机器学习教程 - 第9页

如今，机器学习算法适用于各个领域，包括一些最常见的问题。例如，与互联网相关的领域，如数据挖掘、内容过滤和产品推荐。根据 Statista，2021 年 AI & ML 最广泛的应用在于提升客户体验，普及率为57%。紧随其后的是“产生客户洞察”，获得 50% 的青睐。人工智能和

因果关系是决策的核心，但人们对因果模型在现实世界中做出决策的效果如何却知之甚少。机器学习、统计学、经济学和其他领域已经引入了从数据到原因的方法（banq注：还原论）。这些算法是根据它们恢复因果结构的准确程度进行评估的，但尚不清楚这些模型将如何与个人已知的信息进行交互。在这项工

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

通用 GPU 计算帮助开启了深度学习时代。然而，随着 ML 模型变得越来越大，计算量越来越大，它们改变了 GPU 的设计方式——它们激发了一波看起来与 GPU 完全不同的新硬件。从电池供电的嵌入式设备到高端数据中心，专用机器学习硬件正在占据主导地位。仅举几例：谷歌、苹果、微软、Faceboo

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

Spark MLlib是 Apache Spark 的机器学习组件。 Spark 的主要吸引力之一是能够大规模扩展计算，而这正是机器学习算法所需要的。但局限性是所有机器学习算法都无法有效并行化。每个算法都有自己的并行化挑战，无论是任务并行还是数据并行。

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

在这个项目中，我们将执行机器学习最重要的应用之一——客户细分。无论何时您需要找到最佳客户，我们都会在 Apache Spark 和 Scala 中实施客户细分。客户细分是将公司的客户划分为反映每组客户之间相似性的组的做法。细分客户的目标是决定如何与每个细分中的客户建立联系，以最大化每

当今业界使用的两种主要机器学习技术： 1. 梯度提升树 2. 深度学习将时间集中在学习 Scikit-Learn、XGBoost 和 Keras 或 PyTorch 等深度学习库，您将充分利用您的时间.如果需要处理结构化数据：Scikit-Lear

在这个项目中，我们将为每个用户生成前 10 名电影推荐，并为每部电影生成前 10 名用户推荐。无论年龄、性别、种族、肤色或地理位置如何，每个人都喜欢电影。推荐系统是一个过滤程序，其主要目标是预测用户对特定领域项目或项目的“评级”或“偏好”。推荐系统包含一类可以向用户建议“相关”项目的

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

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

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

Stripe 是世界上最大的支付处理商之一。该公司的主要产品是 Stripe Payments API，开发人员可以使用它轻松地将支付功能嵌入到他们的应用程序中。由于 Stripe 的规模，它们是支付欺诈和网络犯罪的一大目标。Andrew Tausz 是 Stripe

在 AI/ML 世界中并行计算的知识有多大用处或适用性？AI/ML世界中有模型并行和数据并行，当你使用 Tensorflow 或 PyTorch 时，你就会知道它们背后的场景。因此，在实现自己的数据加载器或模型训练器时，您可能会编写更好的代码。如果您主要使用预先训练的模型，或

COVID-19 大流行加速了 2021 年人工智能或机器学习的采用。企业对自动化的需求以及人工智能硬件和软件的进步正在将应用人工智能变为现实。以下是 2022 年的五种人工智能趋势：趋势 1：大型语言模型 (LLM) 定

有两个级别的实时机器学习。级别1：您的 ML 系统进行实时预测（批量预测）。级别2：您的系统可以合并新数据并实时更新您的模型（实时学习）。阶段 1. 批量预测所有的

机器学习中的主动学习是一个过程，在该过程中您可以迭代地添加标记数据、重新训练模型并将其提供给最终用户。这是一个永无止境的过程，需要人工交互来标记/创建数据。在本文中，我们将讨论如何使用