机器学习教程

2020年，我们在机器学习领域取得了很大进步。让我们回顾一下机器学习和数据科学领域的2020年。 可解释Interpretable的机器学习/Explainable的AI

Notebooks机器学习编码、实验和传达结果的一种绝佳方法。Jupyter Notebooks精彩的30分钟教程， https：// youtube.com/w

这是一个介绍使用不同的工具来扩展Python ML工作负载的博客网站，点击标题进入，当前文章有：

JupyterLab是“用于Jupyter项目的下一代基于Web的用户界面”，既与Jupyter笔记本计算机兼容又从其升级。Jupyter的基于Web的IDE已经存在了很多年，它们在数据科学界占有举足轻重的地位，加在一起，在相当大的程度上，它们是我们读者中

这是2020年度计算机视觉领域最有趣的十篇研究论文，以防您错过其中的任何一篇。简而言之，它基本上是AI和CV最新突破 的精选列表， 其中包含 清晰的视频说明， 指向更深入的文章的链接以及 代码 （如果适用）。

在本文中，我们尝试预测2021年以后NLP的趋势。 社交媒体情感分析社交媒体上的每时每刻都会生成大量数据。这也带来了一个特殊的问题，即无法完全手动生成所产生的所有这些信息。 事实证明，自然语言处理是这方面的重要工具。作为情感分

当您向风险资本募筹投资时，它就是人工智能；而你在招聘时它就是ML；在实施时，它是线性回归；当您调试时，它是printf()。” — 史瓦兹男爵2019年7月的一项研究发现，有 

张量是机器学习系统使用的数据结构，了解它们是您应该早期建立的一项基本技能。张量是数字数据的容器。这是我们存储将在系统中使用的信息的方式。三个主要属性定义张量：等级rank它的形状shape其数据类型datatype

ZenML是一个可扩展的开源MLOps框架，用于以简单的方式使用生产就绪的机器学习管道。ZenML的主要功能是： 确保训练实验的可重复性。默认情况下，管道会从数据到模型进行版本控制，自动跟踪实验，并且所有管道配置都是声明性的。 保证实验之间的可比性。 能够在本

MLOps是ML的DevOps。数据科学家构建的机器学习（ML）模型需要与其他多个团队紧密合作，例如业务、工程和运营。这意味着了在沟通、协作和协调方面的存在挑战。MLOps的目标是通过完善的实践来简化此类挑战。此外，MLOps带来了敏捷性和速度，这是当今数字世界的基石。ML模型操作化

在本文中，我们将从有抱负的新数据科学家的角度介绍两个容器管理解决方案：Kubernetes和Amazon Elastic Container Service（ECS）。  两种选择均支持部署机器学习模型 如果您有兴趣在作为数据科学家的

本文将介绍当前采用的文本摘要的主要方法，并讨论它们的一些特性。文本摘要是自然语言处理的一个令人兴奋的子学科。尽管每天都在使用各种提取摘要的方法，并且每天都在研究这些方法，但是了解以上概念的基础应该可以使您至少在30,000英尺的高水平上对其中任何一种的操作方式有所了解。您还应该可以选

由于 近十年来大数据的发展 。企业现在每天都需要分析来自各种来源

如今数字化时代世界围绕成千上万的数据。处理这些数据的功能强大的设备已成为必需。现在，这些机器应该是自动化的，或者应该以这样的方式设计这些系统：这些设备应该可以自动成功地处理这些数据。因此，为了构建这些系统，我们需要像机器学习工程师和数据科学家这样的专业人员。现在，这就是数据科学和机器学习的重

机器学习，数据科学和人工智能是近年来最受关注的技术，理所当然的。科技领域的这些进步已将自动化和业务流程提升到了一个新水平。各种规模的组织都在研究和人员上投入数百万美元，以构建这些功能强大的数据驱动应用程序。有许多不同的编程语言可用于开发机器学习和数据科学应用程序。尽管Python和<

介绍了AI的关键概念和方法，涵盖了机器学习和深度学习，并提供了包括Narrow AI，Super Intelligence和Classic AI在内的最新广泛列表，以及NeuroSymbolic AI，Neuroevolution和Federated的最新思想学习。