摘要： 当当个性化推荐开发经理张相於深度分享当当推荐团队的机器学习实践经验，侧重介绍一个小团队在构建系统时的一些实践，一些坑，以及如何从坑里爬出来。当当构建机器学习系统过程中踩过的坑主要包括：只见模型，不见系统；不重视可视化分析工具；过于依赖算法；关键流程和数据没有掌握在自己团队；团队不够“全栈”；巨型系统。工具方面，当当在探索阶段选择的是R和Python，大数据阶段则主要依靠Hadoop和Spark，目前集群是几百台的规模。在“全流程构建”的不断迭代中，当当还总结提取出的一套特征工程相关的工具——dmilch 阅读全文

摘要： 1. 改root密码sudo passwd root2. 显示登录框sudo gedit /usr/share/lightdm/lightdm.conf.d/50-ubuntu.conf添加autologin-user=rootgreeter-session=unity-greeteruser-se... 阅读全文

摘要： 本文由LeftNotEasy所有，发布于http://leftnoteasy.cnblogs.com。如果转载，请注明出处，在未经作者同意下将本文用于商业用途，将追究其法律责任。前言: 上次写过一篇关于贝叶斯概率论的数学，最近时间比较紧，coding的任务比较重，不过还是抽空看了一些机器学习的书和视... 阅读全文

摘要： 转载时请注明来源：http://www.cnblogs.com/jerrylead1判别模型与生成模型上篇报告中提到的回归模型是判别模型，也就是根据特征值来求结果的概率。形式化表示为，在参数确定的情况下，求解条件概率。通俗的解释为在给定特征后预测结果出现的概率。比如说要确定一只羊是山羊还是绵羊，用判... 阅读全文

摘要： 使用Boost.Spirit实现一个四则运算 阅读全文

摘要： 内容转载自http://blog.csdn.net/zouxy09/article/details/8782018 阅读全文

摘要： Caffe是一个清晰而高效的深度学习框架，本文详细介绍了caffe的优势、架构，网络定义、各层定义，Caffe的安装与配置，解读了Caffe实现的图像分类模型AlexNet，并演示了CIFAR-10在caffe上进行训练与学习 阅读全文

摘要： 机器学习与NLP专家、MonkeyLearn联合创始人&CEO Raúl Garreta面向初学者大体概括使用机器学习过程中的重要概念，应用程序和挑战，旨在让读者能够继续探寻机器学习知识 阅读全文

摘要： 特征对数据挖掘和机器学习效果的重要性意味着特征工程的重要性，然而一般的特征工程也有其局限性，这时候特征提取可能更符合我们的需要。本文详细介绍了特征工程和特征提取如何发挥作用，供读者参考 阅读全文

摘要： 递归神经网络有一些不可思议的地方，有些时候，模型与你期望的相差甚远，许多人认为是RNNS非常难训练，那么RNNs究竟是什么呢？就有这篇文章来带给大家 阅读全文