博客水木

本文主要阐述： 推荐系统的评估（Evaluation） 推荐系统的冷启动问题（Cold Start） 推荐系统实战（Actual Combat） 推荐系统案例（Case Study） 浏览前三章的内容请见上篇。 4. 推荐系统的评估（Evaluation） 如何判断推荐系统的优劣？这是推荐系统评测需要解决的首要问题。一个完整的推荐系统一般存在3个参与方...继续阅读

2013年，Google开源了一款用于词向量计算的工具——word2vec，引起了工业界和学术界的关注。首先，word2vec可以在百万数量级的词典和上亿的数据集上进行高效地训练；其次，该工具得到的训练结果——词向量（word embedding），可以很好地度量词与词之间的相似性。随着深度学习（Deep Learning）在自然语言处理中应用的普...继续阅读

*排名不分先后。收集不全，欢迎留言完善。   中国大陆地区： 腾讯人工智能实验室（Tencent AI Lab） https://ai.tencent.com/ailab/nlp/ 苏州大学自然语言处理实验室 http://nlp.suda.edu.cn/ 苏州大学人类语言技术研究所 http://hlt.suda.edu.cn/ 微软亚洲研究院自然语言计算组 Natural Language Computing (NLC)...继续阅读

开始我是很难弄懂什么是过拟合，什么是欠拟合以及造成两者的各自原因以及相应的解决办法，学习了一段时间机器学习和深度学习后，分享下自己的观点，方便初学者能很好很形象地理解上面的问题，同时如果有误的地方希望大家在评论区留下你们的砖头，我会进行纠正。 无论在机器学习还是深度学习建模当中都可能会遇到两种最常...继续阅读

机器学习和深度学习的最佳框架大比拼 在过去的一年里，咱们讨论了六个开源机器学习和/或深度学习框架：Caffe，Microsoft Cognitive Toolkit（又名CNTK 2），MXNet，Scikit-learn，Spark MLlib和TensorFlow。如果把网撒得大些，可能还会覆盖其他几个流行的框架，包括Theano（一个10年之久的Python深度学习和机器学习框架...继续阅读

深度学习是一种基于对数据进行表证学习的机器学习方法，近些年不断发展并广受欢迎。 作为一个相对较新的概念，对于无论是想要进入该领域的初学者，还是已经熟知方法的老手来说，触手可及的学习资源太丰富了。 为了不被日新月异的技术和潮流所淘汰，积极参与深度学习社区中开源项目的学习和互动是个很好的方法。 在本文中...继续阅读

人工智能的学习算法大家庭 人工智能 (Artificial Intelligence, AI) 浪潮正在席卷全球，在上一讲中，我们给出了人工智能的定义、话题、四大技术分支、主要应用领域和三种形态：弱人工智能、强人工智能和超级人工智能，让大家了解了人工智能这个耳熟能详的概念。其中，我们区别了弱人工智能和强人工智能的概念：前者让机器...继续阅读

首先要简单区别几个概念：人工智能，机器学习，深度学习，神经网络。这几个词应该是出现的最为频繁的，但是他们有什么区别呢？ 人工智能：人类通过直觉可以解决的问题，如：自然语言理解，图像识别，语音识别等，计算机很难解决，而人工智能就是要解决这类问题。 机器学习：机器学习是一种能够赋予机器学习的能力以此让它...继续阅读

图论是计算机科学中最重要、最有趣的分支之一，对于存在拓扑关系的业务场景，理解和使用图可以对业务有很多帮助。本文主要针对图理论在大数据量下的技术和应用场景做全貌性的介绍。 1. 图论的起源 在18世纪，一个叫做柯尼斯堡的城市，河流将该城市切成了四部分，割裂的土地之间通过七座桥连接起来了。 当时，有一个与柯尼...继续阅读

为什么要使用Colab 使用过Jupyter（参看《「极客时间」带来的社区价值思考》章节：社区交流的基建设施）的朋友，一定会醉心于它干净简洁的设计，以及在“摆脱Python命令行运行”上提供的优质服务。某种意义上讲，Jupyter的简洁设计，非常适合于初学编程的朋友。因为从整体看，整个Jupyter所提供的界面像是学生时代老师提...继续阅读