机器学习

本文作者 ： ML03 -Jeff - 产品/设计/运营/人工智能/物理 相关文章推荐： 智能时代之前，我们一直在量化世界-01 机器解读知识，从海量的知识中抽取出「元知识」-02 一道关于知识的公式 -03 AI把机器变成人，还是把人变成机器 今天我们聊聊AI经济学，经济学在大学里面无非是研究人类经济活动的规律，那么经济的本质是解释人类资源如何配置和优化，往往通俗方式会把经济学分为宏观和微观2个视角，但是经济学鼻祖亚当斯密的《国富论》思想推动了英国第一次工业革命的发展。 经济学往往会聊商品、价格、市场规律等。 传统以基础的角度去研究计算人类资源的配置和优化，但是 今天在AI的世界中我们应该如何探索呢？ 01 廉价改变一切，从劳动力转向脑动力 产品的廉价会导致市场原有的规律被打破，一旦打破就会改变一切。 拿手机来举例子，如果一个手机成本是我们人均收入的5倍那么手机带来的社会变革就会很小，但是当有一天一家公司或者多家公司把手机价格降低到人均收入的五分之一时候，市场就会发生巨大变化，然而移动互联网的发展本质上源于智能手机的相对廉价。那么导致廉价的本身一方面源于材料成本降低还有就是劳动力低成本。 什么是劳动力和脑动力？ 我们要从人类文明进程来说明，在工业革命发展之前我们所有的社会经济活动都主要依靠劳动力（人口优势），然而工业革命的发展在降低劳动力优势转向脑动力优质。

最近 阿里云 人工智能ET写春联的事儿占据了各大媒体和朋友圈，我只想说阿里的程序员好有范儿啊，过年都不消停；大家都在说我们已经看到的，例如ET在跟体验者互动、好多的围观群众、机械臂在刷刷的奋笔疾书…今天我就为各位说说你们没看到的， 在此，特别为看官们准备了两种解读方式，视频（火热出炉强烈推荐）和文字版； 阿里云 ET视频： 文字解读： 此次ET写春联活动中，为了针对每个体验者个性化定制春联，ET用到了三部分的能力： 智能语音交互－ 语音识别功能能够将用户说的声音识别成文本，而通过自然语言理解、人机对话，使得ET不仅可以听，还能够理解用户说的话，进而给出反馈。最后，用语音合成功能，将ET反馈的文本变成人声播出来。 人脸识别－ 对于体验者，人脸分析模块迅速定位人脸，并进行面部分析，从而给出对用户性别、年龄、表情的分析结果。 机器学习PAI－ ET调用了机器学习PAI的文本分析相关的功能，针对前期的人脸识别结果和每位体验者的愿望进行分词、提取关键词，再通过关键词与春联数据库中的海量春联数据集比较，选择词向量距离最近的春联返回；可以找出最符合用户愿望的春联。 除了写春联，ET还可以做更多的事情哦，快来了解吧：https://et.aliyun.com/index 来源： oschina 链接： https://my.oschina.net/u/4562984/blog/4952951

前阵子网上看到有人写爬取妹子图的派森代码，于是乎我也想写一个教程，确切地说我也想看妹子，哈哈哈，开个玩笑,不过很多教程都是调用的第三方模块，今天就给大家开开荤，使用原生库来爬，并且扩展实现了图片鉴定，图片去重等操作，经过了爬站验证，稳如老狗，我已经爬了几万张了,只要你硬盘够大。 作者忠告：我们是研究技术的，请勿沉迷，沉迷伤身，营养跟不上 O(∩_∩)O~ 今天就来个最简单的吧，网站走起 https://www.meitulu.com/ 先分析页面结构，图片URL每次递增，从第二个开始。 前端，被一个 img标签包起来 <img src="https://mtl.gzhuibei.com/images/img/10431/5.jpg" alt= 直接正则匹配 先来生成页面链接，代码如下 # 传入参数,对页面进行拼接并返回列表 def SplicingPage(page,start,end): url = [] for each in range(start,end): temporary = page.format(each) url.append(temporary) return url 接着使用内置库爬行 # 通过内置库,获取到页面的URL源代码 def GetPageURL(page): head = GetUserAgent(page) req = request

