按产品、主题或内容类型过滤

(152 产品)

(512 主题)

(0 行业)

(2 类别)

第 1 - 83 条,共 83 条
显示内容简介 | 隐藏内容简介
查看结果
题目 none 类别 none 日期 none
机器学习之手把手实现,第 7 部分: 手把手教你实现一个高斯混合模型
本文将介绍高斯混合模型,主要被用来聚类,它和 K -means 一 样都用到了E M(即期望最大)的思想。由于其理论上可以逼近任意的概率分布,高斯混合被广泛使用。本文您将看到高斯混合的概念,高斯混合的推导过程以及如何利用 EM 算法求解高斯混合的参数。通过阅读本文,您会对高斯混合的原理了如指掌,并可以自己开发出高斯混合的实现代码。
技术文章 2018年 06月 28日
机器学习之手把手实现,第 1 部分: 支持向量机的原理和实现
本文将介绍机器学习领域经典的支持向量机 SVM 模型,它利用了软间隔最大化、拉格朗日对偶、凸优化、核函数、序列最小优化等方法。支持向量机既可以解决线性可分的分类问题,也可完美解决线性不可分问题。您将看到 SVM 的原理介绍、SVM 实现步骤和详解、SVM 实现代码以及用 SVM 解决实际的分类问题。通过阅读本文,您会对 SVM 的原理了如指掌,并可以自己开发出 SVM 的实现代码。
技术文章 2017年 09月 26日
机器学习之手把手实现,第 2 部分: 频繁项集与关联规则 FP-growth 的原理和实现
本文将介绍机器学习领域经典的 FP-growth 模型,它是目前业界经典的频繁项集和关联规则挖掘的算法。相比于 Apriori 模型,FP-growth 模型只需要扫描数据库两次,极大得减少了数据读取次数并显著得提升了算法效率。您将看到 FP-growth 的原理介绍、FP-growth 实现步骤和详解、FP-growth 实现代码以及用 FP-growth 解决实际的频繁项集和关联规则挖掘问题。通过阅读本文,您会对 FP-growth 的原理了如指掌,并可以自己开发出 FP-growth 的实现代码。
技术文章 2017年 11月 21日
机器学习之手把手实现,第 3 部分: 机器学习系列之手把手教你实现一个 naiveBayes
本文将介绍机器学习领域经典的 naiveBayes 模型,即朴素贝叶斯模型,它是业界用来进行文本分类的典型算法。与决策树、SVM 模型等不同的是,朴素贝叶斯不需要针对目标变量训练出用于决断的模型,而是利用贝叶斯公式将概率值大的那个类输出为所属类别。在本文您将看到朴素贝叶斯的应用场景及优缺点、朴素贝叶斯的详细原理、用朴素贝叶斯实现文本分类的步骤、以及自己如何动手实现朴素贝叶斯。通过阅读本文,您会对朴素贝叶斯的原理和实现了如指掌,轻松实现一个朴素贝叶斯模型。
技术文章 2018年 01月 09日
机器学习之手把手实现,第 6 部分: 手把手教你实现一个 AdaBoost
本文将介绍 AdaBoost 模型,即自适应提升,它既可以用来分类也可以用来回归。由于其“三个臭皮匠顶个诸葛亮”的理念,AdaBoost 被认为是机器学习领域有力的算法之一。本文您将看到弱分类器,强分类器的概念,以及如何利用上一轮弱分类器的错误率改变样本权重,并用于新一轮弱分类器的训练中。通过阅读本文,您会对 AdaBoost 的原理了如指掌,并可以自己开发出 AdaBoost 的实现代码。
技术文章 2018年 01月 31日
机器学习之手把手实现,第 5 部分: 机器学习系列之手把手教你实现一个分类回归树
本文将介绍 CART 模型,即分类回归树,它既可以用来分类也可以用来回归。由于树形结构的易解释性和分类回归树的二分理念,CART 树被广泛使用。本文您将看到二分、基尼指数及平方误差的概念、分类回归树的算法过程以及实现细节。通过阅读本文,您会对 CART 树的原理了如指掌,并可以自己开发出 CART 树的实现代码。
技术文章 2018年 01月 22日
机器学习之手把手实现,第 4 部分: 机器学习系列之手把手教你实现一个决策树
本文将介绍机器学习领域经典的决策树模型,它利用了信息熵增益、信息增益比等方法划分数据。在数据分析领域,决策树主要用来对数据进行分类。由于其极强的可解释性,决策树被业界广泛使用。本文您将看到 ID3 和 C4.5 决策树的简介和优缺点、ID3 和 C4.5 决策树实现步骤和详解、ID3 和 C4.5 决策树实现代码以及用决策树解决实际的分类问题。通过阅读本文,您会对决策树的原理了如指掌,并可以自己开发出 ID3 和 C4.5 决策树的实现代码。
技术文章 2018年 01月 15日
探索 Python、机器学习和 NLTK 库
机器学习取决于 IT、数学和自然语言的交集,在大数据应用程序中会通常用到机器学习。本文将讨论 Python 编程语言和它的 NLTK 库,然后将它们应用于一个机器学习项目。
技术文章 2012年 12月 17日
Apache Mahout:适合所有人的可扩展机器学习框架
Apache Mahout 专家 Grant Ingersoll 引领您快速了解最新版本 Mahout 中的机器学习库,并通过示例说明如何部署和扩展 Mahout 的某些最常用的算法。
技术文章 2011年 12月 15日
聪明的数据,第 1 部分: 关注数据,以便最充分地利用人工智能、机器学习和认知计算
透彻理解数据在人工智能和认知应用程序的开发中的重要作用,以及这种重要性(尽管并不总是被明确承认)在整个 AI 历史中是如何发展变化的。了解可用数据的质量和数量如何在模式分析和训练中发挥重要作用。AI 在网络上再次兴起,但人们并没有普遍认识到良好的数据语料库是任何 AI 的生命之源。了解如何避免 AI 带来的巨大危险,如果从数据语料库引发偏见和统计倾斜问题,AI 将给我们带来危害,而不是造福我们。通过理解数据在各种 AI 技术中的作用,以及支持这些技术的数据集的特征,在开发成功的 AI 应用程序方面获得优势。
技术文章 2017年 12月 13日
将机器学习洞察应用于生产
只需简单的 6 个步骤即可将经过训练的机器学习模型和管道迁移至生产环境。
教程 2019年 04月 04日
社会力量对 NBA 所产生的影响和表现,第 1 部分: 使用数据科学和机器学习探索估值和出场率
在本教程系列中,您将学习如何使用 Python、pandas、Jupyter Notebook 和少量 R 代码分析社交媒体对 NBA 的影响。在第 1 部分中,您将学习与 NBA 球队相关的数据科学和机器学习的基础知识。
技术文章 2017年 10月 11日
在 R 中使用 MLflow 跟踪机器学习模型
了解使用 MLflow 跟踪机器学习模型和运行的几种方法。
教程 2019年 01月 14日
代码的背后,第 4 部分: 用于获取 Fantasy Football 洞察的机器学习管道
训练和评估机器学习管道这一科学流程可以做出高度准确的预测,从而帮您取得成功。
技术文章 2019年 01月 09日
机器学习代码实战:使用逻辑回归帮助诊断心脏病
逻辑回归是机器学习的最基本算法,本文向读者介绍了逻辑回归的原理和使用,以及如何通过 Java 语言编写逻辑回归的模型代码,并且以心脏病预测为例,实现了一个心脏病的预测模型。
技术文章 2018年 12月 13日
机器学习和偏差
观察机器学习模型偏差的影响,探索消除此类偏差的方法。
技术文章 2019年 10月 10日
生成机器学习模型管道,为问题选择最佳模型
了解有关 AutoAI 的更多信息,AutoAI 是一种自动执行机器学习任务的服务,例如,自动准备数据进行建模、为问题选择最佳算法以及为训练模型创建管道。
教程 2019年 09月 25日
人工智能、机器学习和认知计算入门指南
整体了解人工智能的发展史,以及最新的神经网络和深度学习方法。了解为什么尽管 AI 和机器学习的发展跌宕起伏,但是深度学习和认知计算等新方法仍大大提高了这些学科的标准。
技术文章 2017年 07月 11日
机器学习代码实战:使用线性回归检测水泥质量
