• 序言
• 机器学习可能吗
• 机器如何学习
• 大数据的价值
• 为什么要上大数据的战车
• 代替人工应用思考

阅读全文

• 术语概念
• 前言
• 如何学习
• 更多的优化目标
• 更多寻解算法
• 小结

阅读全文

• 术语概念
• 机器为何能学习
• 重要权衡的四张面孔
• 过拟合的成因

阅读全文

• 前言
• 相关资料
• 理论整理
  • 概念
  • 学习三部曲
• 手势识别实践
  • 结构
  • 编码

阅读全文

• 前言
• 相关资料
• PaddlePaddle安装
  • ubuntu环境
  • windows安装
  • 验证安装
  • 卸载
• 新冠疫情可视化
  • 抓取新冠疫情数据
  • 安装pyecharts
  • 可视化
    • 全国累计确诊饼图
    • 湖北累计确诊图
    • 新增趋势折线图
• 其他
  • notebook的使用

阅读全文

• 标量-向量-矩阵-张量
• 张量
• 小结

阅读全文

该文作者pro-am对机器学习的一些数学基础学习并进行整理，有兴趣的跨机器学习行业的童鞋，可以听听他的知乎live跨行者如何自学机器学习并找到好工作？

• 一、概述
• 二、线性代数
  • 2-1、标量
  • 2-2、向量
  • 2-3、矩阵
  • 2-4、张量
  • 2-5、范数
  • 2-6、特征分解
  • 2-7、奇异值分解（Singular Value Decomposition，SVD）
  • 2-8、Moore-Penrose伪逆
  • 2-9、几种常用的距离
• 三、概率
  • 3-1、为什么使用概率？
  • 3-2、随机变量
  • 3-3、概率分布
  • 3-4、条件概率
  • 3-5、贝叶斯公式
  • 3-6、期望
  • 3-7、方差
  • 3-8、协方差
  • 3-9、常见分布函数
  • 3-10、Lagrange乘子法
  • 3-11、最大似然估计
• 四、信息论
  • 4-1、熵
  • 4-2、联合熵
  • 4-3、条件熵
  • 4-4、相对熵
  • 4-5、互信息
  • 4-6、最大熵模型
• 五、 数值计算
  • 5-1、上溢和下溢
  • 5-2、计算复杂性与NP问题
  • 5-3、数值计算
• 六、最优化
  • 6-1、最优化理论
  • 6-2、最优化问题的数学描述
  • 6-3、凸集与凸集分离定理
  • 6-4、梯度下降算法
  • 6-5、随机梯度下降算法
  • 6-6、牛顿法
  • 6-7、阻尼牛顿法
  • 6-8、拟牛顿法

阅读全文

• 人工智能
• 机器学习
  • 机器学习的实现
  • 机器学习的方法论
    • 案例：牛顿第二定律
    • 确定模型参数
    • 模型结构介绍
• 深度学习
  • 神经网络的基本概念
  • 深度学习的发展历程
  • 深度学习改变了AI应用的研发模式
  • 实现了深度学习框架标准化

阅读全文

• 一、对于世界的影响
  • 1. 人工智能的四波浪潮
    • 第一波，互联网智能化
    • 第二波，商业智能化
    • 第三波，实体世界智能化
    • 第四波，自主智能化
    • 我们同时受到四波浪潮的影响
  • 2. 人工智能对世界传统分工协作体系的挑战
    • 过往，产业在不同国家之间交接
    • 未来，人工智能可能打破交接，赢家通吃
  • 3. 中美发展人工智能环境的差异
  • 4. 为什么中国有机会能实现弯道超车？
• 二、对于社会的影响
  • 1. 人工智能带来的最大问题，是就业市场和社会体系问题
  • 2. 未来因人工智能导致的大量失业问题，该如何解决？
• 三、对于企业的影响
  • 1. 大厂做电网，小公司做电池
    • 大公司，提供基础的AI服务
    • 小公司，做电池，提供深度
• 四、对于个人的影响
  • 1. 如何判断工作是否会被人工智能所取代？

阅读全文

• 一、推荐系统概述
• 二、搭建推荐系统的关键算法
  • 1.达观数据推荐系统架构
  • 2.推荐流程
  • 3.如何做热门推荐？
  • 4.如何做基于内容的推荐？
  • 5.基于主题模型的推荐
  • 6. 协同过滤
  • 7. 潜在因子模型
  • 8.用户模型构建
  • 9.多算法融合
• 三、推荐系统难点分析和解决方法
  • 1.长短期兴趣画像让模型效果稳定提升
  • 2.快速建模技术解决冷启动问题
  • 3.三级火箭”架构保障系统稳定和毫秒级反馈
  • 4.NLP 技术解决推荐难题
• 四、深度学习在推荐系统中的应用

阅读全文

• 1. 概论
• 2. 什么是知识图谱？
• 3. 知识图谱的表示
• 4. 知识抽取
• 5. 知识图谱的存储
• 6. 金融知识图谱的搭建
  • 6.1 定义具体的业务问题
  • 6.2 数据收集 & 预处理
  • 6.3 知识图谱的设计
  • 6.4 把数据存入知识图谱
  • 6.5 上层应用的开发
    • 6.5.1 基于规则的方法论
    • 6.5.2 基于概率的方法
    • 6.5.3 基于动态网络的分析
• 7. 知识图谱在其他行业中的应用
• 8. 实践上的几点建议
• 9. 结语

阅读全文

• 项目站点
  • 思知（OwnThink）
  • 开放的中文知识图谱
  • 楚辞
• 知乎专栏
• 美团大脑
• 其他文章
• 其他资源

阅读全文