算法

本资源整理了人工智能领域进阶算法、知识点线路图。包含基础知识点-> 数学基础知识 -> 机器学习常见模型迭代路径 -> 深度学习常见模型迭代路径 -> 数据工程师，大数据工程师迭代路径，完整过程。

随着摩尔定律走向终结，靠提升计算机硬件性能可能越发难以满足海量计算的需要，未来的解决之道在于提升算法的效率。MIT的这篇新论文总结了过去80年来，算法效率的提升究竟有多快。

计图 (Jittor) 是清华大学自主研发，于2020年3月开源的深度学习框架。Jittor框架因其底层使用了元算子和统一计算图，从而大大提升了深度学习框架的性能和灵活性。最近Jittor医学图像智能分割模型库 JMedSeg的发布，直接为智慧医疗相关领域赋能，促进了研究人员对于算法模型的开发与部署。

作者July总结了一篇关于计算方法的文章《 细数二十世纪最伟大的10大算法 》

什么是算法？简而言之，任何定义明确的计算步骤都可称为算法，接受一个或一组值为输入，输出一个或一组值。

一篇有趣的文章《统治世界的十大算法》中，作者George Dvorsky试图解释算法之于当今世界的重要性，以及哪些算法对人类文明最为重要。

在 XGBoost算法原理小结 中，我们讨论了XGBoost的算法原理，这一片我们讨论如何使用XGBoost的Python类库，以及一些重要参数的意义和调参思路。

本文主要参考了XGBoost的Python文档 和XGBoost的参数文档 。

1. XGBoost类库概述

本次所讲的内容为Batch Normalization，简称BN，来源于《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》，是一篇很好的paper。

人工智能的发展已经初步成熟，如今被广泛地应用于文明社会的各个方面，它影响着我们的决策、情感和行为。问题是，人工智能不止是潜移默化地影响着我们对事物的看法，也带来了它有害的一面：不公平和不平等。

KNN算法，即K近邻算法是一种监督学习算法，本质上是要在给定的训练样本中找到与某一个测试样本A最近的K个实例，然后统计k个实例中所属类别计数最多的那个类，就是A的类别。 从上面一句话中可以看出，KNN的原理非常简单粗暴，而且是一种“在线”的学习方式，即每一次分类都需要遍历所有的训练样本，此外KNN算法还有几个要素：K，距离，分类决策规则。