线性回归是机器学习的最基本算法,本文向读者介绍了线性回归的原理和使用,以及如何通过J ava语 言编写线性回归的模型代码。并且以水泥质量预测为例构造出一个水泥质量预测模型。还通过线性回归介绍了机器学习的基本概念,如回归、最小二乘法和梯度下降等。本文可以作为机器学习甚至是深度学习的入门文章。
技术文章 2018年 10月 16日
基于 Kubernetes 的大规模机器学习系统设计方法
本文介绍大规模机器学习系统结合分布式内存数据库完成海量模型训练和使用的一种方法,这种设计模式极大的提高了模型的训练效率。本文同时也对该方法进行了实验分析,验证了所提出的架构设计的高效率。
技术文章 2019年 11月 06日
机器学习模型
深入剖析机器学习中使用的算法。了解监督学习、无监督学习和强化学习,以及实现它们的模型。
技术文章 2018年 01月 17日
创建基于安全性的机器学习前端
在本文中,您将学习如何创建一个安全前端来自动学习应用程序输入的正确格式。借助此信息,前端可以识别异常输入,然后拦截这些输入或触发警报。
技术文章 2017年 08月 02日
机器学习,深度学习 101
本文介绍了机器学习在各种分析中使用的现实意义正在日渐增加,并简要介绍深度学习。文中将介绍使用机器学习和深度学习的端到端流程,以及 IBM® Power Systems™ 的各种入门选项。
技术文章 2017年 07月 04日
基于大数据的机器学习:Apache SystemML 在 IBM BigInsights 的实践
机器学习 (Machine Learning, ML) 是计算机可以学习而不需要事先编程的能力。 由于数字数据的广泛增长和大数据的计算能力提高,机器学习的时代已经到来。 Apache SystemML 是由 IBM 开源的机器学习系统,现在是 Apache 顶级项目,它所具备的能力在机器学习领域独领风骚。 IBM BigInsights 是业界领先的 Hadoop 企业级发行版本,在 IBM BigInsights 发行版中已经包含了 Apache SystemML 用于大数据平台的机器学习。 本文阐述了 Apache SystemML 的原理和基于 IBM BigInsights 的机器学习实践。
技术文章 2017年 06月 15日
Spark 实战,第 5 部分: 使用 ML Pipeline 构建机器学习工作流
本文将通过一个分类预测的机器学习问题向读者展示如何使用 Spark 新的 ML Pipeline 库构建机器学习的工作流。通过本文的阅读,读者将会了解到 ML Pipeline 与 MLlib 相比在设计上的独到和使用上的不同之处,并且会深入理解 ML Pipeline 的基本概念和工作方式,为进一步学习和深入研究打下良好的基础。
技术文章 2015年 11月 02日
计算机视觉、TensorFlow 和 Keras,第 2 部分: 优化深度学习模型
使用一些众所周知的机器学习技术改进神经网络模型。
技术文章 2019年 03月 20日
Spark 实战,第 4 部分: 使用 Spark MLlib 做 K-means 聚类分析
MLlib 是 Spark 生态系统里用来解决大数据机器学习问题的模块。本文将以聚类分析这个典型的机器学习问题为基础,向读者介绍如何使用 MLlib 提供的 K-means 算法对数据做聚类分析,我们还将通过分析源码,进一步加深读者对 MLlib K-means 算法的实现原理和使用方法的理解。
技术文章 2015年 09月 24日
通过强化学习训练软件代理执行合理行为
了解强化学习,这是机器学习的一个子领域,您可以通过强化学习训练软件代理在环境中执行合理行为。在本文中,您将深入了解该技术,并发现可以用它解决的一些问题领域。
技术文章 2017年 12月 27日
MapReduce 编程模型在日志分析方面的应用
日志分析往往是商业智能的基础,而日益增长的日志信息条目使得大规模数据处理平台的出现成为必然。MapReduce 处理数据的有效性为日志分析提供了可靠的后盾。本文将以对访问网页用户的日志进行分析,进而挖掘出用户兴趣点这一完整流程为例,详尽解释 MapReduce 模型的对应实现,涵盖 MapReduce 编程中对于特殊问题的处理技巧,比如机器学习算法、排序算法、索引机制、连接机制等。
