机器学习教程

在大多数数据驱动的组织中，只需要基本的数据科学技能即可解决问题。这个角色可以很容易地被机器学习工程师取代——一个具有数据科学算法基本知识的人，他还拥有部署 ML 模型的知识。数据科学家的角色将被 AutoML 等工具取代，而另一些人则将数据科学称为“垂死的领域”，很快就会被数据工程和

如何设计一个类似于 Tinder 的基于位置的社交搜索应用程序，如果经常用作约会服务。它允许用户使用滑动动作来喜欢（向右滑动）或不喜欢（向左滑动）其他用户，并允许用户在双方互相喜欢时聊天（“匹配”）。这是

对于那些实际上具备这两个角色所需技能的人，是什么让您决定成为数据分析师而不是数据科学家？ 我放弃了成为数据科学家的职业梦想。现在，我使用 SQL 后端构建 .NET 报告应用程序。 我们所说的数据科学在实践中根本不是科学：他

Uber神奇的客户体验是：准确的到达时间预测 (ETA)。优步使用 ETA 来计算票价、估计接送时间、将乘客与司机匹配、计划交付等等。传统的路由引擎通过将道路网络划分为由图中加权边表示的小路段来计算 ETA。他们使用最短路径算法来找到通过图的最佳路径，并将权重相加以得出 ETA。

自我监督学习推动了人工智能的许多重大进展，所谓自我监督学习：机器通过直接观察环境进行学习，而不是通过标记的图像、文本、音频和其他数据源进行明确的教导；虽然人们也似乎以相似的方式学习，但是学习的方式存在很大差异方式。这种差异一直是更广泛地应用自我监督学习进步的重大障碍。因为为理解图像而

推荐系统是一种广泛使用的机器学习技术，在电子商务（亚马逊、阿里巴巴）、视频流（Netflix、Disney+）、社交网络（Facebook、Linkedin）和许多其他领域都有很多应用。由于这些服务中的数据量很大，现在大多数行业级推荐系统都是建立在 Spark 和 Hadoop 等大数据框架

生成式预训练转化器(Generative Pre-trained Transformer简称GPT)是一种NLP语言生成模型，能根据一些初始文本（对话的一部分或某些任务）生成类人文本。最“炒作”的型号之一是 GPT-3。当您看到 GPT-3 生成的内容时，您会感觉“未来就在这里”。<

你的数据越详细，它就越缺乏洞察力。仅向图形添加 1 个额外参数会导致图形的体积呈指数增长，分散包含的数据点并删除它们之间的有意义的关联。维度诅咒现象出现在数值分析、采样、组合学、机器学习、数据挖掘和数据库等领域。这些问题的共同主题是，当维度增加时，体积空间的增长如此之快，以至于可用数

2021 年及以后的技术趋势是超自动化，使用人工智能 (AI) 和机器学习 (ML) 的组合来识别和自动化所有可能的业务流程。利用多种技术力量实现自动化的综合目标。这些技术包括： 机器人过程自动化（RPA）， 过程挖掘， iBPMS, iPaa

Ray 为构建分布式应用程序提供了一个简单、通用的 API。通过以下方式完成了这一使命：为构建和运行分布式应用程序提供简单的原语。使最终用户能够并行化单个机器代码，而代码更改几乎为零。在核心 Ray 之上包括一个由应用程序、库和工具

该项目旨在探索深度学习 (DL) 在电力系统分析中的应用。Google 的TensorFlow用作 ML 引擎， InterPSS 用于提供电力系统分析/仿真模型服务

来自Paypal的Shifu是一个建立在 Hadoop 之上的开源、端到端的机器学习和数据挖掘框架。Shifu 专为数据科学家设计，简化了构建机器学习模型的生命周期。虽然最初是为欺诈建模而构建的，但 Shifu 已推广到许多其他建模领域。Shifu 的优点之一是机器学习中的端到端建模

Shazam是一款能够识别你周围正在播放的歌曲的应用程序。你在播放音乐时打开该应用，Shazam会记录几秒钟的音频，用来搜索其数据库。一旦它识别出正在播放的歌曲，它将在屏幕上显示结果。Shazam 的创始人在 2003 年发表

亲眼目睹了 AlphaFold 对加速药物发现的影响：一位朋友经营着一家设计抗癌药物的生物技术初创公司。在之前的工作中，他们发现肿瘤细胞会制造一种蛋白质，与体内的两种受体结合。只与其中一个结合会抑制肿瘤的生长，但与两个结合会使肿瘤更快地生长。 如果他们能设计出一种只与一种受体

连接组是生物体大脑中所有神经连接的地图，它有助于理解大脑内神经相互作用的组织。 发布大脑中所有神经元和突触的完整映射非常复杂，2020 年 1 月，谷歌研究院发布了果蝇的“半脑”

DeepMind 推出了 AlphaCode，它使用基于转换器的语言模型来生成代码。他们使用 Codeforces 上的比赛验证了性能，其中 Alphacode 处于中位竞争对手的水平。 这是人工智能代码生成系统首次在编程竞赛中达到具有竞争力的性能水平。