#数据科学

JupyterLab 3来了请立即升级 - kdnuggets

21-01-10 2833 1 banq

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... 详细

国外各大互联网巨头的推荐算法和系统设计 - theinsaneapp

21-03-12 755 1 banq

本文个人研究。有些内容可能并非100%准确,但我已尽力保持其准确性,信息量和价值。   1. Uber系统设计 Uber的技术可能看起来很简单,但是当用户从应用程序请求乘车,而驾驶员到达... 详细

幽默:微积分可能已经过时 - AlejandroPiad

21-02-02 648 1 banq

微积分是高等教育数学的巅峰之作。从幼儿园到大学的整个数学课程都旨在为导数和积分铺平道路。但是,微积分已不再是了解日益由数据驱动的世界的最有用的思维方式。 我们需要一门新的数学课程,其重点应放在不确定... 详细

现代数据基础架构的新兴架构

21-02-17 592 1 banq

现在,我们开始看到围绕数据构建的大型,复杂系统的兴起-系统的主要商业价值来自于数据分析,而不是直接来自软件。我们看到这一趋势在整个行业中产生的快速影响,包括新角色的出现,客户支出的变化以及提供围绕数... 详细

如何使用MLOps将机器学习自动推向生产环境? - kdnuggets

21-01-22 1080 banq

由于MLOps是一个新生领域,因此可能很难掌握其含义和要求。实施MLOps的最大挑战之一是在ML管道上叠加 DevOps 实践的难度。这主要是由于根本差异:DevOps处理的是代码,而ML是既是... 详细

2021年值得期待的7大NLP趋势 - analyticsindiamag

21-01-03 1710 banq

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,... 详细

机器学习MLOps学习路径 - AI_Grigor

21-01-17 659 banq

学习掌握MLOps的途径: Linux Python Docker AWS Terraform Kubernetes Prometheus Grafana Kubeflow ... 详细

通俗讲明白机器学习中的学习问题 - svpino

21-03-02 372 1 banq

使用平白语言而不是复杂数学图表公式讲明白监督学习、无监督学习和强化学习、半监督学习、自主学习等关键区别。   监督学习 监督学习可能是我们都听说过的最常见的问题类别。我们从示例及其对应标签(或... 详细

我在2020年作为数据科学家学习的8种新工具 - kdnuggets

21-01-17 745 banq

尽管2020年是充满挑战的一年,但我能够使用到远程工作的过渡来探索新工具来扩展我的数据科学技能。这一年,我从数据科学家过渡到应用科学家,不仅负责数据产品的原型制作,还将这些系统投入生产并监控系统的运... 详细

如何摆脱潜意识偏见对业务分析的影响? - modernanalyst

21-01-06 787 banq

您的业​​务分析工作中是否存在隐患?无意识的偏见会降低您作为 业务分析 师的效率吗?无意识的偏见,也称为隐性或隐性偏见,是对一个人或一个群体的无意识偏爱。这种偏见不同于显性偏见,后者是在意识水平... 详细

数据分析师和数据科学家有什么区别? - XaviGrowth

21-03-12 306 banq

这是数据世界中最常见的问题之一。要了解差异,让我们看一下每个职位所需的技能:   数据分析师需要: 具有统计基础知识 进行数据挖掘(在原始数据中查找值) 知道如何在Python / R,S... 详细

建立ML的更好方法:为什么应该使用主动学习 - humanloop

21-02-05 526 banq

数据标记通常是机器学习的最大瓶颈-查找,管理和标记大量数据以建立性能良好的模型可能需要数周或数月的时间。主动学习使您可以使用少得多的标签数据来训练机器学习模型。最好的人工智能驱动公司,例如 特斯拉,... 详细

数据科学家已死?AutoML使得数据科学更加普及化 - enterpriseai

21-02-27 265 banq

在过去十年中,“数据科学家”一直是最受欢迎的职位之一。但是再过十年,由于诸如自动机器学习或AutoML之类的技术,该角色将看起来非常不同。 新技术已经在帮助减少组织从头开始构建传统数据科学家的生硬A... 详细

什么时候使用深度学习? - madelinecaples

21-03-15 308 banq

如果简单的机器学习方法可以令人满意地解决您的问题,则没有太多理由使用神经网络,因为训练它们在时间和计算能力方面往往很昂贵。 对于传统的机器学习方法而言,最有效的问题是涉及结构化数据,这些数据即是已经... 详细

机器学习操作基本步骤 - svpino

21-02-26 282 banq

机器学习步骤: 分析问题 收集数据 准备数据 选择合适的模型 训练模型 评估结果 寻找biases偏差 调整它 部署模型 监控 重新培训它 . 详细

共有 97 上一页 1 2 3 4 5 6 7 下一页