0
| 本文作者： AI研習社 | 2017-02-21 18:09 |
強化學習全解
強化學習（Re-inforcement Learning） 是一種基于與環(huán)境互動的目標導向的學習。強化學習被認為是真正的人工智能的希望。作者認為這是正確的說法，因為強化學習擁有巨大的潛力。
據(jù)雷鋒網了解，很多人說，強化學習被認為是真正的人工智能的希望。本文從 7 個方面帶你入門強化學習，讀完本文，希望你對強化學習及實戰(zhàn)中實現(xiàn)算法有著更透徹的了解。
詳情：http://dataunion.org/27366.html
Facebook 機器學習@Scale 2017 資料匯總
據(jù)雷鋒網了解，上周 Facebook 了舉辦了機器學習 @Scale 大會，大會匯集了眾多數(shù)據(jù)科學家、工程師和研究人員，他們討論大規(guī)模應用機器學習解決方案中的技術挑戰(zhàn)范圍。
300 多名與會者聚集在曼哈頓大都市西部，聽取來自 Bloomberg，Clarifai，F(xiàn)acebook，Google，Instagram，LinkedIn 和 ZocDoc 的工程領導人的講話，他們分享了各種不同的方法來構建數(shù)百萬甚至數(shù)十億人使用的機器學習系統(tǒng)。
現(xiàn)將演講視頻整合于一個頁面中，方便來到雷鋒網的大家聆聽、學習、查閱。
科學數(shù)據(jù)云
Stefan 在視頻中探討了他在 StitchFix 是如何利用云來使 80 個數(shù)據(jù)科學家一起工作的。
他也談及了對原型的想法、算法和分析，以及他們是如何在 Hive，Presto，Redshift 和 Spark 之間建立以及保持模式的同步。
對于眾多數(shù)據(jù)科學家共同工作，究竟如何使數(shù)據(jù)訪問更加簡潔方便，Stefan 也進行了相應的分享。
大數(shù)據(jù)的稀疏網絡：利用大規(guī)模學習的簡約性
高維數(shù)據(jù)分析科學和工業(yè)變得無處不在。
數(shù)據(jù)分析的一個重要工具是非參數(shù)模型的監(jiān)督學習，這種方法在沒有明確的數(shù)據(jù)假設的情況下估計了目標和輸入變量之間的依賴關系。然而，這種普遍性是要付出計算成本與輸入維數(shù)的成倍增長作為代價。一般來說，非參數(shù)模型不能逃避維度增長的問題，除非這個問題具有確定的一些屬性。因此，為了促進大規(guī)模監(jiān)督學習的發(fā)展，本文主要關注兩個屬性：數(shù)據(jù)低維流形的存在和高階輸入變量之間的相互作用的重要性打折。一個問題常常在一定程度上表現(xiàn)出這兩種屬性。為了識別和利用這些屬性，這工作擴展了對于分層稀疏網絡模型的簡約性的概念。在發(fā)展學習算法的同時，也優(yōu)化了模型參數(shù)和模型結構以適應手頭的問題。
論文下載地址：https://pan.baidu.com/s/1o8oDuTO
深度學習是如何改變數(shù)據(jù)科學規(guī)范的？
深度學習正在改變一切，它正變得無處不在。
就像電子和電腦改變了所有經濟活動一樣，人工智能將重塑零售、運輸、制造、醫(yī)藥、電信、重工業(yè)……甚至數(shù)據(jù)科學本身。這個應用領域的列表還在持續(xù)增長，而這個列表正是展示出了在哪些領域中 AI 可以比人類做得更好。
我們在 Schibsted 看到了深度學習所提供的機會，對于能夠在其中做出一份貢獻，我們也很興奮。
雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。
