深度学习

Python 程序员深度学习的“四大名著”： 这四本书着实很不错！我们都知道现在机器学习、深度学习的资料太多了，面对海量资源，往往陷入到“无从下手”的困惑出境。而且并非所有的书籍都是优质资源，浪费大量的时间是得不偿失的。 给大家推荐这几本好书并做简单介绍： 1、《Deep Learning with Python》 推荐指数：★★★★☆ 本书自出版以来收到众多好评，因为是 Keras 作者写的书，所以全书基本围绕着 Keras 讲深度学习的各种实现，从 CNN，RNN 到 GAN 等，偏入门，但也承载着很多作者对深度学习整体性的思考。这是一本偏实战的书，教你使用 Keras 快速实现深度学习经典项目。看完这本书，基本能对 Keras 和深度学习实战有比较初步的掌握了。 本书源码 GitHub 地址： https://github.com/fchollet/deep-learning-with-python-notebooks 2、《Python Machine Learning》 推荐指数：★★★☆☆ 本书使用了 Scikit-Learn 和 TensorFlow，分别讲解机器学习和深度学习，并每章配备实操代码。还有一点是讲解了如何将机器学习模型发布到 Web 应用。整个知识体系相对更加完善，是一本比较全面的机器学习书籍。 本书源码 GitHub 地址： https:/

云栖号资讯：【 点击查看更多行业资讯 】 在这里您可以找到不同行业的第一手的上云资讯，还在等什么，快来！ 一、前言 ‍‍机器学习 / 深度学习在有赞应用的越来越多，例如在营销、推荐、风控等场景下都起着越来越重要的作用。对于深度学习在实际业务场景的落地来说，除了数据和算法，工程和系统上的支持同样必不可少，这样的支持包括模型的快速构建与评估，稳定的线上模型服务环境等等。为此，我们开发了有赞智能平台 Sunfish ，本文详细介绍 Sunfish 的设计和实现。 二、背景 在有赞，机器学习 / 深度学习在各个业务场景下发挥着越来越重要的作用。这里以推荐系统为例，介绍一下深度学习的落地实践。在之前的博客文章有赞推荐系统关键技术中介绍过有赞微商城个性化推荐系统。简单来说，当用户打开一个有商品推荐位的页面时，推荐系统会根据用户特征按一定策略从商品池中选择出一些候选的推荐商品，这个过程称为召回。然后，针对这些候选商品，需要分别对它们进行打分，选择其中得分最高的商品，推荐给用户，这个过程称为线上精排。这里对某个商品进行打分的操作，就是在使用深度学习模型进行推理。 为了实现个性化推荐系统中的线上精排服务，我们需要进行三个阶段的工作。1. 数据探测与准备；2. 模型训练与评估；3. 模型服务部署。我们会在有赞大数据平台上面进行数据探测与准备。在模型训练与评估阶段，算法同学需要选择合适的特征数据

↑ ↑↑ 点击上方 蓝字 ，回复 资料 ，10个G的惊喜 文末赠书福利 最近在读 《机器学习理论导引》 。这本书是西瓜书的作者 周志华 老师领衔、南大 LAMDA 四位教授共同撰写的新书，权威就自不必说。封面画了一只充满了阿里巴巴和四十大盗风格的木箱子，一看就是童话故事官方指定用来装宝贝的那一种，大家就按惯例起了个绰号，叫 “ 宝箱书 ” 。 刚接触机器学习应该都有一个共同的感觉，就是机器学习不太好学习。主要的难题有两个，第一个自然是 数学 ，机器学习需要大量的数学基础知识，一个个张牙舞爪的数学公式很容易让人望而却步。可是，当我们好不容易鼓起勇气，为了学好机器学习，决心和数学死磕到底，我们很快又会遇到第二个难题， 知识面太过宽泛 ，就算愿意硬啃，也让人无从下嘴。 我在以前的文章反复说过， 机器学习是算法，不是一种算法，是一群算法的总称 。机器学习虽然要求解的问题来来去去就那几个大类，但解题思路是一个赛一个精奇，不同思想下设计出来的算法自然也就犹如八仙过海。精彩是挺精彩的，但是自然涉及的数学基础自然五花八门，从学习的角度来看，总感觉要学的东西东一块西一块的不成体系，缺乏一条循序渐进的主轴，甚至连起点在哪里都不太好找。 《机器学习理论导引》就是要解决这个问题。这本书的定位是 “ 给学习和研究机器学习理论提供一个入门引导 ” ，这话是我从书里抄的，写得相当官方，如果没看完这本书