技术文章 2011年 05月 05日
探索推荐引擎内部的秘密,第 3 部分: 深入推荐引擎相关算法 - 聚类
智能推荐大都基于海量数据的计算和处理,然而我们发现在海量数据上高效的运行协同过滤算法以及其他推荐策略这样高复杂的算法是有很大的挑战的,在面对解决这个问题的过程中,大家提出了很多减少计算量的方法,而聚类无疑是其中最优的选择之一。 聚类 (Clustering) 是一个数据挖掘的经典问题,它的目的是将数据分为多个簇 (Cluster),在同一个簇中的对象之间有较高的相似度,而不同簇的对象差别较大。聚类被广泛的应用于数据处理和统计分析领域。Apache Mahout 是 ASF(Apache Software Foundation) 的一个较新的开源项目,它源于 Lucene,构建在 Hadoop 之上,关注海量数据上的机器学习经典算法的高效实现。本文主要介绍如何基于 Apache Mahout 实现高效的聚类算法,从而实现更高效的数据处理和分析的应用。
技术文章 2011年 03月 24日
探索推荐引擎内部的秘密,第 2 部分: 深入推荐引擎相关算法 - 协同过滤
本系列的第一篇为读者概要介绍了推荐引擎,下面几篇文章将深入介绍推荐引擎的相关算法,并帮助读者高效的实现这些算法。 在现今的推荐技术和算法中,最被大家广泛认可和采用的就是基于协同过滤的推荐方法。它以其方法模型简单,数据依赖性低,数据方便采集 , 推荐效果较优等多个优点成为大众眼里的推荐算法“No.1”。本文将带你深入了解协同过滤的秘密,并给出基于 Apache Mahout 的协同过滤算法的高效实现。Apache Mahout 是 ASF 的一个较新的开源项目,它源于 Lucene,构建在 Hadoop 之上,关注海量数据上的机器学习经典算法的高效实现。
技术文章 2011年 03月 21日
构建一个认知 IoT 应用程序仅需 7 步
依照一种边缘计算架构,构建一个认知 IoT 解决方案。将您的分析推送到网关,并使用高级机器学习获知检测异常。
技术文章 2018年 04月 17日
数据科学简介,第 2 部分: 通过对数据分类进行预测
预测和分类是机器学习的两个有许多应用的重要方面。在“数据科学简介”系列的第二篇教程中,将了解通过数据分类最充分地利用数据集的两种方法:概率神经网络和基于密度的聚类。
技术文章 2018年 04月 03日
Apache Mahout 简介
当研究院和企业能获取足够的专项研究预算之后,能从数据和用户输入中学习的智能应用程序将变得更加常见。人们对机器学习技巧(比如说集群、协作筛选和分类)的需求前所未有地增长,无论是查找一大群人的共性还是自动标记海量 Web 内容。Apache Mahout 项目旨在帮助开发人员更加方便快捷地创建智能应用程序。Mahout 的创始者 Grant Ingersoll 介绍了机器学习的基本概念,并演示了如何使用 Mahout 来实现文档集群、提出建议和组织内容。
技术文章 2009年 10月 12日
数据科学简介,第 1 部分: 数据、结构和数据科学管道
如果无法通过处理数据来获得洞察,那么数据就毫无意义。数据科学领域提供了一些必要工具和方法,使您能够有效处理数据集,并最大限度地利用所收集的数据。在本教程中,您将了解机器学习的基础知识,包括数据工程、模型学习和操作。
技术文章 2018年 03月 28日
漫谈误差函数
误差函数是基于梯度优化的机器学习算法的核心理论,本文介绍了误差函数的概念、性质和分类,并结合实例讨论误差函数的设计思路和方法。
技术文章 2019年 05月 09日
基于 Apache Mahout 构建社会化推荐引擎
Web 2.0 的一个核心思想就是“群体智慧”,即基于大众行为,为每个用户提供个性化的推荐。这使得如何让用户能更快速更准确的获得所需要的信息,成为了 Web 应用成败的关键。Apache Mahout 是 ASF(Apache Software Foundation)的一个较新的开源项目,提供机器学习领域的一些经典算法的高效实现。本文主要讲述如何基于 Apache Mahout 来构建社会化推荐引擎,帮助 Web 应用开发者更高效的实现个性化推荐功能,从而提高最终用户满意度。
