负责维护它们。 如果你的组织以优先: 不同的队或多或少都是以研究为导向的,但一般来说,研究队与工程队紧密协作。 队通常拥有公司范围的数据基础设施。 相比之下,国和全球的软件开发人员分别为 420 万和 2640 万。 1.如何培养人才? 如果你是直接跳到最后,这里是几点总结: 生产涉及到许多不同的技能,因此许多人都有会做出贡献。 队变得越来越独立,越来越跨科。 管理队是很困难的。

    30221

    30个Pandas高频使用技巧

    本文主要是介绍Peter在平时使用Pandas处理数据过程中经常接触到的一些小技巧。以前的文章是对不同知识点的拆解,本文是自己的高频使用方法。

    17701

    三人行(系列二)----前奏,洞悉数据之

    前沿 当你想了解,最好的方式就是用真实的数据入手做实验。 这是一个监督、无监督还是强化呢?它是一个分类任务、回归任务还是其他任务?你是要用离线还是在线呢?读者读到这里的时候可以自己心理想一下答案。 最后,因为没有需求要快速适应新数据,而且数据量小存储方面完全没问题,因此这里用离线即可。 具体的常见方法有哪些种类,请参见文章三人行(系列一)----花样入门。 2. 在对数据集了解之后,我们不能够直接将全部的数据集送入算法,直接去训练,因为需要评估模型的性能,所以需要将整体的数据集进行分组,将数据集分为训练集和测试集,训练集用来训练模型,测试集用来评估模型的性能 文章到这里,我们基本已经从数据集的下载,数据的透析以及数据的分组三大方面洞悉了数据之,接下来的任务就是如何选择以及调整模型,本公众号后续文章将继续为您分享和深度相关知识,欢迎大家继续关注本系列文章

    56170

    系列:(一)基础

    我们用这程序发现我们会喜欢的新音乐,快速找出我们想网购的鞋子。程序让我们通过命令控制手,让恒温自动调节温度。比人类更准确的识别出潦草的手写邮箱地址,更安全的保护信用卡防止诈骗。 然后,我们介绍系统可以处理的常见任务。最后,我们介绍系统效果评估方式。 从经验中 系统通常被看作是有无人类监督两种方式。 监督是通过一个输入产生一个带标签的输出的经验数据对中进行程序中输出结果有很多名称,一些属于领域,另外一些是专用术语。 任务 常见的监督式任务就是分类(classification)和回归(regression)。 本书不会涉及这类需要上百个并行计算才能完成的任务,许多算法的能力会随着训练集的丰富变得更强大。但是,算法也有句老话“放入的是垃圾,出来的也是垃圾”。

    494121

    】读懂

    在本篇文章中,我将对做个概要的介绍。本文的目的是能让即便完全不了解的人也能了解,并且上手相关的实践。 本文的主要目录如下: 1.一个故事说明什么是 2.的定义 3.的范围 4.的方法 5.的应用–大数据 6.的子类–深度 7.的父类–人工智能 例如经典的Google利用大数据预测了H1N1在国某小镇的爆发。 图13 Google成功预测H1N1 百度预测2014年世界杯,从淘汰赛到决赛全部预测正确。 基于的图像识别和语音识别在某些垂直领域达到了跟人相媲的程度。使人类第一次如此接近人工智能的梦想。 介绍中首先是的概念与定义,然后是的相关科,中包含的各类算法,接着介绍与大数据的关系,的新子类深度,最后探讨了一下与人工智能发展的联系以及与潜意识的关联

    32890

    相关产品

    • 腾讯云 TI 平台 TI-ONE

      腾讯云 TI 平台 TI-ONE

      智能钛机器学习平台是为 AI 工程师打造的一站式机器学习服务平台,为用户提供从数据预处理、模型构建、模型训练、模型评估到模型服务的全流程开发支持。智能钛机器学习平台内置丰富的算法组件,支持多种算法框架,满足多种AI应用场景的需求。自动化建模(AutoML)的支持与拖拽式任务流设计让 AI 初学者也能轻松上手。

    相关资讯

    热门标签

    扫码关注云+社区

    领取腾讯云代金券