在2015年3月21日的北京SparkMeetup第六次活动上，尹绪森就如何使用PredictionIO打造一个定制化推荐引擎进行了详细引见，白刚则分享了新浪在大规模多标签分类上的探索。
在2015年3月21日的北京SparkMeetup第六次活动上，一场基于Spark的机器学习专题分享由微软JulienPierre、新浪网白刚与Intel研究院尹绪森联手打造。
JulienPierre首先进行了开场发言，并为大家分享Spark在ASG团队的应用情况。
通过Julien了解到，其团队主要工作集中在SparkSQL和MLlib两个组件，基于Spark做一些交互式分析，其中包括：将Spark与现有的查询
在2015年3月21日的北京SparkMeetup第六次活动上，一场基于Spark的机器学习专题分享由微软JulienPierre、新浪网白刚与Intel研究院尹绪森联手打造。
JulienPierre首先进行了开场发言，并为大家分享Spark在ASG团队的应用情况。
通过Julien了解到，其团队主要工作集中在SparkSQL和MLlib两个组件，基于Spark做一些交互式分析，其中包括：将Spark与现有的查询
2016/7/5 6:31:43
658KB
1
这个是我认为最好的机器学习的入门材料了，我还把书里面每个仿真都跑了，因为在git上下载的程序有些问题。
我都改好了。
我都改好了。
2020/3/18 12:26:39
27.28MB
1
举个例子,当年没有数据库的时候,人们编程来操作文件系统,这相当于我们编写mapreduce来分析数据后来有了数据库,再没人操作文件系统了(除非有其它需求),而是直接使用sql和一些语言(php,java,python)来操作数据.这就相当于hive+python了hive+python能处理大多的需求,除非你的数据是非结构化数据,此时你就回到了远古时代不得不写mapreduce了.而为什么不使用hive+java,hive+c,hive+...因为:python真是太好用了,脚本语言,无需编译,有强大的机器学习库,适合科学计算(这就是数据分析啊!!)hive与python的分工:使用hives
2020/5/1 9:05:10
1011KB
1
本书适合有志于从事数据挖掘的初学者，需求的朋友可看看第一部分数据挖掘与机器学习数学基础3第一章机器学习的统计基础3第二章探索性数据分析（EDA）.11第二部分机器学习概述14第三章机器学习概述14第三部分监督学习---分类与回归16第四章KNN（k最邻近分类算法）16第五章决策树19第六章朴素贝叶斯分类29第七章Logistic回归.32第八章SVM支持向量机42第九章集成学习(EsembleLearning)43第十一章模型评估46第四部分非监督学习---聚类与关联分析50第十二章Kmeans聚类分析.50第十三章关联分析Apriori.52第十四章数据预处理之数据降维54第五部分Python数据预处理.57第十五章Python数据分析基础.57第十六章Python进行数据清洗.77第六部分数据结构与算法82第七部分SQL知识.86第八部分数据挖掘案例分析87案例一AJourneythroughTitanic597c770e.87案例二Analysisforairplane-crashes-since-190894案例三贷款预测问题98案例四KNN算法实现葡萄酒价格模型预测及交叉验证107
2015/1/23 5:02:50
4.4MB
1
这本书是谱方法的经典之作，Springer出版社出版。
谱方法是机器学习中重要的一种方法，利用特征值特征向量，奇异值分解等方法。
本书讲述的是其应用，算法和分析。
道客巴巴上下载需要16，另一个书籍下载网上需要50，csdn上有另一个人传输的这本书只要136页，而本书应该是486页，这是全文版本。
数学书籍决定你未来能走多远。
谱方法是机器学习中重要的一种方法，利用特征值特征向量，奇异值分解等方法。
本书讲述的是其应用，算法和分析。
道客巴巴上下载需要16，另一个书籍下载网上需要50，csdn上有另一个人传输的这本书只要136页，而本书应该是486页，这是全文版本。
数学书籍决定你未来能走多远。
2020/8/10 23:03:26
3.94MB
1
图像分类，顾名思义，是一个输入图像，输出对该图像内容分类的描述的问题。
它是计算机视觉的核心，实际应用广泛。
图像分类的传统方法是特征描述及检测，这类传统方法可能对于一些简单的图像分类是无效的，但由于实际情况非常复杂，传统的分类方法不堪重负。
现在，我们不再试图用代码来描述每一个图像类别，决定转而使用机器学习的方法处理图像分类问题。
目前，许多研究者使用CNN等深度学习模型进行图像分类;另外，经典的KNN和SVM算法也取得不错的结果。
然而，我们似乎无法断言，哪种方法对于图像分来问题效果最佳。
本项目中，我们做了一些有意思的事情：将业内普遍用于图像分类的CNN和迁移学习算法与KNN，SVM，BP神经网络进
它是计算机视觉的核心，实际应用广泛。
图像分类的传统方法是特征描述及检测，这类传统方法可能对于一些简单的图像分类是无效的，但由于实际情况非常复杂，传统的分类方法不堪重负。
现在，我们不再试图用代码来描述每一个图像类别，决定转而使用机器学习的方法处理图像分类问题。
目前，许多研究者使用CNN等深度学习模型进行图像分类;另外，经典的KNN和SVM算法也取得不错的结果。
然而，我们似乎无法断言，哪种方法对于图像分来问题效果最佳。
本项目中，我们做了一些有意思的事情：将业内普遍用于图像分类的CNN和迁移学习算法与KNN，SVM，BP神经网络进
2018/5/23 7:43:50
529KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB