雷鋒網(wǎng)旗下 AI 研習(xí)社定期整理國(guó)內(nèi)外 AI 開(kāi)發(fā)相關(guān)的技術(shù)資訊、學(xué)習(xí)資料以及開(kāi)發(fā)博客等內(nèi)容。歡迎投稿，投稿郵箱：zhangxian@leiphone.com。

Jason Brownlee 的時(shí)間序列預(yù)測(cè)教程

這是澳大利亞機(jī)器學(xué)習(xí)專家 Jason Brownlee 撰寫(xiě)的教程，提供了一套用 Python 語(yǔ)言處理時(shí)間序列預(yù)測(cè)問(wèn)題的模板。該教程一步步向讀者展示了應(yīng)該用什么工具、如何操作，以及為什么這樣操作。它使用了波士頓持械搶劫案數(shù)量作為案例，旨在解決的問(wèn)題是對(duì)波士頓未來(lái)每月?lián)尳侔傅臄?shù)量做合理預(yù)測(cè)。 全文包含代碼長(zhǎng)達(dá)兩萬(wàn)字，是迄今為止最權(quán)威、最詳細(xì)的時(shí)間序列預(yù)測(cè)入門教程之一。具有相當(dāng)學(xué)習(xí)價(jià)值。

譯文地址：http://www.ozgbdpf.cn/news/201702/QjrKc9cLWAiqRGhT.html

原文地址：http://machinelearningmastery.com/time-series-forecast-case-study-python-monthly-armed-robberies-boston/

機(jī)器學(xué)習(xí)算法實(shí)踐之 K 均值聚類的實(shí)用技巧

大家一定都知道吳恩達(dá)老師在 Coursera 講授的機(jī)器學(xué)習(xí)課程。美國(guó)數(shù)據(jù)分析專家 Bilal Mahmood，把吳恩達(dá)老師課程中對(duì) K 均值聚類算法的介紹做了整理總結(jié)，再加入他自己的經(jīng)驗(yàn)寫(xiě)就本文，教大家如何使用聚類分析對(duì)數(shù)據(jù)自動(dòng)分段。文章分為兩部分：一是對(duì) K 均值聚類算法做綜合介紹，二是講述該算法的主要實(shí)戰(zhàn)技巧（討論的重點(diǎn)問(wèn)題是：應(yīng)該用多少組簇？）。對(duì)于研究聚類問(wèn)題的開(kāi)發(fā)者具有很高價(jià)值。

譯文地址：http://www.ozgbdpf.cn/news/201702/SPMC0IPBy37vJgqU.html

原文地址：http://www.kdnuggets.com/2017/02/automatically-segmenting-data-clustering.html

OpenAI：如何解決對(duì)抗樣本帶來(lái)的安全風(fēng)險(xiǎn)

這是大牛 Ian Goodfellow 等在 OpenAI 博客發(fā)表的文章，專門討論“對(duì)抗樣本”這一話題。由于能使大多數(shù)機(jī)器學(xué)習(xí)算法癱瘓，本文討論了對(duì)抗樣本帶來(lái)的 AI 潛在安全風(fēng)險(xiǎn)，如何解決，并盤(pán)點(diǎn)了對(duì)付對(duì)抗樣本的幾種主要途徑。其中，本文在技術(shù)層面詳細(xì)探討了為什么 gradient masking 方法無(wú)法解決對(duì)抗樣本問(wèn)題。

原文地址：https://openai.com/blog/adversarial-example-research/

自然語(yǔ)言處理入門：在數(shù)據(jù)預(yù)處理階段如何發(fā)現(xiàn) Lexical Units

這是 DataScience.com 自然語(yǔ)言處理入門系列文章的第一彈。本系列將介紹自然語(yǔ)言處理的核心概念、核心難題與挑戰(zhàn)，以及主流解決方案。作為該系列的第一篇，文章開(kāi)頭介紹自然語(yǔ)言處理的技術(shù)和應(yīng)用，隨機(jī)進(jìn)入技術(shù)環(huán)節(jié)討論 Lexical Units；尤其是  tokenization 和 normalization 的實(shí)現(xiàn)方法。適合 NLP 領(lǐng)域開(kāi)發(fā)者。

雷鋒網(wǎng)將為大家奉上后續(xù)教程。

原文地址：https://www.datascience.com/blog/introduction-to-natural-language-processing-lexical-units-learn-data-science-tutorials

SVDS：如何選擇深度學(xué)習(xí)框架？

Silicon Valley Database 的研究團(tuán)隊(duì)，歸納總結(jié)了七大主流深度學(xué)習(xí)平臺(tái)框架各自的特性以及優(yōu)缺點(diǎn)。這些框架包括：TensoFlow，Theano，Torch，Caffe，MXNet，Neon 和 CNTK。該文章旨在為新入門的深度學(xué)習(xí)開(kāi)發(fā)者提供“應(yīng)該選擇哪個(gè)框架？”的指導(dǎo)。更多關(guān)于開(kāi)源框架、工具如何選擇的問(wèn)題，請(qǐng)參考雷鋒網(wǎng)系列文章：Tensorflow 全網(wǎng)最全學(xué)習(xí)資料匯總之框架平臺(tái)的綜合對(duì)比【3】，盤(pán)點(diǎn)四大民間機(jī)器學(xué)習(xí)開(kāi)源框架：Theano、Caffe、Torch 和 SciKit-learn，谷歌、微軟、OpenAI 等巨頭的七大機(jī)器學(xué)習(xí)開(kāi)源項(xiàng)目 看這篇就夠了 。

原文鏈接：http://svds.com/getting-started-deep-learning/

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。