📅  最后修改于: 2022-05-13 01:58:08.097000        🧑  作者: Mango

使用 Hadoop 的数据数据的基本问题尽管多年来硬盘驱动器的容量限制已经大幅扩展，但速度——从驱动器中读取信息的速度——并没有跟上。一个 1990 年的普通驱动器可以存储 1, 370 MB 的信息，移动速度为 4.4 MB/s，因此人们可以在大约五分钟内阅读完整驱动器中的每一项信息。 20多年过去了，1TB的硬盘是标配，但是交换速度在100MB/s左右，所以每一个盘下的信息都需要两个多小时。在...

📅  最后修改于: 2022-05-13 01:58:08.104000        🧑  作者: Mango

AHA：人工海马算法大多数 ML 研究涉及对来自大型标记数据集的样本进行缓慢的统计学习。人类和动物不会以这种方式学习。动物学习的一个重要特征是情景学习，即快速记忆特定经验作为现有概念的组合的能力，无需提供标签。以下是生物学习的品质：能够学习和推理特定实例，即使它们非常相似。概括其他经验。从部分线索中识别实体具有特别的鲁棒性。学习无标签在样本方面有效率（一次性学习）。不断学习新知识。ML 社区越来越...

📅  最后修改于: 2022-05-13 01:58:08.112000        🧑  作者: Mango

Dex 均值图Dex 均值图用于分析来自包含两个或两个以上水平的相应因素集的数据。该图表示每个因子绘制的两个或多个因子水平的平均值。这意味着因子的值由直线连接。 Dex 均值图是对传统设计实验方差分析 (ANOVA) 的补充。Dex 均值图可用于回答以下问题：哪些因素对响应变量最重要？：dex 表示图没有提供问题的明确答案，但它确实有助于根据因素的重要性对因素进行分类，例如“明显重要”、“不重要”...

📅  最后修改于: 2022-05-13 01:58:08.118000        🧑  作者: Mango

情景记忆和深度 Q 网络情景记忆：情景记忆是一类长期记忆，涉及最近对特定事件、情况和经历的回忆。例如你在大学的第一天。情景记忆的两个重要方面是模式分离和模式完成。语义记忆在机器学习中以多种方式使用，例如迁移学习、LSTM 等序列、灾难性遗忘等。但是如果您设计智能代理，我们可以将情景记忆的各个方面用于我们的目的。机器学习中的情景记忆：情景记忆在深度强化学习中的价值正在增加，因为许多新的强化学习论文在...

📅  最后修改于: 2022-05-13 01:58:08.126000        🧑  作者: Mango

Wilcoxon 符号秩检验先决条件：参数和非参数方法假设检验Wilcoxon 符号秩检验，也称为 Wilcoxon 配对检验，是一种非参数假设检验，它比较两个配对组的中位数并判断它们是否相同分布。我们可以在以下情况下使用它：数据对之间的差异是非正态分布的。独立的数据对是相同的。 （或匹配）例如。 （数学、英语：两个科目）； （六月，七月：两个月）涉及的步骤：分配等级：如果任意两个或多个 Abs-...

📅  最后修改于: 2022-05-13 01:58:08.132000        🧑  作者: Mango

描述性和预测性数据挖掘之间的区别描述性挖掘：该术语主要用于产生相关性、交叉表、频率等。这些技术用于确定数据中的相似性并找到现有模式。描述性分析的另一种应用是在可用数据的主要部分中开发引人入胜的亚组。这种分析强调将数据汇总和转换为用于报告和监控的有意义的信息。预测数据挖掘：这种挖掘的主要目标是谈论未来的结果，而不是当前的行为。它使用监督学习函数来预测目标值。属于此类挖掘类别的方法称为分类、时间序列分...

📅  最后修改于: 2022-05-13 01:58:08.138000        🧑  作者: Mango

Interlingua方法和转移方法之间的区别Interlingua 方法：它是自然语言处理中的系统使用的一种机器翻译方法，用于将一种语言翻译成另一种语言，反之亦然。这种方法也可用于将一种语言翻译成多种语言。这种方法的功劳归功于笛卡尔和莱布尼茨，他们是 17 世纪左右最早提出国际语方法想法的人之一。转移方法：它也是一种机器翻译方法，用于将语言从一种形式翻译成另一种形式。它是自然语言处理领域最常用的...

