机器学习

高畅现在是谷歌无人车部门（Waymo）的工程师，从事计算机视觉和机器学习方向。 他在美国卡内基梅隆大学攻读硕士学位 时，为了准备实习秋招，他从夏天开始整理某 code 上的题目，几个月的时间，刷了几百道题目。 凭借着扎实的基础和长期的勤奋，他很快找到了如愿的工作。 入职前，闲暇的时候，他突然想到，自己刷了那么多题，而且对很多题目的解法有着总结，为何不把这些题目归纳总结一些，做成一个便于后来者阅读学习的电子书呢？ 有了想法，作为行动派的他说干就干，于是这样一本制作精美且免费开源的书籍出现在大家面前。 引用他的话来说： 本书分为算法和数据结构两大部分，又细分了十五个章节，详细讲解了刷题时常用的技巧。我把题目精简到了101道，一是呼应了本书的标题，二是不想让读者阅读和练习时间过长。 这么做不太好的一点是，如果只练习这101道题，读者可能对算法和数据结构的掌握不够扎实。因此在每一章节的末尾，我都加上了一些推荐的练习题，并给出了一些解法提示，希望读者在理解每一章节后把练习题也完成。 整本书，我仔细看了一遍，并对书中的一些解题思路和代码进行校验。 从我的直观感受来说，这是一本用心的数据结构算法类书籍，全书总共 143 页篇幅，详细讲解算法的内容有十五个章节。 每个章节都是一些重要的知识点，伴有基础讲解和例题介绍，当然，也有一些推荐的练习题。 话不多说，让我们来看一下书的目录：

文|曾响铃 来源|科技向令说（xiangling0815） 在备受瞩目的乌镇，大量前瞻性技术应用不断亮相，给我们带来全新的未来认知。 第六届世界互联网大会上，华为就发布了其最新的金融科技创新成果——智闪卡技术。 第六届世界互联网大会金融科技论坛现场 简言之，这是一个在NFC技术已有的整合多卡种服务的基础上，实现更进一步、更加智慧的“无卡化”生活的技术应用，它的出现，也颠覆了大多数人认为的传统金融科技只有风控、流量解决方案的固有印象，进一步改变普通用户的日常生活。 而正如华为消费者业务云服务总裁张平安所说，华为在金融科技领域开展融合创新实践，是要通过“终端能力的全面开放”、“携手合作伙伴”进行；“智闪卡”落地的背后其实是华为金融科技生态体系的支撑，更确切地说，这个金融科技生态也是华为HMS生态的一个重要组成部分。 回过头来看，已经成为消费级硬件+软件服务一体化平台的华为，以包括“智闪卡”在内众多技术应用为代表，要实现的是华为终端整体体验的更智慧、更便捷，金融科技只是其中一个部分。 智闪卡技术让NFC体验在便捷的基础上更智慧，是创新华为终端创新用户数字生活体验的重要环节，也是华为HMS （ Huawei Mobile Services ， 华为终端云服务 ） 生态加速构筑的其中一个表现。 生态加持下， 金融科技才能在智慧体验的道路上更进一步 金融科技是传统金融机构重要的补充形态

人工智能是未来发展趋势吗？用Python入门怎么样？人工智能引领科技发展，首选编程语言是Python。人工智能已被认为是引领新一轮科技革命和产业变革的战略性技术。当前，我国大力发展人工智能的春天已至，AI技术正加速渗透到社会的各行各业当中，成为推动经济高质量发展的新动力。 人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。 如果说一般的计算机技术，编程开发，设计，电商，营销推广等，那正规的职业类院校和社会办学的职业技术学校、培训机构，应该有很多，都可以培养好这方面的技术。但如果说是人工智能领域，这方面的人才十分缺乏，并且未来的前景相信是可期的。 Python是一门脚本语言，它更适合去做人工智能这个领域，在人工智能上使用Python比其他编程语言有更大的优势。现在人工智能爆发，学习一门python语言的前景越来越好。 人工智能将是未来十年发展的趋势，也必将成为下一个风口。很多传统行业将会被人工智能所颠覆，这是机遇同时也是挑战，像百度的无人驾驶、小米的智能家居、阿里的智能物流、科大讯飞和凝趣科技的智能翻译等等等等。 人工智能、大数据是目前的大趋势，很多企业都在朝这些方向发展，目前的人才需求量是十分大的，现在可以说是入行的最佳时期。人工智能的首选编程语言是Python