吴恩达《机器学习》课程笔记 吴恩达《机器学习》课程笔记——第五章：Matlab/Octave教程 摘要: 这一章的内容比较简单，主要是MATLAB的一些基础教程，如果之前没有学过matlab建议直接找一本相关书籍，边做边学，matlab的编程入门还是比较容易的。 在这里想讲一下matlab和Python的区别： 吴恩达教授在刚开始教机器学习课程的时候，主要用的是matlab/octave，他给出的理由是 阅读全文 posted @ 2019-02-24 23:13 李是李雅普诺夫的李 阅读(4) | 评论 (0) 编辑 吴恩达《机器学习》课程笔记——第四章：多变量线性回归 摘要: 4.1 多维特征 在之前的内容中，只探讨了单一特征的回归模型，也就是 m 个样本实例中，每个样本实例 x 只有一个特征，比如房价预测中的 m 个样本中，每个样本只有“房间尺寸”这一个特征。 在实际情况中，更多的是涉及到多维特征模型，比如影响房价的因素（即特征）除了房间尺寸外，还有房间数、楼层等等。这 阅读全文 posted @ 2019-02-24 19:25 李是李雅普诺夫的李 阅读(90) | 评论 (0) 编辑 吴恩达《机器学习》课程笔记——第三章：线性代数回顾 摘要: 吴恩达机器学习的课程中，关于线性代数方面的介绍比较少，而且比较简单，适合于系统学习过线性代数课程的人

震惊！小编今年也29了 今天刷脉脉，有个程序员写道：“今年29了，距离三十岁不到一年，最近经常听到中年危机这个词，难道程序员不能纯靠技术度过中年危机吗？” 一个女程序员前来凑热闹，暴击 今年25，因为是女孩子，做开发，已经感受到了强烈的中年危机 感觉学习的速度永远跟不上技术的发展，看着同龄的其他行业朋友还处于刚刚毕业没几年的职场新人的样子，不禁感叹开发这个职业，经验年限远不如学习能力和创新能力。 但是既然入了这一行，为了不被淘汰，只有不断跳出舒适区，比别人付出更多更多的努力，变得更加优秀才行呢！ 其实挺害怕被淘汰的，只能一直这样鼓励自己啦！ 啊，当然话是这么说，偶尔也会想什么都不干就静静地躺尸呢（叹气） ——蚂蚁金服高级开发工程师（ 女程序员 ） 搞点大厂的大佬评论，大家一起学习一下 --阿里巴巴技术专家 赵某 发言💬 这么说吧，35岁你的技术沉淀比25岁的多多少，你深度很够，但是90%的公司不需要你这么深的技术。 25的要15k就能干活，还能没日没夜的加班，请问你35了想要多少钱，能加班到几点。 当然，10%的职位还是需要资深技术的，只能努力，挤破头进到这10%的职位。 加油… 咪咕实习生（女大佬比较少，挑个实习生） 李女士 发言💬 20岁拼学历，30岁拼经历/阅历，40岁拼人脉。 人到中年的时候，不仅想象力/创造力/学习能力都在下降，更无法和年轻人比勤奋，所以这个问题无关行业

本文来源： 中科学院文献情报中心 转载自：募格学术 12月17日，《2020年中国科学院文献情报中心期刊分区表》正式发布。 2020年基础版分区表在秉承方法科学和数据客观的基础上，延续使用2019年基础版分区表的方法体系。2020基础版分区表继续突出支持本土品牌期刊国际化的导向，形成了“中国SCI期刊评价方案”：主要措施包括调整提升中国期刊入选高区位的比例、扩大中国期刊入选基数（吸纳中国ESCI期刊进入分区表评价范围）和提升弱势学科期刊分区结果等。 以下为部分学科杂志目录，供参考，完整版因为内容过大无法上传，请各位上文献情报中心官网查询。 综合类共7本 生物类共73本 化学类共34本 医学类类共226本 工程技术类共129本 环境科学与生态学期刊共计104本 农林期刊共计134本 数据处理·机器学习·可视化 行业资讯·学习资料 长按关注不迷路 本文分享自微信公众号 - 好奇心Log（Curiosity-log）。 如有侵权，请联系 support@oschina.cn 删除。 本文参与“ OSC源创计划 ”，欢迎正在阅读的你也加入，一起分享。 来源： oschina 链接： https://my.oschina.net/u/4581316/blog/4872008

