<mark id="oztn4"></mark>
0
強化學習全解
強化學習（Re-inforcement Learning） 是一種基于與環境互動的目標導向的學習。強化學習被認為是真正的人工智能的希望。作者認為這是正確的說法，因為強化學習擁有巨大的潛力。
據雷鋒網了解，很多人說，強化學習被認為是真正的人工智能的希望。本文從 7 個方面帶你入門強化學習，讀完本文，希望你對強化學習及實戰中實現算法有著更透徹的了解。
詳情：http://dataunion.org/27366.html
Facebook 機器學習@Scale 2017 資料匯總
據雷鋒網了解，上周 Facebook 了舉辦了機器學習 @Scale 大會，大會匯集了眾多數據科學家、工程師和研究人員，他們討論大規模應用機器學習解決方案中的技術挑戰范圍。
300 多名與會者聚集在曼哈頓大都市西部，聽取來自 Bloomberg，Clarifai，Facebook，Google，Instagram，LinkedIn 和 ZocDoc 的工程領導人的講話，他們分享了各種不同的方法來構建數百萬甚至數十億人使用的機器學習系統。
現將演講視頻整合于一個頁面中，方便來到雷鋒網的大家聆聽、學習、查閱。
科學數據云
Stefan 在視頻中探討了他在 StitchFix 是如何利用云來使 80 個數據科學家一起工作的。
他也談及了對原型的想法、算法和分析，以及他們是如何在 Hive，Presto，Redshift 和 Spark 之間建立以及保持模式的同步。
對于眾多數據科學家共同工作，究竟如何使數據訪問更加簡潔方便，Stefan 也進行了相應的分享。
大數據的稀疏網絡：利用大規模學習的簡約性
高維數據分析科學和工業變得無處不在。
數據分析的一個重要工具是非參數模型的監督學習，這種方法在沒有明確的數據假設的情況下估計了目標和輸入變量之間的依賴關系。然而，這種普遍性是要付出計算成本與輸入維數的成倍增長作為代價。一般來說，非參數模型不能逃避維度增長的問題，除非這個問題具有確定的一些屬性。因此，為了促進大規模監督學習的發展，本文主要關注兩個屬性：數據低維流形的存在和高階輸入變量之間的相互作用的重要性打折。一個問題常常在一定程度上表現出這兩種屬性。為了識別和利用這些屬性，這工作擴展了對于分層稀疏網絡模型的簡約性的概念。在發展學習算法的同時，也優化了模型參數和模型結構以適應手頭的問題。
論文下載地址：https://pan.baidu.com/s/1o8oDuTO
深度學習是如何改變數據科學規范的？
深度學習正在改變一切，它正變得無處不在。
就像電子和電腦改變了所有經濟活動一樣，人工智能將重塑零售、運輸、制造、醫藥、電信、重工業……甚至數據科學本身。這個應用領域的列表還在持續增長，而這個列表正是展示出了在哪些領域中 AI 可以比人類做得更好。
我們在 Schibsted 看到了深度學習所提供的機會，對于能夠在其中做出一份貢獻，我們也很興奮。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