昨天，Kubernetes 发布 2019 年的第三个新版本 1.16，才云第一时间对新版本重要更新做了精选整理，之后这篇文章 被 CNCF 转发 。经过一天的升级体验和对文档的细致阅读，才云现推出 Kubernetes v1.16 深度解读，以飨读者！ 发布 | 才云 Caicloud 编译 | littlepoint & zls & bot 审核 | ddysher 随着周三官方发布的 Kubernetes v1.16 进入普遍可用状态，相信很多读者已经体验了由新版本带来的诸多新变化。在官方文档中，开发团队表示 新版本主要围绕以下四个主题 ： CRD 正式步入通用可用性（GA）； Admission webhook 正式步入 GA； 关于 metrics 的改动； 大量和 Volume 相关的改进。 以上我们已在昨天做了 详细介绍 （点击跳转）。 而除此之外，Kubernetes v1.16 中的其他更新，如对 Windows 支持的改进、API 变化等，也非常有价值，它们显示了开发团队对增强 Kubernetes 可扩展性 的一贯努力。 在这篇文章中，才云工程师将从实践角度出发，总结对新版本的心得。 01 节点 新版本对 K8s-clusters 节点（Kubelet）做了很多相关改进和创新，如 Ephemeral Containers（短暂容器）、节点拓扑管理器和

2020年，Python可学吗？ 答案是 可 。 近些年，Python 的火热有目共睹，作为一种功能强大的高级编程语言，在2018 年的时候它的流行程度就得到了大幅提高。 Stack Overflow网站编程语言浏览量统计数字 Python不仅在 IEEE Spectrum 编程语言排行榜中，还是在其他榜单如 TIOBE 上，它也仍位居前列。无论是 后端开发、前端开发、爬虫开发，还是人工智能、金融量化分析、大数据、物联网 等，Python应用无处不在。不仅如此，Python还含有优质的文档、丰富的AI库、机器学习库、自然语言和文本处理库。尤其是Python中的机器学习， 实现了人工智能领域中大量的需求。 同时近些年很多互联网公司不管对前端岗位、后端岗位、测试、运维、数据分析岗位都希望可以具备Python的相关的技能，更有的企业直接招聘python后端开发工程师，由此可见， Python的发展前景是不可估量的 。 IEEE Spectrum 编程语言排行榜 TOP10 网上关于Python的吹嘘千篇一律，很多人都觉得掌握了Python就掌握了人工智能，数据分析等方面的知识，就一定找的到工作，其实并非如此。 那么，如何掌握Python，并拿到大厂的高薪offer呢？ 只有从基础逐步深入，再经历名企的真实实战项目的打磨，才能够提升自己实战开发能力

此文从我的ICLR2020工作展开看脑启发AI和通用智能算法的发展路径，集合了我过去一年的演讲和思考内容。 当下的深度学习日子越来越不好过，自动驾驶，智能对话都在陷入一种人工智能不智能的怪圈， 即使最火的CV，其实也是需要大量数据填补的人工智障。 这些困难的根本，在于人工智能不具备人的智能的基础， 而只是模仿了人的思维能力的细节，也就是感知能力。我们来回顾这个人工智能进化的历史 。 首先， 人工智能经历果三个基本范式 ：符号主义， 统计学习， 连接主义。 符号主义: 模拟人的逻辑， 如何把人的逻辑和知识用符号穿起来 。符号主义的本质 = 符号的运算 统计学习： 模拟人类统计学习的过程， 如何从大量的实践总结出有效的特征， 然后根据这些特征的先后重要性排列连接成决策树 。 连接主义： 人类模拟自身大脑的结构，提炼出网络的结构。 然后我们回顾连接主义发展的历史，连接主义的发展可谓三起三落， 所谓起都是因为借鉴了对生物大脑的某个理解而进步， 而衰都是因为达不到人们的预期而衰。 1, 第一次合作： 深度学习的前身-感知机。Warren McCulloch 和 WalterPitts在1943 提出而来神经元的模型， 这个模型类似于某种二极管或逻辑门电路。 事实上， 人们很快发现感知机的学习有巨大的局限性， Minksky等一批AI早期大师发现感知机无法执行“抑或”这个非常基本的逻辑运算

