找回密码
 nanjixiong2018注册

QQ登录

只需一步,快速开始

微信登录

微信扫一扫,快速登录

发表帖子

AI/机器学习(热点及趋势?)

[复制链接]
人工智能,人工神经网络领域归为深度学习。

在微博,机器学习被广泛地应用于微博的各个业务,如Feed流、热门微博、消息推送、反垃圾、内容推荐等。

深度学习AI美颜系列---天天P图疯狂变脸算法-  https://blog.csdn.net/Trent1985/article/details/80295532

疯狂变脸算法DEMO- https://download.csdn.net/download/trent1985/10410917

腾讯围棋AI技术PhoenixGo正式开源- https://github.com/Tencent/PhoenixGo
深度学习框架Caffe- http://caffe.berkeleyvision.org/

TensorFlow

16个GitHub收藏和贡献率最高的深度学习框架- https://blog.csdn.net/tkkzc3E6s4Ou4/article/details/80267827

技术及思维模式的调整:互联网 -> 云 -> 手机 ->  AI/机器学习;

机器学习的开发工作,最好首先完成这么几项课程:
➤ 入门,了解概念,算法基础:
Coursera 机器学习课程 - by 吴恩达
Machine Learning Coursera
https://www.coursera.org/learn/machine-learning

➤ 进阶,多层神经网络,卷积和softmax回归:
斯坦福机器学习课程 UFLDL
UFLDL Tutorial
http://ufldl.stanford.edu/wiki/index.php/UFLDL_Tutorial
重点关注其中的softmax回归,卷积和池化这几个章节

➤ 进阶,计算机视觉,卷积神经网络的新进展,实现和应用:
斯坦福计算机视觉课程 CS231n
斯坦福CS231n -深度学习与计算机视觉 - 网易云课堂http://study.163.com/course/introduction/1003223001.htm
目前机器学习的框架非常的多,从面向的使用者这个维度去划分,大体上分成这么两个阵营:

➤ 学术友好型:Theano,Torch,Caffe
➤ 工业友好型:Tensorflow,MXnet,Caffe

STEM(科学、技术、工程、数学)能力;

贝叶斯思想概述:从贝叶斯定理到贝叶斯网络- https://mp.weixin.qq.com/s?__biz ... 7776c506ac34abbe483
AI学习者必备 | 圣母大学公开统计计算课程讲义(视频+PPT+作业)- https://mp.weixin.qq.com/s?__biz ... 99e3e5ee8e45361bb6e

> 学习TensorFlow(AI/机器学习)

Google Drive:https://drive.google.com/drive/f ... 8HVyY1F5Ml94Z2hodkE
百度网盘:https://pan.baidu.com/s/1c19SI56#list/path=%2F

概念:监督学习;非监督学习;增强学习;贝叶斯公式;推断;归纳 Induction;演绎 Deduction;反推出因 Abduction;分类;回归 Regression 预测数据;

  机器学习,TensorFlow在图形分类、音频处理、推荐系统和自然语言处理等场景下都有丰富的应用。
integrating TensorFlow into Android application- https://github.com/MindorksOpenS ... hineLearningExample
numerical computation using data flow graphs- https://github.com/tensorflow/tensorflow
MachineLearningDemo- https://github.com/Fndroid/MachineLearningDemo

  TensorFlow的流行让深度学习门槛变得越来越低,只要你有Python和机器学习基础,入门和使用神经网络模型变得非常简单。TensorFlow支持Python和C++两种编程语言,再复杂的多层神经网络模型都可以用Python来实现,如果业务使用其他编程也不用担心,使用跨语言的gRPC或者HTTP服务也可以访问使用TensorFlow训练好的智能模型。


李飞飞、吴恩达、Bengio等人的15大顶级深度学习课程- http://blog.csdn.net/dQCFKyQDXYm3F8rB0/article/details/79136408

> 机器学习算法和常用统计模型
1.机器学习算法核心算法
回归/分类树
降维(PCA、MDS、tSNE等)
经典的前馈神经网络
Bagging ensembles方法(随机森林、KN N回归集成)
Boostingensembles方法(梯度提升、XGBoost算法)
参数调整或设计方案的优化算法(遗传算法,量子启发式演化算法,模拟退火/simulated annealing,粒子群优化/ particle-swarm optimization)
拓扑数据分析工具,特别适用于小样本量的无监督学习(持续同调/persistent homology,Morse-Smale聚类,Mapper ...)
深度学习架构(通用深度学习架构)
用于局部建模的KNN方法(回归,分类)
基于梯度的优化方法/Gradient-based optimization methods
网络度量/Network metrics和算法(中心度量,跳数,多样性,熵,拉普拉斯算子,疫情传播/epidemic spread,谱聚类/spectral clustering)
深层架构中的卷积和池化层/pooling layers(特别适用于计算机视觉和图像分类模型)
分层聚类(与k均值聚类和拓扑数据分析工具相关)
贝叶斯网络(路径挖掘/pathway mining)
复杂性和动态系统(与微分方程有关)
此外,部分领域还可能需要与自然语言处理、计算机视觉相关算法。

2.机器学习算法常用模型
广义线性模型(是多数监督机器学习方法的基础,如逻辑回归和Tweedie回归)
时间序列方法(ARIMA,SSA,基于机器学习的方法)
结构方程建模(针对潜变量之间关系进行建模)
因子分析(调查设计和验证的探索型分析)
功效分析/试验设计(特别是基于仿真的试验设计,以避免分析过度)
非参数检验(MCMC)
K均值聚类
贝叶斯方法(朴素贝叶斯,贝叶斯模型平均/Bayesian model averaging,贝叶斯适应性试验/Bayesian adaptive trials等)
惩罚性回归模型(弹性网络/Elastic Net,LASSO,LARS ...)以及对通用模型(SVM,XGBoost ...)加罚分,这对于预测变量多于观测值的数据集 很有用,在基因组学和社会科学研究中较为常用)
样条模型/Spline-based models(MARS等):主要用于流程建模
马尔可夫链和随机过程(时间序列建模和预测建模的替代方法)

缺失数据插补方法及其假设(missForest,MICE ...)

生存分析/Survival analysis(主要特点是考虑了每个观测出现某一结局的时间长短)
混合建模/Mixture modeling
统计推断和组群测试(A/B测试以及用于营销活动的更复杂的方法)
转自desaco

使用道具 举报 回复
您需要登录后才可以回帖 登录 | nanjixiong2018注册 微信登录

本版积分规则

QQ|联系我们|手机版|南极熊3D打印 ( 京ICP备14042416号-1  

GMT+8, 2019-8-22 01:58 , Processed in 0.097745 second(s), 38 queries .

快速回复 返回顶部 返回列表