　　机器学习以及自然语言处理技术的进步，开启了人与人工智能进行语音交互的可能，人们透过对话的方式获取信息、与机器进行交互，将不再只是存在科幻情结当中。语音交互是未来的方向，而智能音箱则是语音交互落地的第一代产品。 一、语音交互流程简介 AI 对话所需要的技术模块有 4 个部分，分别为： 自动语音识别（Automatic Speech Recognition, ASR） 自然语言理解（Natural Language Understanding, NLU） 自然语言生成（Natural Language Generation, NLG） 文字转语音（Text to Speech, TTS） 以叮咚开发文档中的语音交互流程图来看Ai 对话技术的主要路径： 从上图中可以看到，用户与设备之间的交互，主要是采用语音方式处理和完成的。 二、语音交互流程设计 一次完整的语音交互流程，成功的语音对话，通常是有以下几个阶段。 1.交互流程的核心—意图 所谓意图，表示用户在使用应用时所做的动作(譬如：问一个问题或发送一条指令)，这些意图代表了应用的核心功能。 如果应用成功地识别了用户意图，则需要在完成业务动作后，将结果反馈给用户；如果应用无法识别用户意图，则需要给用户友好的提示，指导用户使用。 用户：七星彩的开奖时间是什么时候？ Ai：体育彩票七星彩每周二、周四和周日开奖。 2. 如何识别意图

推荐阅读： 过年回家装逼指南2 不是你需要中台，而是一名合格的架构师（附各大厂中台建设PPT） 网易严选数据中台建设之道 网易架构师朱剑锋：网易中台的博弈与演进 小米中台架构分享，小米市值2690亿是因为这群可爱的人 【中台实践】滴滴大数据研发中台的最佳实践.pdf（附下载链接） 【中台实践】华为大数据中台架构分享.pdf 阿里达摩院《机器学习算法学习指南》火了，限时开放下载！ 本文分享自微信公众号 - 肉眼品世界（find_world_fine）。 如有侵权，请联系 support@oschina.cn 删除。 本文参与“ OSC源创计划 ”，欢迎正在阅读的你也加入，一起分享。 来源： oschina 链接： https://my.oschina.net/u/4196289/blog/4949324

Adaboost 算法的原理与推导 0 引言 一直想写Adaboost来着，但迟迟未能动笔。其算法思想虽然简单：听取多人意见，最后综合决策，但一般书上对其算法的流程描述实在是过于晦涩。昨日11月1日下午，在我组织的 机器学习班 第8次课上讲决策树与Adaboost，其中，Adaboost讲得酣畅淋漓，讲完后，我知道，可以写本篇博客了。 无心啰嗦，本文结合机器学习班决策树与Adaboost 的 PPT ，跟邹讲Adaboost指数损失函数推导的 PPT （第85~第98页）、以及李航的《统计学习方法》等参考资料写就，可以定义为一篇课程笔记、读书笔记或学习心得，有何问题或意见，欢迎于本文评论下随时不吝指出，thanks。 1 Adaboost的原理 1.1 Adaboost是什么 AdaBoost，是英文"Adaptive Boosting"（自适应增强）的缩写，由Yoav Freund和Robert Schapire在1995年提出。它的自适应在于：前一个基本分类器分错的样本会得到加强，加权后的全体样本再次被用来训练下一个基本分类器。同时，在每一轮中加入一个新的弱分类器，直到达到某个预定的足够小的错误率或达到预先指定的最大迭代次数。 具体说来，整个Adaboost 迭代算法就3步： 初始化训练数据的权值分布。如果有N个样本，则每一个训练样本最开始时都被赋予相同的权值：1/N。

作者| 熊华丽(匠修) 出品|阿里巴巴新零售淘系技术部 前言 闲鱼将使用 Flutter 和 FaaS 来建设未来的技术开发体系，这是一项长期的规划，新的技术在现在看来犹如雾里看花，需要我们不断的思考，探索，实践才能渐渐描绘出它的轮廓。 本文对此提供一种思考角度，对未来基于 FaaS+Flutter 之上的编程形态做思考，并介绍自己的初步实践。 Flutter，Faas，与闲鱼的一体化 闲鱼长期在做技术一体化的探索与实践： 我们希望使用一门语言，一套技术栈，能让开发工程师在任何场景完成业务开发，实现开发模式和技术栈的统一。 这是对开发效率的极致追求，也是对开发人员的深度赋能，更好的释放人员价值，驱动业务成长。 闲鱼已经借助 Flutter 良好的跨栈能力来对 App 上的技术栈做统一，并取得了初步的成果。 因此想更近一步的整合前后端，结合 Flutter 来建立统一的技术栈。 FaaS 的兴起给我们带来了新的视角和机会，在后端开发场景中，FaaS 将运行环境和部署运维从日常开发中剥离出来，让开发者更聚焦于业务，降低了后端开发准入门槛，闲鱼基于此已经在做 Flutter+FaaS 的一体化开发体系建设。 技术在发展中会对当前的解决方案不断的抽象，总结和提炼，逐渐分离出其中的变化的部分与不变的部分，让原来的问题变得收敛，开发的关注点会变的更聚焦，开发效率得以提升。 这样会出现分层