技术文章 2010年 01月 21日
神经网络深入剖析
在本教程中,将深入了解神经网络。阅读神经网络的背景,了解它们为什么是当今机器学习领域的主导力量。
技术文章 2017年 10月 11日
动手实践 IBM Cloud Private for Data,第 2 部分: 数据分析和平台管理
本系列文章通过实践介绍 IBM Cloud Private for Data 数据收集、组织和分析的端到端解决方案。第二部分重点阐述数据分析能力,首先以业务人员的分析仪表盘开始,接着展示机器学习的模型开发、部署和管理监控,包括对 Hadoop 的集成服务能力,最后用管理控制台来说明平台管理的便捷性。
技术文章 2018年 08月 28日
指导 Watson 呈现哪些结果
使用 Relevancy Training 训练您的私有搜索集合,使用户能更快获得其问题的正确答案。了解 Watson 如何使用机器学习技术在查询中查找能应用于语料库的特定信号。
技术文章 2017年 11月 08日
AI 与安全性
探索如何在威胁检测与管理中使用机器学习算法。
技术文章 2019年 09月 12日
人工智能 Java 坦克机器人系列: 神经网络,下部
Robocode 中团队作战是很复杂的应用,如何在多变的环境下找到自己想要的目标是团队作战的关键。本文将用贝叶斯网络来实现团队作战的目标的选择,贝叶斯网络是人工智能中机器学习的一种方法,它并不属于神经网络范围。由于本文不仅介绍了贝叶斯网络的应用,同样涉及到神经网络公共包的应用、Robocode 中使用神经网络的例子机器人分析,最后还介绍了 AI-CODE 这个类似于 Robocode 的编程工具的体系结构,以方便 C,C++,C# 用户在本文 Java 代码的基础上对神经网络知识的理解。
技术文章 2006年 08月 24日
云中的大数据
大数据是云的固有特性,为使用传统、结构化的数据库信息,以及对社交网络、传感器网络数据及不那么结构化的多媒体执行业务分析提供了前所未有的机会。大数据应用程序需要一种以数据为中心的计算架构,许多解决方案都包含基于云的 API,用于与高级的列式搜索、机器学习算法及高级分析(比如计算机视觉、视频分析和可视化工具)配合使用。本文介绍使用 R 语言和类似工具来执行大数据分析,以及在云中扩展大数据服务的方法。文中深入剖析了一种作为简单的大数据服务的数码照片管理,采用了应用到非结构化数据的搜索、分析和机器学习的关键元素。
技术文章 2013年 09月 13日
随机非参数学习算法,第 1 部分: 随机决策树基本方法和理论探讨
大多数机器学习算法的计算复杂度都是随着数据量或者维度呈线性增长,这是大规模机器学习的一大挑战。本文将介绍随机决策树算法的基本方法,并从理论层面粗略的探讨了为什么随机决策树具有学习能力。
技术文章 2016年 03月 24日
随机非参数学习算法,第 2 部分: 随机决策树的实现和效果
大多数机器学习算法的计算复杂度都是随着数据量或者维度呈线性增长,这是大规模机器学习的一大挑战。上一篇文章介绍了随机决策树算法的基本方法,并从理论层面粗略的探讨了为什么随机决策树具有学习能力。本篇文章我们将着重介绍随机决策树的算法实现,算法的复杂度和实验结果中展示的精度和效率。
技术文章 2016年 03月 24日
新一代大数据处理引擎 Apache Flink
Flink 是一个开源的针对批量数据和流数据的处理引擎,已经发展为 ASF 的顶级项目之一。Flink 的核心是一个提供了数据分发以及并行化计算的流数据处理引擎,已经支持了 API 化的 SQL 查询,包括图操作和机器学习的相关算法。
技术文章 2015年 12月 28日
决策树算法介绍及应用
机器学习在各个领域都有广泛的应用,特别在数据分析领域有着深远的影响。决策树是机器学习中最基础且应用最广泛的算法模型。本文介绍了机器学习的相关概念、常见的算法分类和决策树模型及应用。通过一个决策树案例,着重从特征选择、剪枝等方面描述决策树的构建,讨论并研究决策树模型评估准则。最后基于 R 语言和 SPSS 这两个工具,分别设计与实现了决策树模型的应用实例。
技术文章 2015年 07月 28日
利用 Python、SciKit 和文本分类来实现行为分析
了解如何根据已购买产品中描述的文本属性来构建客户行为描述模型。SciKit 是一个强大的基于 Python 的机器学习包,可用于模型构造和评估,您可以利用它学习如何构建一个模型,并将它应用于模拟的客户产品购买历史记录。在示例场景中,我们将构造一个模型,根据每​一个客户购买的具体产品和相应的文本性产品描述,向个人客户分配音乐听众感兴趣的特色内容。
技术文章 2015年 03月 17日
了解您的深度学习框架,第 4 部分: TensorFlow 入门
TensorFlow 只是许多用于机器学习的开源软件库中的一个。在本教程中,将概述 TensorFlow,了解哪些平台支持它,并考虑安装注意事项。
技术文章 2018年 01月 18日
应用聚类算法发现变更请求模式的优点
本文通过机器学习技术(特别是聚类算法)来介绍一种分析 IBM Rational Team Concert 变更请求模式的方法,以根据文本相似度对变更请求进行分组。通过执行此分析,软件开发项目均可在质量提高、重用、流程和团队协作方面受益。本文中介绍的分析示例依赖于 K 均值聚类算法 (k-mean clustering algorithm) 中 Apache Mahout 库的实现。
技术文章 2013年 07月 26日
在 Watson Machine Learning Accelerator 定制 Notebook 中训练 Keras 和 MLlib 模型
定制 Notebook 包以包含 Anaconda、Power AI 和 sparkmagic,使用它来运行 Keras 模型、连接到 Hadoop 集群并执行 Spark MLlib 模型。
技术文章 2019年 03月 11日
创建聊天机器人,第 3 部分: 使用认知(或人工智能)服务增强聊天机器人
创建自己的全功能聊天机器人来传递新闻和文章。本系列将介绍如何使用两个不同的消息应用程序实现此目的:Facebook Messenger 和 Slack。然后介绍如何使用 IBM Watson 服务增强您的聊天机器人。这是本系列的第 3 篇教程,将介绍用于增强聊天机器人的 IBM Watson 服务。
技术文章 2017年 03月 27日
利用人工智能创建模式,第 1 部分: 针对 AI 的字母关联和简单语言统计
AI 不仅能识别模式,还能基于模式来生成表达。这在智能代理世界越来越重要。了解生成式 AI,这是一种对现代开发人员至关重要的技术。作为第一步,可以考虑自然语言中的模式,以及如何对这些模式进行建模,让机器做好准备生成自己熟悉的语言表达。了解如何利用基本的字母频率统计数据,通过使用基于矩阵的模型在字母间建立关联。
技术文章 2018年 05月 08日
聪明的数据,第 2 部分: 对提供给 AI 应用程序的数据应用软件开发生命周期
对用于人工智能 (AI) 和认知应用程序的数据应用迭代软件开发生命周期 (SDLC)。改进获取并评估数据集(以及控制维度)的系统,所有改进都通过为周期中每次迭代提供数据的评估来实现。
技术文章 2017年 12月 20日
数据科学简介,第 3 部分: 文本分析
在“数据科学简介”系列的第 3 篇教程中,了解简单的、基于 Python 的文本分析的应用,包括马尔可夫链和情感分析。
技术文章 2018年 04月 18日
使用 OSGi 和 Eclipse Concierge 创建物联网应用程序
Eclipse Concierge 5.0.0 现已发布。它快速、精益,而且像 OSGi 框架一样易于使用。
技术文章 2016年 06月 01日
数据如何变成知识,第 1 部分: 从数据到知识
