《学习路径》专题

假设你去随机问很多人一个很复杂的问题，然后把它们的答案合并起来。通常情况下你会发现这个合并的答案比一个专家的答案要好。这就叫做群体智慧。同样的，如果你合并了一组分类器的预测（像分类或者回归），你也会得到一个比单一分类器更好的预测结果。这一组分类器就叫做集成；因此，这个技术就叫做集成学习，一个集成学习算法就叫做集成方法。 例如，你可以训练一组决策树分类器，每一个都在一个随机的训练集上。为了去做预测，

假设你去随机问很多人一个很复杂的问题，然后把它们的答案合并起来。通常情况下你会发现这个合并的答案比一个专家的答案要好。这就叫做群体智慧。同样的，如果你合并了一组分类器的预测（像分类或者回归），你也会得到一个比单一分类器更好的预测结果。这一组分类器就叫做集成；因此，这个技术就叫做集成学习，一个集成学习算法就叫做集成方法。 例如，你可以训练一组决策树分类器，每一个都在一个随机的训练集上。为了去做预测，

torch是什么 torch就是诸多深度学习框架中的一种 业界有几大深度学习框架：1）tensorflow，谷歌主推，时下最火，小型试验和大型计算都可以，基于python，缺点是上手相对较难，速度一般；2）torch，facebook主推，用于小型试验，开源应用较多，基于lua，上手较快，网上文档较全，缺点是lua语言相对冷门；3）mxnet，大公司主推，主要用于大型计算，基于python和R，缺

Keras 是一个高层神经网络 API，Keras 由纯 Python 编写而成并基 Tensorflow、Theano 以及 CNTK 后端。Keras 为支持快速实验而生，能够把你的idea迅速转换为结果，如果你有如下需求，请选择 Keras： 简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性） 支持 CNN 和 RNN，或二者的结合 无缝 CPU 和 GPU 切换 Kera

停止更新通知 Hi all，十分感谢大家对keras-cn的支持，本文档从我读书的时候开始维护，到现在已经快两年了。这个过程中我通过翻译文档，为同学们debug和答疑学到了很多东西，也很开心能帮到一些同学。 从2017年我工作以后，由于工作比较繁忙，更新频率有所下降。到今年早期的时候这种情况更加严重，加之我了解到，keras官方已经出了中文文档，更觉本份文档似乎应该已经基本完成了其历史使命，该到了

Keras 是一个用 Python 编写的高级神经网络 API，它能够以 TensorFlow, CNTK 或者 Theano 作为后端运行。Keras 的开发重点是支持快速的实验。能够以最小的时延把你的想法转换为实验结果，是做好研究的关键。

PHP 是一种服务器端的脚本语言，类似 ASP，PHP 脚本在服务器上执行，PHP 支持很多数据库（MySQL、Informix、Oracle、Sybase、Solid、PostgreSQL、Generic ODBC 等等）。

第二部分: 学习 第二部分为成为一个前端开发者提供自主学习和指导学习的资源. 注意, 仅需要学习被列举出的资源, 或者一个类别的学习记录, 因为我不建议一个前端开发人员学习所有东西, 这是非常荒谬的. 选择自己行业内的专业知识, 我会尽可能让你掌握它. 译者补充: 前端开发笔记本 前端开发规范 适用于小团队的前端规范 无线 Web 开发浅谈 如何跟上前端开发的最新前沿 Engineering Bl

校验者: @小瑶 翻译者: @李昊伟 校验者: @hlxstc @BWM-蜜蜂 @小瑶 翻译者: @... 内容提要 在本节中，我们介绍一些在使用 scikit-learn 过程中用到的 机器学习 词汇，并且给出一些例子阐释它们。 机器学习：问题设置 一般来说，一个学习问题通常会考虑一系列 n 个 样本 数据，然后尝试预测未知数据的属性。 如果每个样本是 多个属性的数据 （比如说是一个多维记录），

用于制定人工智能、机器学习和深度学习课程表的资源概览。 制定课程表的一般建议 上学获得一个正式学位并不总是可行或者令人满意的。对于那些考虑自学来代替的人，这就是写给你们的。 1. 构建基础，之后专攻兴趣领域 你不能深入每个机器学习话题。有太多药学的东西，并且领域的进展较快。掌握基础概念，之后专注特定兴趣领域的项目 -- 无论是自然语言理解，计算机视觉，深度强化学习，机器人，还是任何其它东西。 2.

深度神经网络的工作地点、原因和方式。从大脑中获取灵感。卷积神经网络（CNN）和循环神经网络（RNN）。真实世界中的应用。 使用深度学习，我们仍然是习得一个函数f，将输入X映射为输出Y，并使测试数据上的损失最小，就像我们之前那样。回忆一下，在 2.1 节监督学习中，我们的初始“问题陈述”： Y = f(X) + ϵ 训练：机器从带标签的训练数据习得f 测试：机器从不带标签的测试数据预测Y 真实世界很

简单、纯中文的解释，辅以数学、代码和真实世界的示例 谁应该阅读它 想尽快赶上机器学习潮流的技术人员 想要入门机器学习，并愿意了解技术概念的非技术人员 好奇机器如何思考的任何人 本指南旨在让任何人访问。将讨论概率，统计学，程序设计，线性代数和微积分的基本概念，但从本系列中学到东西，不需要事先了解它们。 为什么机器学习重要 人工智能将比本世纪的任何其他创新，更有力地塑造我们的未来。 任何一个不了解它的

全程拷打项目（因为项目是和tf与机器学习相关的） 手写conv2D的计算函数（因为项目里有个conv3D相关的tf算子，但是没有写出来） 手写nms算法（写得很慢，之前又因为也是做项目，没有仔细研究源码） 之前使用opencl比较多，cuda使用得比较少，而且机器学习相关的算法也不是很精通，第二天就挂了

1. 项目相关 数据集来源 怎么标注 标注的坐标是什么 2. yolo从1开始介绍 3. 了解降维算法吗 pca介绍 4. 了解聚类算法吗 kmeans 密度聚类 5. 说一下knn和随机森林 6. 混淆矩阵 7. 激活函数 说几个 8. 手撕knn 9. 为什么选择llama2而不是其他的 怎么对比的 10. llama2遇到了什么问题 怎么解决 11. llama2有哪些参数 输入长度怎么设置

15Min速战速决，好像是海面 1.自我介绍 2.问了一个项目:介绍，为什么要这样做。为什么用Resnet18，了解其他图像分类模型吗？ 3.问了研究课题和论文 4.问了实习经历 无手撕