前言 软件开发越来越复杂，对软件设计的要求也越来越高，而软件设计和架构的入门功夫就是深入理解和掌握设计模式。因此，设计模式的重要性不言而喻。 很多朋友认识到了设计模式的重要性，也看了很多的书籍和资料，但是，常听到这样的抱怨:“ 设计模式的书我看了不少，觉得都看懂了，就是不知道在实际开发中怎么运用这些设计模式”，从而认为设计模式是"看上去很美的花拳绣腿”。 其实不然，造成这种情况的原因就在于:这些朋友对设计模式的理解不到位，自己感觉懂了，其实还差很远，并没有“真正”理解和掌握设计模式。 本文就针对这种情况，让大家真正理解和掌握23种设计模式，并且能够灵活运用，希望大家能够喜欢！！！ 目录 主要内容 第1章设计模式基础， 什么是模式？从字面上理解，模，就是模型、模板的意思:式，就是方式、方法的意思。综合起来，所谓模式就是:可以作为模型或模板的方式或方法。再简单点说就是可以用来作为样板的方式或方法，类似于大家所熟悉的范例。 按照上面的理解，设计模式指的就是设计方面的模板，也即设计方面的方式或方法。 设计模式:是指在软件开发中，经过验证的，用于解决在特定环境下、重复出现的、特定问题的解决方案。 第2章简单工厂，简单工厂不是一个标准的设计模式，但是它实在是太常用了，简单而又神奇，所以需要好好掌握它，就当是学习设计模式的热身运动吧。为了保持一致性，我们尽量按照学习其他模式的步骤来进行学习。

经典数据结构和算法你了解几个？想去大厂面试？想成为算法工程师？收下这份全面的复习材料。 机器之心报道，参与：Racoon、Jamin。 不想做低级码农，不想成为前端抠图达人或是后台「增删改查」小王子？那你可能需要好好复习下算法与数据结构。想成为算法工程师，基础知识是绕不开的大山。机器之心 这次要推荐的项目是数据结构与算法的开源项目集，覆盖多种主流语言，实现各类经典数据结构及算法 。 项目地址： https:// github.com/trending The Algorithms 项目介绍 正如 The Algorithms 项目主页上介绍的那样，这是一个使用多种编程语言，实现经典数据结构与算法的开源项目集。这里的「any Programming Language」真是没有虚假宣传，我们可以看到 The Algorithms 里从较为流行的 Python、Java、C、C++到 C#、Go、Rust、Kotlin 语言应有尽有，当然有的编程语言实现的算法还不是那么的丰富，其中维护较好的还是 Python 和 Java。 本文以 The Algorithms 的 Python 项目为例进行介绍。 截至目前， 该项目已经有 7 万多星，内容涵盖加密算法、图像处理、动态规划、线性代数、经典机器学习算法、搜索算法、排序算法以及各种数据结构等，单是所实现算法的目录就有 600 多行 ……当然

10条工程师职场小技巧！>>> 无论是在传统机器学习领域还是现今炙手可热的深度学习领域，基于训练样本有明确标签或结果的监督学习仍然是一种主要的模型训练方式。尤其是深度学习领域，需要更多数据以提升模型效果。目前，已经有一些规模较大的公开数据集，如 ImageNet，COCO 等。 对于深度学习入门者，这些公开数据集可以提供非常大的帮助；但是对于大部分企业开发者，特别在医学成像、自动驾驶、工业质检等领域中，他们更需要利用专业领域的实际业务数据定制 AI 模型应用，以保证其能够更好地应用在业务中。因此， 业务场景数据的采集和标注也是在实际 AI 模型开发过程中必不可少的重要环节。 数据标注的质量和规模通常是提升 AI 模型应用效果的重要因素，然而完全通过人力手动标注数据建立一个高质量、大规模专业领域数据集却并不容易：标注人员的培训与手工标注成本高、耗时长。为解决此问题，我们可以利用主动学习的方法，采用“Human-in-the-loop”的交互式框架（图1）进行数据标注，以有效减少人工数据标注量。 图1 基于主动学习的“Human-in-the-loop”交互式数据标注框架 主动学习（ActiveLearning，AL）是一种挑选具有高信息度数据的有效方式，它将数据标注过程呈现为学习算法和用户之间的交互。 其中，算法负责挑选对训练 AI 模型价值更高的样本，而用户则标注那些挑选出来的样本

有一说一，头发多的程序员要是熬夜搞起手工来，效率高的可怕。 机器之心报道，参与：蛋酱。 一款火柴盒大小的电子卡片，集公司工牌、小区门禁卡、食堂饭卡于一身，到哪儿都能刷。奇怪，竟然也没人拦。 最近，B 站 UP 主「稚晖君」自制的超迷你智能 NFC 卡片火了。小巧玲珑的卡片，自带电子墨水屏，可以模拟各种 IC 卡，搭配 APP 还能任意设置显示内容…… 这一硬核 DIY 教程在发布的 30 个小时内，视频播放量已经突破百万，光点赞量就超过了十万。 最重要的是，他已经将代码开源了。感兴趣的话，你也可以动手试试（在你能看懂的前提下）。 项目地址： https:// github.com/peng-zhihui/ L-ink_Card 把门禁卡做成一般人用不起的样子 话说，这个 idea 最初是怎么来的呢？ 嗯，创意源于生活。比如每个人身上肯定都有很多张 IC 卡，公司的工牌、食堂的饭卡、小区门禁卡等等，这些都是 IC 卡。 当然，卡片太多了也很烦恼。比如经常站在闸机面前，在一堆卡片中翻来翻去才找到需要的那张，这真的不够优雅。所以稚晖君决定，把这些卡片，统统装进一张电子卡片里。 动手之前，首先构思一下需要添加的功能： 1、可以储存多张卡片信息； 2、卡片内容可以擦写； 3、具备 NFC 标签功能； 4、带屏幕； 5、可以通过 APP 设置显示内容； 6、最重要的是，迷你，迷你，迷你。

