机器学习
-
- 机器学习面试之生成模型VS判别模型
-
- 神经网络裁剪技术 ------ 显著性（Distinctiven
-
- 算法工程师究竟需要哪些工程能力
-
- 那些年让你迷惑的阻塞、非阻塞、异步、同步
-
- 机器学习面试之Attention
-
- 机器学习面试之LSTM
-
- 机器学习面试之最大熵模型
-
- 机器学习当道，还在使用基于词典的文本挖掘方法么，过时啦！
-
- 机器学习从业人员到底做什么？
-
- 机器学习面试之归一化与标准化
-
- pandas dataFrame使用积累
-
- 知道这些用于数据科学和机器学习的GitHub存储库和Reddit
-
- kNN算法
-
- 机器学习面试之逻辑回归输出的值是真实的概率吗？
-
- 机器学习面试之各种优化器的比较
-
- 机器学习面试之MSE与CE的区别？
-
- K最近邻(k-Nearest Neighbor) 浅析
-
- 机器学习面试之LR和SVM哪个更能对付异常点out lier？
-
- 机器学习必须熟悉的算法之word2vector（一）
-
- 机器学习-13：MachineLN之kNN
-
- 机器学习-12：MachineLN之优化算法
-
- 机器学习-11：MachineLN之过拟合
-
- 机器学习-10：MachineLN之样本不均衡
-
- 机器学习-9：MachineLN之数据归一化
-
- 机器学习面试之有必要手推SVM吗(2)?
-
- 朴素贝叶斯分类算法实践
-
- 机器学习面试之有必要手推SVM吗？
-
- 机器学习面试之偏差方差
-
- 学懂GAN的数学原理，让它不再神秘
-
- python中的时间处理大总结
-
- xgboost的原理没你想像的那么难
-
- 手把手教你在远程RedHat服务器上安装GPU版的tensorf
-
- 如何感性地理解EM算法？
-
- 用讲故事的办法帮你理解SMO算法
-
- 数据挖掘面试题之SVM和LR的不同
-
- 数据挖掘面试题之决策树必知必会
-
- 数据挖掘面试题之梯度提升树
-
- 《机器学习基石》课程学习总结（三）
-
- 如何轻松愉快地理解条件随机场（CRF）？
-
- 《机器学习实战》第五章梯度上升算法的直观理解
-
- 从机器人大国走向强国 我国工业机器人模式要如何转变？
-
- 《机器学习基石》课程学习总结（二）
-
- 《机器学习基石》课程学习总结（一）
如果你正在从事机器学习或者准备从事机器学习的工作，深信数据之中隐藏着迷人智慧，乐于分享探索机器学习时的所学所思所悟，欢迎踊跃投稿！
