机器学习

机器学习（Machine Learning，简称ML）是一种人工智能（AI）的分支，致力于研究让计算机系统能够从数据中学习并自动改进性能的算法和技术。机器学习使计算机系统能够从经验中学习，而不需要明确地进行编程。

隐马尔科夫模型HMM（二）前向后向算法评估观察序列概率

demi 在 周一, 05/13/2019 - 14:24 提交

在隐马尔科夫模型HMM（一）HMM模型中，我们讲到了HMM模型的基础知识和HMM的三个基本问题，本篇我们就关注于HMM第一个基本问题的解决方法，即已知模型和观测序列，求观测序列出现的概率。

改进AI/ML部署的5种方法

demi 在 周五, 05/10/2019 - 14:48 提交

在进行任何AI/ML部署之前，组织需要将其数据科学的研究工作与项目管理的最佳实践相结合。在2019年1月，Gartner发布了一项调查，37%的受访者表示他们已经在某种程度上使用了人工智能(AI)，但54%的受访者表示，他们所在组织的技能短缺阻碍了他们积极推进使用人工智能的进程。

隐马尔科夫模型HMM（一）HMM模型

demi 在 周五, 05/10/2019 - 11:01 提交

隐马尔科夫模型（Hidden Markov Model，以下简称HMM）是比较经典的机器学习模型了，它在语言识别，自然语言处理，模式识别等领域得到广泛的应用。当然，随着目前深度学习的崛起，尤其是RNN，LSTM等神经网络序列模型的火热，HMM的地位有所下降。

机器学习加深了“知识”和“理解”之间的鸿沟

demi 在 周一, 05/06/2019 - 17:28 提交

机器学习和互联网意味着海量数据和复杂的联系，同时也意味着人类无法理解的运行过程——人工智能的“黑箱”是近期学界热议的一个话题，当我们无法理解算法和它生产出的内容，它会怎样改变人类的思想和整个世界的运行？与此同时，完全无法理解这些数据意味着什么的人工智能，真的是在分析世界吗？

一文介绍机器学习中基本的数学符号

demi 在 周日, 05/05/2019 - 14:16 提交

本文介绍了机器学习中的基本数学符号。具体来说有算数符号，包括各种乘法、指数、平方根以及对数；数列和集合符号，包括索引、累加以及集合关系。此外，本文还给出了 5 个当你在理解数学符号遇到困难时可以应急的小技巧。

Bagging与随机森林算法原理小结

demi 在 周一, 04/29/2019 - 09:27 提交

在集成学习原理小结中，我们讲到了集成学习有两个流派，一个是boosting派系，它的特点是各个弱学习器之间有依赖关系。另一种是bagging流派，它的特点是各个弱学习器之间没有依赖关系，可以并行拟合。本文就对集成学习中Bagging与随机森林算法做一个总结。

特征工程之特征预处理

demi 在 周四, 04/25/2019 - 09:21 提交

本文我们来讨论特征预处理的相关问题。主要包括特征的归一化和标准化，异常特征样本清洗与样本数据不平衡问题的处理。由于标准化和归一化这两个词经常混用，所以本文不再区别标准化和归一化，而通过具体的标准化和归一化方法来区别具体的预处理操作。