手把手带你玩转Spark机器学习-深度学习在Spark上的应用
本文将介绍深度学习在Spark上的应用，我们将聚焦于深度学习Pipelines库，并讲解使用DL Pipelines的方式。我们将讲解如何通过Pipelines实现Transfer Learning，同时通过预训练模型实现来处理少量数据并实现预测。本文主要介绍深度学习在Spark上的应用，以花卉图片
手把手带你玩转需求预测-需求预测方法介绍
预测算法的本质是从历史数据中发现pattern，并利用这个pattern推演到未来，形成预测结果。供应链的绝大多数预测场景中，每个预测目标的历史观测值可以在时间轴上串起来形成一条时间序列（Time Series），因此这些预测问题都可以抽象成为一个时间序列预测的问题。本文会从时序预测技术迭代升级历经
从零入门机器学习之开宗明义：编程与数据思维
大家好，我是herosunly。985院校硕士毕业，热衷于机器学习算法研究与应用。曾获得各种AI比赛的Top名次，并拥有多项发明专利。本文是从零入门机器学习的第一篇文章，主要内容是讲解思维与方法。之所以不是一上来就讲解具体的知识点，主要原因在于市面上讲解知识点的课程数不胜数，主要原因在于市面上讲解知
使用pandas-profiling对时间序列进行EDA
在这篇文章中，我将利用 pandas-profiling 的时间序列特性，介绍EDA中的一些关键步骤。
【Spark ML】第 1 章：机器学习简介
AI、机器学习和深度学习之间的关系深度学习在2000年代中期的复兴使人们重新关注人工智能和机器学习的连接主义方法。深度学习的复兴，高速图形处理单元（GPU）的可用性，大数据的出现以及来自谷歌，Facebook，亚马逊，微软和IBM等公司的投资创造了一场完美的风暴，推动了人工智能的复兴。 在过去的十年
[机器学习、Spark]Spark MLlib分类
线性支持向量机在机器学习领域中是一种常见的判别方法，是一一个有监督学习模型,通常用来进行模式识别，分类以及回归分析。通过找到支持向量从而获得分类平面的方法，称为支持向量机。可以非常成功地处理回归（时间序列分析）和模式识别（分类问题、判别分析）等诸多问题，并可推广到预测和综合评价等领域，因此可应用于理
使用KNN进行分类和回归
一般情况下k-Nearest Neighbor (KNN)都是用来解决分类的问题，其实KNN是一种可以应用于数据分类和预测的简单算法，本文中我们将它与简单的线性回归进行比较。
GRAF论文解读
为了解决这个问题，最近的几种方法将基于中间体素的表示与可微渲染相结合。然而，现有方法要么产生低图像分辨率，要么无法解开相机和场景属性，例如，对象身份可能随视点而变化。在本文中，我们提出了一种辐射场的生成模型，该模型最近被证明在单个场景的新颖视图合成方面是成功的。
机器学习之神经网络的公式推导与python代码（手写+pytorch）实现
因为要课上讲这东西，因此总结总结，发个博客模型图假设我们有这么一个神经网络，由输入层、一层隐藏层、输出层构成。（这里为了方便，不考虑偏置bias）输入特征为xn输入层与隐藏层连接的权重为vij隐藏层的输出（经过激活函数）为ym隐藏层与输出层连接的权重为wjk输出层的预测值（经过激活函数）为ol隐藏层
比较CPU和GPU中的矩阵计算
GPU 计算与 CPU 相比能够快多少？在本文中，我将使用 Python 和 PyTorch 线性变换函数对其进行测试。
Bishop 模式识别与机器学习读书笔记_ch1.1 机器学习概述
Bishop著作 《Pattern Recognition and Machine Learning》 读书笔记
构建基于Transformer的推荐系统
使用基于BERT的模型构建基于协同过滤的推荐系统
谷歌AudioLM :通过歌曲片段生成后续的音乐
AudioLM 是 Google 的新模型，能够生成与提示风格相同的音乐。该模型还能够生成复杂的声音，例如钢琴音乐或人的对话。结果是它似乎与原版没有区别，这是十分让人惊讶的。
2022年推荐算法效率开发必备工具榜单
推荐! 2022年推荐算法效率开发必备工具榜单!
AdaBoost算法详解及python实现【Python机器学习系列（十八）】
Boosting是机器学习的三大框架之一，其特点是，训练过程中的诸多弱模型，彼此之间有着强依赖关系。Boost也被称为增强学习或提升法。典型的代表算法是AdaBoost算法。AdaBoost算法的核心思想是：将关注点放在预测错误的样本上。
10个Pandas的小技巧
pandas是数据科学家必备的数据处理库，我们今天总结了10个在实际应用中肯定会用到的技巧
[机器学习、Spark]Spark机器学习库MLlib的概述与数据类型
MLlib是Spark提供的可扩展的机器学习库，其特点是采用较为先进的迭代式、内存存储的分析计算，使得数据的计算处理速度大大高于普通的数据处理引擎。MLlib的主要数据类型包括本地向量、标注点、本地矩阵。本地向量和本地矩阵是提供公共接口的简单数据模型，Breeze和Jblas提供了底层的线性代数运算
5000字用C++带你入门马氏链。
随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。其中马尔科夫过程在预测模型上面的作用很大，校园图书馆管理人员根据当前学生们借阅图书的情况，需要用到马氏链来进行预测，股票行情的涨跌幅，状态分类。以及农业生态环境上面的改善，马氏链都做出了
人工智能基础：机器学习常见的算法介绍
监督学习是机器学习当中非常常见的一种机器学习类型，就是在已知输入输出的情况下训练出一个模型，并且将输入映射输出。特点：给出了学习目标（比如实际值、标注等等）。监督学习根据目标结果是离散还是连续，又可以把监督学习划分为分类和回归。
持续学习常用6种方法总结：使ML模型适应新数据的同时保持旧数据的性能
持续学习是指在不忘记从前面的任务中获得的知识的情况下，按顺序学习大量任务的模型。
