作者|LAKSHAY ARORA
编译|VK
来源|Analytics Vidhya
概述
流数据是机器学习领域的一个新兴概念
学习如何使用机器学习模型（如logistic回归）使用PySpark对流数据进行预测
我们将介绍流数据和Spark流的基础知识，然后深入到实现部分
介
标签：AI
作者|Conor O'Sullivan
编译|VK
来源|Towards Data Science
主成分分析（PCA）是一个很好的工具，可以用来降低特征空间的维数。PCA的显著优点是它能产生不相关的特征，并能提高模型的性能。
它可以帮助你深入了解数据的分类能力。在本文中，我将带你了解如何
作者|Félix Revert
编译|VK
来源|Towards Data Science
介绍
我翻阅了CatBoost的文档之后，我被这个强大的框架震惊了。CatBoost不仅在你提供给它的任何数据集上构建了一个最精确的模型，其中只需要最少的数据准备。它还提供了迄今为止最好的开源解释工
作者|OngKoonHan
编译|Flin
来源|towardsdatascience
在我大学的Android开发课程的组项目部分中，我们的团队构建并部署了一个认证系统，通过说话人的语音配置文件进行认证。
在我上一篇文章（请参阅下一部分）描述了语音认证系统的高级体系结构之后，本文将深入
spaCy教程学习
作者|PRATEEK JOSHI
编译|VK
来源|Analytics Vidhya
介绍
spaCy是我的自然语言处理（NLP）任务的必备库。我冒昧地说，大多数专家都是这样！
如今，在众多的NLP库中，spaCy确实独树一帜。如果你在NLP上用过spaCy，你就会知道
作者|Robin White
编译|Flin
来源|towardsdatascience
我最喜欢的YouTuber之一，CodeBullet，曾经尝试创建一个乒乓球 AI来统治所有人。可悲的是，他遇到了麻烦，不是因为他没有能力，而是我认为他当时的经验对计算机视觉没有太大影响。他绝对是个
在Jupyter notebook中为图像添加标签，预测新图像并可视化神经网络（并使用Docker Hub共享它们！）
作者|Jenny Huang
编译|Flin
来源|towardsdatascience
作者：Jenny Huang, Ian Hunt-Isaak, William
作者|GUEST BLOG
编译|Flin
来源|analyticsvidhya
总览
熟悉类失衡
了解处理不平衡类的各种技术，例如-
随机欠采样
随机过采样
NearMiss
你可以检查代码的执行在我的GitHub库在这里
介绍
当一个类的观察值高于其他类的观察值时，则存在类
作者|Nidhi punj
编译|Flin
来源|medium
第1步：获取大量汽车图片
第2步：把它们都变成黑白图片
灰度图像使算法更快。颜色增加了模型的复杂性，或者我们可以说灰色图像是用来简化数学的。例如，我们可以谈论亮度、对比度、边缘、形状、轮廓、纹理、透视、阴影等，而不必讨论颜
作者|SAURABH JAJU
编译|Flin
来源|analyticsvidhya
介绍
时间序列预测与建模在数据分析中起着重要的作用。时间序列分析是统计学的一个分支，广泛应用于计量经济学和运筹学等领域。这篇技能测试文章是为了测试你对时间序列概念的了解程度。
共有1094人报名参加了这次
作者|Towards AI Team
编译|Flin
来源|medium
此资源不断更新。如果你知道任何其他合适且开放的数据集，请通过电子邮件通知我们：pub@towardsai.net 或者在下面发表评论。
数据集查找器
Google Dataset Search：与Google Sch
作者|Jacob Solawetz, Joseph Nelson
编译|Flin
来源|blog
YOLO系列的目标检测模型随着YOLOv5的引入变得越来越强大。在这篇文章中，我们将介绍如何训练YOLOv5为你的定制用例识别定制对象。
非常感谢Ultralytics将此存储库组合在一起
最近发布了一系列台湾大学资讯工程系林軒田（Hsuan-Tien Lin）教授开设的《机器学习基石》的课程总结，分为4个部分，点击标题可查看：
机器什么时候能够学习？（When Can Machines Learn？）
机器为什么能够学习？（Why Can Machines Learn？）
1、 前言
前几个月，看到园子里面一篇介绍逻辑编程语言的文章《逻辑式编程语言极简实现（使用C#）》，觉得作者写得很有趣，用讲故事的方式来讲述了一个极简逻辑编程语言的设计，于是我也萌生了写一篇有关逻辑编程语言的文章。说实话，我很早就接触了逻辑编程的概念，最开始学编程的时候就想着有朝
张量的概念
TensorFlow中的Tensor就是张量，张量是数学对象，是对标量、向量、矩阵的泛化。我们可以直接理解成张量就是列表，就是多维数组。
张量的维数用阶来表示：
0阶张量 标量 单个值 例：a = 11阶张量 向量 1维数组 例：a = [1,2,3]2阶张量 矩阵
本系列是台湾大学资讯工程系林軒田（Hsuan-Tien Lin）教授开设的《机器学习基石》课程的梳理。重在梳理，而非详细的笔记，因此可能会略去一些细节。
该课程共16讲，分为4个部分：
机器什么时候能够学习？（When Can Machines Learn？）
机器为什么能够学习？（Why
本系列是台湾大学资讯工程系林軒田（Hsuan-Tien Lin）教授开设的《机器学习基石》课程的梳理。重在梳理，而非详细的笔记，因此可能会略去一些细节。
该课程共16讲，分为4个部分：
机器什么时候能够学习？（When Can Machines Learn？）
机器为什么能够学习？（Why
本系列是台湾大学资讯工程系林軒田（Hsuan-Tien Lin）教授开设的《机器学习基石》课程的梳理。重在梳理，而非详细的笔记，因此可能会略去一些细节。
该课程共16讲，分为4个部分：
机器什么时候能够学习？（When Can Machines Learn？）
机器为什么能够学习？（Why
今天，仔细阅读了园子里面的一个朋友写的《一缕阳光：DDD（领域驱动设计）应对具体业务场景，如何聚焦 Domain Model（领域模型）？》(http://www.cnblogs.com/xishuai/p/3800656.html)这篇博客，觉得这是一篇对DDD的分析总结性质的
主要的编程范式有三种：命令式编程，声明式编程和函数式编程。
命令式编程：
命令式编程的主要思想是关注计算机执行的步骤，即一步一步告诉计算机先做什么再做什么。
比如：如果你想在一个数字集合 collection(变量名) 中筛选大于 5 的数字，你需要这样告诉计算机：
第一步
客服