探索从原始数据到存储的知识的路径。识别各种数据源,以及结构化数据与非结构化数据之间的区别。在将 DIKW 模型应用于数据科学之前,了解是什么让数据具有价值。
技术文章 2018年 04月 04日
有监督学习模型
查看有监督学习背后的理论和概念,以及它在探究数据和数据集及计算概率方面的应用。
技术文章 2018年 04月 03日
认知体验设计,第 1 部分: 人机通信模型
以比人类更快的速度、更高的置信度发现更有用的洞察。朝正确的认知应用程序发展方向踏出第一步的关键是:不要问它能做什么,而要问它应该做什么。对于人工智能 (AI),我们拥有关于人类思维过程和沟通的数十年数据和研究成果来制作蓝图。为了模拟人类的关系,我们首先应该观察并更好地了解我们自己。
技术文章 2018年 03月 21日
在荒芜的数据科学领域中建立架构思维
自由选择编程语言、工具和框架的能力有助于改善创造性思维和加快思维演变进程。
技术文章 2019年 03月 06日
从 IBM Developer 上获取 Model Asset Exchange 简介
了解开发者如何在 MAX 中查找和使用适用于常见应用领域(如文本、图像、音频和视频处理)的免费、开源且最先进的深度学习模型。
技术文章 2019年 02月 27日
深入浅出介绍策略梯度
本文旨在介绍强化学习中策略梯度方法的基本原理及相关概念,并着重介绍作者在学习过程中遇到的一些难点,如目标函数和实现技术。
技术文章 2018年 05月 16日
清理、处理和可视化数据集,第 3 部分: 可视化数据
在本教程中,将会探索可视化数据的一些更有用的应用,以及一些可用来创建这种可视化的方法,包括 R 编程语言、gnuplot 和 Graphviz。
技术文章 2018年 02月 27日
实现动态、弹性和细粒度的资源分配和控制,支持同时加速运行多个模型训练
使用 Watson Machine Learning Accelerator 弹性分布式训练功能在多个 GPU 与计算节点之间分配模型训练任务。
教程 2019年 05月 29日
使用 Watson Machine Learning Accelerator 和 Snap ML 加速基于树的模型训练
使用 Watson Machine Learning Accelerator 和 AC922 加速信用违约风险预测。
教程 2019年 09月 04日
使用 Watson Machine Learning Accelerator 和 Snap ML 加速广义线性模型训练
使用 Watson Machine Learning Accelerator、SnapML 和 AC922 推动在线广告点击率预测。
教程 2019年 06月 05日
在 Watson Machine Learning Accelerator 中训练 XGboost 模型
获取 Watson Discovery 概述,了解它如何帮助您发掘数据中隐藏的价值,从而发现问题的答案、监控趋势并揭示模式。
教程 2019年 08月 28日
社会力量对 NBA 所产生的影响和表现,第 2 部分: 探索各个 NBA 球员
在本教程系列中,我们将学习如何使用 Python、pandas、Jupyter Notebook 和少量 R 代码分析社交媒体对 NBA 的影响。第 2 部分将探索 NBA 中的各个运动员:代言数据、真实场上表现,以及 Twitter 和 Wikipedia 的社会力量。
技术文章 2017年 10月 12日
构建私有云的数据科学家环境:IBM Data Science Experience Local 的安装部署
IBM Data Science Experience (DSX) Local 是数据科学家和数据工程师的现成企业解决方案。它提供了一套与专有的 IBM 技术相集成的数据科学工具。本文阐述了 Data Science Experience Local 的架构和安装部署实践。
技术文章 2017年 08月 29日
大数据架构和模式,第 5 部分: 对大数据问题应用解决方案模式并选择实现它的产品