亲爱的,关注我吧 8/31 文章共计3165个词 今天的内容有一些图，流量用户注意哦 和我一起阅读吧 0 本文是本系列的第二篇，将对面向二进制程序的静态漏洞挖掘技术进行介绍与分析。 面向二进制程序的静态漏洞的挖掘技术由于缺少源代码中的结构化信息，面临着值集分析(vaule-set analysis，VSA)与控制流恢复不精确的问题，但是二进制程序相对于源码而言更容易获得，所以这方面的研究工作一直都有新的研究动态，并且会在第2部分介绍目前流程的两种技术。在进一步分析之前，我们首先来具体解释前文提出的两个问题。 1 1.1 值集分析是一种结合数值分析和指针分析的静态分析算法。VSA是一种基于抽象解释的、流敏感、上下文敏感、支持过程间分析的方法。VSA首先建立抽象内存模型，恢复可执行程序中的变量并用抽象地址表示，然后对每条指令静态计算抽象地址可能包含的值的集合。 典型的值集分析算法的伪码表示如下 上图的集合W被称为word-list,其操作包括add，removeNext，分别用于添加和移除项。Word-list按照拓扑顺序进行排序，初始化时包含着基本块的入口点,用于指示从此处开始正向分析。while循环的每次迭代里，Analysis函数都会在第6行被调用来分析选中的基本块。Analysis会基于输入状态产生大量的输出状态，那些变化的输出状态会被添加到word-list中

电光石火间体验Spark 3.0开发实战 目录 Spark新书介绍 课程内容 课程介绍 电光石火间体验Spark 3.0开发实战 Spark+AI深度学习动手实践 Spark新书介绍 https://duanzhihua.blog.csdn.net/article/details/106294896 课程内容 通过一个电影点评系统实战案例体验Spark 3.0应用程序。 使用Spark RDD、DataFrame、DataSet实现电影点评案例。 课程介绍 在大数据和AI紧密协同时代，最佳的AI系统依赖海量数据才能构建出高度复杂的模型，海量数据需要借助Al才能挖掘出终极价值。本书以数据智能为灵魂，以Spark 2.4.X版本为载体，以Spark+ AI商业案例实战和生产环境下几乎所有类型的性能调优为核心，对企业生产环境下的Spark+AI商业案例与性能调优抽丝剥茧地进行剖析。全书共分4篇，内核解密篇基于Spark源码，从一个实战案例入手，循序渐进地全面解析Spark 2.4.X版本的新特性及Spark内核源码;商业案例篇选取Spark开发中最具代表性的经典学习案例，在案例中综合介绍Spark的大数据技术;性能调优篇覆盖Spark在生产环境下的所有调优技术; Spark+ AI内幕解密篇讲解深度学习动手实践，通过整合Spark

　　 　　 大数据文摘出品 　　 作者：Christopher Dossman 　　 编译：Olivia、Joey、云舟 　　呜啦啦啦啦啦啦啦大家好，本周的AI Scholar Weekly栏目又和大家见面啦！ 　　AI ScholarWeekly是AI领域的学术专栏，致力于为你带来最新潮、最全面、最深度的AI学术概览，一网打尽每周AI学术的前沿资讯。 　　每周更新，做AI科研，每周从这一篇开始就够啦！ 　　 本周关键词 ： 无监督学习、RL、张量网络 　　 本周最佳学术研究 　　 编写与PyTorch，TensorFlow，JAX和NumPy均兼容的代码 　　深度学习（DL）的进步正日益促进着越来越多DL框架的发展。这类框架提供了用于自动区分和GPU加速的高级且高效的API，并使得使用相对较少而直接的代码来实现异常复杂且功能强大的深度学习模型成为可能。 　　EagerPy是一个Python框架，可用于编写自动与PyTorch、TensorFlow、JAX和NumPy兼容的代码，而无需牺牲性能。 　　库开发人员不必选择仅支持这些框架之一而为每个框架重新实现库，或是选择处理代码重复问题。因此这类库的用户可以更轻松地切换框架，而不会被一个第三方库锁定。除了支持多框架之外，EagerPy还对链接到所有框架的方法都提供了详尽的类型注释和一致的支持。 　　Github传送门： 　　https