机器学习

在机器学习社区，越来越多的人开始讨论研究的可复现性，但这些讨论大部分局限于学术环境。如何确保生产环境的ML可复现？近日，机器学习开发服务提供商 maiot.io 的 CTO Benedikt Koller 发布一篇博客文章，介绍了他基于自身经验总结的开发可复现生产级机器学习所要注意的 12 个要素。

在这篇文章中，我将提到有关7种机器学习算法的7个关键点。我想指出的是，这不会完全解释这些算法，因此，如果您对它们有基本的了解，那就更好了。

深度学习是机器学习的一个子领域，属于人工智能(AI)和物联网(IoT)。然而，如果没有深度学习的应用，自动化和智能就不会达到今天的水平。例如，人工智能在制造业已经取得了长足的进步，比如预测性维修技术。然而，受益于深度学习应用的并非只有这个行业。

人工智能(AI)和机器学习(ML)不仅提供了与早期技术进步相同的漏洞和错误配置机会，也有其独特的风险。随着企业开始进行以人工智能为动力的数字化转型，这些风险可能会变得更大。

机器学习如今已经成为一种众所周知的创新技术。一项研究发现，人们目前使用的设备中有77％正在使用机器学习（ML）技术。通过采用亚马逊Alexa、Google Home、Netflix等智能设备，人工智能服务正在为组织提供行业领先的创新解决方案。

我将机器学习算法视为瑞士军刀。 有许多不同的算法。 某些任务需要使用特定的算法，而某些任务可以使用许多不同的算法来完成。 性能可能会根据任务和数据的特征而变化。在本文中，我将分享16个技巧，我认为这些技巧将帮助您更好地理解算法。 我的目的不是要详细解释算法如何工作。 我宁愿提供一些有关它们的提示或细节。

任何有效的机器学习管道都是数学、代码和数据的交叉。每一项只有和另一项在一起时才会有效果。如果你的数据质量很差，那么无论你的数学计算多么优雅或代码多么高效都没用。如果你的数据质量最高，但你的数学计算错误，那么你的结果可能会不是很好，甚至会更糟，造成伤害。如果你的数据和数学都是世界级的，但是你的代码效率很低，那么你将无法获得扩展带来的好处。

本文将探讨如何将人工智能(AI)和机器学习(ML)整合到网络安全当中。随着网络攻击在性质和目标上变得越来越多样化，网络安全人员是否有正确的可见性来确定如何解决漏洞是至关重要的，而人工智能将可以帮助提出人类无法单独解决的问题。

半监督学习 (SSL) 是一种非常有趣的方法，用来解决机器学习中缺少标签数据的问题。SSL利用未标记的数据和标记的数据集来学习任务。SSL的目标是得到比单独使用标记数据训练的监督学习模型更好的结果。这是关于半监督学习的系列文章的第2部分，详细介绍了一些基本的SSL技术。

最近学习吴恩达教授的一些课程，其中提到解决过拟合的四种方法。我们从易到难逐一讨论：通常training set不是很丰富的情况下，更容易出现过拟合状况。但是label更多的数据也不是能够快速达成的事情。因此这个方法主要适合于图像识别领域，可以通过distortion人为的增加训练集，从而减轻overfitting……