本文使用了一个基于场景的方法,概述了可能有助于定义大数据解决方案的解决方案模式。每个场景都从一个业务问题开始,并说明为什么需要大数据解决方案。本文会将一个具体的解决方案模式(由原子模式和复合模式组成)应用到业务场景。这个逐步分析的方法有助于用户确定解决方案所需的组件。在文章的末尾,提供了一些建议使用的典型产品和工具。
技术文章 2014年 10月 30日
创建认知应用程序时需要知道的 5 件事
随着利用深入学习能力的应用程序的不断增加,人工智能技术也在不断增加各种各样的市场和应用的价值。本文将分析在开发智能应用程序时应考虑的 5 个重要概念。
技术文章 2017年 06月 06日
聊天机器人开发指南
聊天机器人是最新的技术发展趋势之一。本教程将总结用于开发聊天机器人应用程序的主要消息平台、机器人框架和人工智能 (AI) 服务。
技术文章 2017年 02月 08日
对话聊天框设计挑战
了解聊天机器人中的对话设计面临的关键问题。通过分析消息平台、交互类型以及用户输入和回复,了解如何成功地创建聊天机器人。
技术文章 2016年 12月 21日
使用 Bluemix 上的 Watson Personality Insights
Bluemix 是 IBM 构建、运行和管理应用程序和服务的开放标准公有云平台。本文通过一个形象生动的视频快速地演示了 Bluemix 所拥有的强大功能,可以帮助您构建一个具有认知洞察和分析功能的应用程序。
技术文章 2016年 06月 28日
如何在 IBM Watson IoT Platform 中注册网关
本文将帮助您更好地了解如何在 IBM Watson Internet of Things Platform 中注册网关。
技术文章 2016年 06月 20日
IoT 一点通
一个基本的物联网平台必须连接各种设备,必须能够收集数据,必须处理数千家供应商和数百个标准,.......本文将探讨物联网平台的一些特点、技术,以及它能够帮助企业和生活实现怎样的价值。
技术文章 2016年 06月 14日
什么是认知物联网?
认知物联网是将认知计算技术与互连设备产生的数据和这些设备可以执行的操作结合使用。您可能已经知道物联网,也知道我们所说的传感器和执行器的意思。从认知计算方面讲,物联网是什么意思呢?在文本中也许您能找到答案。
技术文章 2016年 06月 13日
IoT 平台如何帮助推动企业转型
不久前,IoT 平台吸引了大量关注。该平台通过将 IoT 端点与必要的应用程序和分析相链接,生成业务成果,从而提供巨大的价值。它是一个完整 IoT 解决方案的关键,因为它使得在端点上生成的数据能够被最终用户处理和有意义地使用。
技术文章 2016年 05月 25日
度量认知服务性能
学习如何使用 IBM Watson Annotation Assist(一个开源的 Web 应用程序,提供了以零接触的方式实现对认知系统评估的能力),迭代式地训练和评估认知系统性能。
技术文章 2016年 05月 25日
加速您 IoT 应用程序中认知计算的开发
了解新公布的用于 IBM IoT Foundation 的认知功能。然后通过一个真实的客户示例演示,了解您可以如何使用这些新功能。
技术文章 2016年 01月 11日
清理、处理和可视化数据集,第 2 部分: 从干净的数据集中获取宝贵洞察
了解 VQ 和 ART 算法。VQ 可以快速高效地对一个数据集进行聚类,而 ART 可以根据该数据集来调节聚类次数。
技术文章 2018年 02月 14日
清理、处理和可视化数据集,第 1 部分: 处理散乱数据
发现为执行验证和处理而清理数据的相关常见问题及其解决方案。您还将找到一个自定义工具,该工具用于执行数据清理和合并数据集以供分析。
技术文章 2018年 01月 31日
使用 Neuroph Java 框架创建人工神经网络
使用 Java 语言和 Neuroph 开源框架构建人工神经网络 (ANN)。
技术文章 2018年 01月 29日
第 1 - 83 条,共 83 条
显示内容简介 | 隐藏内容简介