使用MNIST数据集对0到9之间的数字进行手写数字识别是神经网络的一个典型入门教程。 该技术在现实场景中是很有用的，比如可以把该技术用来扫描银行转帐单或支票，其中帐号和需要转账的金额可以被识别处理并写在明确定义的方框中。 在本教程中，我们将介绍如何使用Julia编程语言和名为Flux的机器学习库来实现这一技术。 为什么使用Flux和Julia? 本教程为什么想使用Flux（ https://fluxml.ai/ ） 和Julia（ https://julialang.org/ ） ，而不是像Torch、PyTorch、Keras或TensorFlow 2.0这样的知名框架呢？ 一个很好的原因是因为Flux更易于学习，而且它提供更好的性能和拥有有更大的潜力，另外一个原因是，Flux在仍然是一个小库的情况下实现了很多功能。Flux库非常小，因为它所做的大部分工作都是由Julia编程语言本身提供的。 例如，如果你查看Gorgonia ML库（ https://github.com/gorgonia/gorgonia ） 中的Go编程语言，你将看到，它明确地展示了其他机器学习库如何构建一个需要执行和区分的表达式图。在Flux中，这个图就是Julia本身。Julia与LISP非常相似，因为Julia代码可以很容易地表示为数据结构，可以对其进行修改和计算。 机器学习概论 如果你是机器学习的新手

1. 快捷键 在jupyter notebook菜单栏有Help按钮，可以查看jupyter的快捷键 2. 将多个变量输出 一般jupyter notebook默认只打印最后一个变量的结果。比如 from pydataset import data quakes = data ( 'quakes' ) quakes . head ( 10 ) #前10行数据 quakes . tail ( 3 ) #后3行数据 通过设置InteractiveShell.ast node interactivity参数为all，就可以让所有的变量或者声明都能显示出来 from IPython . core . interactiveshell import InteractiveShell InteractiveShell . ast_node_interactivity = 'all' from pydataset import data quakes = data ( 'quakes' ) quakes . head ( 10 ) #前10行数据 quakes . tail ( 3 ) #后3行数据 3. 问号？ 除了Help菜单能让我们快读查看numpy、pandas、scipy和matplotlib库，其实在cell中使用 ? 可以查看库、函数、方法和变量的信息。 #查看库的信息

图神经网络（GNN）是目前热门的研究方向，但我们是否应把注意力过多地放在这上面？数据科学家 Matt Ranger 从模型的本质、性能基准测试、实践应用等方面陈述了自己的观点。 选自 http:// singlelunch.com ，作者：Matt Ranger，机器之心编译，机器之心编辑部。 图神经网络（GNN）是机器学习中最热门的领域之一，在过去短短数月内就有多篇优秀的综述论文。但数据科学家 Matt Ranger 对 GNN 却并不感冒。他认为这方面的研究会取得进展，但其他研究方向或许更重要。 博客链接： https://www. singlelunch.com/2020/12 /28/why-im-lukewarm-on-graph-neural-networks/ 机器之心对这篇博客进行了编译整理，以下是博客内容。 模型的关键是压缩 图经常被认为是一种「非欧几里得」数据类型，但实际上并不是。正则图（regular graph）只是研究邻接矩阵的另一种方式： 如上图所示，充满实数的矩阵却被称为「非欧几里得」，这很奇怪。 其实这是出于实际原因。大多数图都相当稀疏，因此矩阵中会包含很多 0。从这个角度看，非零数值非常重要，这让问题接近于（计算上很难的）离散数学，而不是（容易的）连续、梯度友好的数学。 有了全矩阵，情况会变得容易 如果不考虑物理领域的内容，并假设存在全邻接矩阵

欢迎访问 网易云社区 ，了解更多网易技术产品运营经验。 这个双十一，人工智能市场火爆，从智能音箱到智能分拣机器人，人工智能已逐渐渗透到我们的生活的方方面面。 网易云社区 联合 博文视点 为大家带来人工智能热门图书专场，这些书籍将引领我们一起去解密人工智能，了解这位即将走进我们生活的“朋友”。 知乎活动的帖子： https://zhuanlan.zhihu.com/p/50078535 参与规则：在知乎帖子评论回复以下你最想看的一本书名称即可。注意是知乎帖子回复，不是本帖回复哦 以下为奖品图书简介： 1、《解析深度学习：卷积神经网络原理与视觉实践》 编辑推荐 本书是对治深度学习恐惧症的一剂良药。作者魏秀参博士，毕业于著名的南京大学LAMDA研究所，现为旷视科技南京研究院负责人。本书凝聚了他多年的功力，集原理与实践于一体，将卷积神经网络这颗仙丹炼得出神入化，以此攻克计算机视觉实践中的一个又一个难题。 全书没有佶屈聱牙的文字、没有艰涩难懂的术语，只有明明白白的道理、由浅入深的论证、清晰流畅的架构。在内容的安排上，兼顾了基础知识和学习难点，各有侧重，让初学者不仅可以看明白、而且能够读懂，知其所以然并举一反三运用到自己的工程实践中。 无怪乎，业内专家认为“本书可能是我知道的“醉”好的深度学习的中文入门教材”。 内容提要 深度学习，特别是深度卷积神经网络是人工智能的重要分支领域