机器学习

机器学习中的特征工程详解

特征认识(Feature understanding)——结构化数据:可分解为观测记录和属性的数据,如表格数据,行为观测,列为属性;非结构化数据:数据形式随意,不遵循特定规则,如一堆数据(log文件),博客信息,或者只有一个特征的数据;定量数据:有明确数值的数据;定性数据:类别数据。

2021年十大数字转型趋势

我们听到5G的好处已经很多年了,但直到今年,远程工作、视频会议和数字协作成为我们生活的核心部分,对可靠连接和更多带宽的需求才真正成为我们都能理解的一项具体好处。我们对手机、平板电脑和其他设备的依赖——包括越来越多的物联网传感器——凸显了对多车道信息高速公路的需求,电信公司早就知道我们会需要这种高速公路。如今,企业无法承受断开连接的后果,5G部署已经成为解决方案的一个重要组成部分。

【原创】机器学习的演进

在我们的生活中,机器学习无处不在,它增加了价值,产生了积极的经济效应,同时减少了低效和浪费。这是由多方面的因素推动形成的,包括显著改进的神经网络(NN)框架,成熟的机器学习技术,改善的训练数据访问方法,当然还有一点很重要的就是,性能更佳的、嵌入在边缘和终端用于训练的专用集成电路(ASIC)。再加上更好的机器学习训练算法——在一些情况下可以将训练时间从数周减少到数小时,机器学习正变得越来越可行。

特征工程技术与方法

在之前学习机器学习技术中,很少关注特征工程(Feature Engineering),然而,单纯学习机器学习的算法流程,可能仍然不会使用这些算法,尤其是应用到实际问题的时候,常常不知道怎么提取特征来建模。 特征是机器学习系统的原材料,对最终模型的影响是毋庸置疑的。