📅  最后修改于: 2022-05-13 01:58:08.144000        🧑  作者: Mango

Power BI – 地图、散点图和交互式 BI 报告先决条件：Power BI – 时间序列、聚合和过滤器本文讨论了一些用于创建交互式仪表板以便做出大型商业智能决策的重要概念。我们将讨论以下主题：地图散点图交互式 BI 报告使用的数据集：Excel 文件“AmazingMartGeo”包含 2 个数据集-订单列表订单明细。在 Power BI 中上传数据集时，它会自动加入。 （您可以阅读不同类型...

📅  最后修改于: 2022-05-13 01:58:08.151000        🧑  作者: Mango

毫升 |初始网络V1Inception net 在 CNN 分类器中取得了一个里程碑，当时之前的模型只是为了提高性能和准确性而更深入，但要牺牲计算成本。另一方面，Inception 网络经过精心设计。它使用了很多技巧来提高性能，无论是速度还是准确性。它是 2014 年 ImageNet 大规模视觉识别竞赛图像分类竞赛的获胜者，与 ZFNet（2013 年的获胜者）、AlexNet（2012 年的获...

📅  最后修改于: 2022-05-13 01:58:08.158000        🧑  作者: Mango

ACUMOS：人工智能创新之路自过去几年以来，人工智能已经从科幻小说的梦想变成了我们日常生活的重要组成部分。我们使用人工智能系统通过 Siri 和 Alexa 等物联网设备与我们的手机进行交互。特斯拉等汽车与人工智能集成，以寻找周围环境并实现驾驶自动化，同样，许多技术领域将产生影响未来的子孙们。“Global annual spending on AI by retailers is estima...

📅  最后修改于: 2022-05-13 01:58:08.165000        🧑  作者: Mango

分解密集合成器Transformer 模型在各种不同的 NLP 任务中取得了巨大的成功。这导致变压器在很大程度上取代了许多最先进架构中以前的自回归循环神经网络架构。在这个转换器的核心，该架构使用了一种称为 Query-Key 点积注意力的方法。这种transformer架构的成功主要归功于self-attention机制。分解随机密集合成器是一种注意力模型，它在 Google Research 的...

📅  最后修改于: 2022-05-13 01:58:08.172000        🧑  作者: Mango

在 SVM 中分离超平面支持向量机是有监督的机器学习算法，用于模型的分类和回归。其背后的想法很简单，只需找到一个平面或边界来分隔两个类之间的数据。支持向量：支持向量是靠近决策边界的数据点，它们是最难分类的数据点，它们是SVM成为最优决策面的关键。最佳超平面来自容量最低的函数类，即独立特征/参数的最少数量。分离超平面：下面是散点图的示例：在上面的散点图中，我们能否找到一条可以将两个类别分开的线。这样...

📅  最后修改于: 2022-05-13 01:58:08.180000        🧑  作者: Mango

自然语言处理：超越零和一机器学习是现代技术的奇迹之一！智能机器人、智能汽车等都是ML的应用。而能让机器人说话的技术叫做自然语言处理！！！本文重点介绍自然语言处理的应用，并强调该领域的广阔范围。要从技术角度了解 NLP 的基础知识，请单击此处。否则，让我们继续学习自然语言处理及其各种应用的基础知识。虽然自然语言处理是一个非常有趣的领域，具有无限的潜力和众多的应用，但它是一个相对未开发的领域（与图像处...

📅  最后修改于: 2022-05-13 01:58:08.187000        🧑  作者: Mango

毫升 | Seaborn 中的矩阵图Seaborn 是Python提供的一个很棒的可视化库。它有几种绘图，通过这些绘图提供了惊人的可视化功能。其中一些包括计数图、散点图、配对图、回归图、矩阵图等等。本文涉及 seaborn 中的矩阵图。示例 1：热图热图是一种显示某种矩阵图的方法。要使用热图，数据应采用矩阵形式。通过矩阵，我们的意思是索引名称和列名称必须以某种方式匹配，以便我们在单元格中填充的数据...

📅  最后修改于: 2022-05-13 01:58:08.193000        🧑  作者: Mango

协同过滤——机器学习在协同过滤中，我们倾向于寻找相似的用户并推荐相似的用户喜欢的东西。在这种类型的推荐系统中，我们不使用物品的特征来推荐它，而是将用户分类到相似类型的集群中，并根据每个用户对集群的偏好进行推荐。测量相似度：电影推荐系统的一个简单示例将帮助我们解释：在这种类型的场景中，我们可以看到用户 1 和用户 2 对电影给出了几乎相似的评分，因此我们可以得出结论，用户 1 也将平均喜欢电影 3，...