《美團機器學習實踐》—— 讀後總結
第一章 問題建模
第二章 特徵工程
第三章 常用模型
第四章 模型融合
第五章 使用者畫像
第六章 POI實體連結
第七章 評論挖掘
第八章 O2O場景下的查詢理解和使用者引導
第九章 O2O場景下排序的特點
第十章 推薦在O2O場景中的應用
第十一章 O2O場景下的廣告營銷
第十二章 使用者偏好和損失建模
第十三章 深度學習概述
第十四章 深度學習在文字領域中的應用
第十五章 深度學習在計算機視覺中的應用
第十六章 大規模機器學習
第十七章 特徵工程和實驗平臺
相關推薦
《美團機器學習實踐》—— 讀後總結
第一章 問題建模 第二章 特徵工程 第三章 常用模型 第四章 模型融合 第五章 使用者畫像 第六章 POI實體連結 第七章 評論挖掘 第八章 O2O場景下的查詢理解和使用者引導 第九章 O2O場景下排序的特點 第十章 推薦
《美團機器學習實踐》第1章 問題建模
1.1 評估指標 評估指標用於反映模型效果。在預測問題中，要評估模型的效果，就需要將模型的預測結果f(X)f(X)f(X)和真實標註YYY進行比較，評估指標定義為f(X)f(X)f(X)和YYY的函式。 通常，線下使用的是機器學習評估指標，而線上使用的是業務指標
簡易說人工智慧(三) 細數《美團機器學習實戰》裡的錯誤 2：解釋NDCG
一、書中第10頁的錯誤1 二、什麼是NDCG 美團的小夥伴應該有是金融領域背景，詞典翻譯出來的四個詞兩個用了經濟學相關的詞。如果作者對這個演算法的真正本意有了解，恐怕也不會這麼翻譯。 首先，讀者要知道NDCG是用來評估一個推薦演算法的推薦結果的優劣的。就像《美團機器學習實戰》第
簡易說人工智慧(三) 細數《美團機器學習實戰》裡的錯誤 1：開篇詞
美團的作品《美團機器學習實戰》，是工程領域非常好的一本書。也是難得的國內的人工智慧領域比較實用的作品，豆瓣評分大於7.5，這個評分在計算機領域算是不錯的書了。 但是為什麼選材如此好的作品未到8分呢，最近剛開始讀，說說從第一節公式介紹看到的問題。 1、學習人工智慧大家都知道最令人懼
掘金小冊前端效能優化原理與實踐讀後總結
webpack效能優化（emmm,我還沒學這個，啥都看不懂，勿噴） 1.不要讓loader做太多事情 2.處理第三方庫 3.構建結果體積壓縮 a.檔案視覺化，找出導致體積過大的原因 b.拆分資源 c.刪除冗餘程式碼 d.按需載入 4.webpa
美團機器學習崗面經
美團 今年由於阿里擁抱變化，縮招的訊息似乎影響了整個就業的形勢。舉個例子，據我瞭解某個實驗室去年數個BAT的offer，今年好像只有一兩個。當然大的趨勢我們無法改變，只有自己擁抱變化才行。在這個形勢之下能有一份自己滿意的工作的確很不容易，樓主經歷了不斷地挫折和失敗之後很慶
周志華機器學習讀後總結 第10、11章
降維與度量學習 什麼是降維學習 降維是一種分類演算法，它是一種解決維數災難的重要途徑。例如二維資料經過投影變為一維資料從而更好的表徵資料的特徵，然後再進行識別；這就利用了降維的方法。 K鄰近學習 k近鄰學習是一種監督學習演算法，它給定測試樣本，基於某種距離度量找出與訓練集
美團推薦演算法實踐：機器學習重排序模型成亮點
編者按：在使用者意圖明確時，我們通常用搜索引擎來解決網際網路時代的資訊過載問題，但當用戶的意圖不明確或者很難用清晰的語義表達，搜尋引擎就無能為力。此時，藉助推薦系統通過使用者行為的分析理解其意圖，為其推送個性化的結果，便成為一種更好的選擇。美團作為國內發展較快的O2O網站，
周志華機器學習讀後總結 第三章
線性模型 基本形式 線性模型試圖學得一個通過屬性的線性組合來進行預測的函式，即f(x)=w1x1+w2x2+…+wdxd+b,w和b學得之後，模型就得以確定，而w直觀表達了各屬性在預測中的重要性。線性迴歸 線性迴歸試圖學得一個線性模型以儘可能準確的預測實值輸出標記。線性迴歸
今天來學習下美團推薦演算法實踐：機器學習重排序模型
轉載，來自小象學院。 美團推薦演算法實踐：機器學習重排序模型 文章介紹了美團推薦系統的構架和優化過程，包括資料層，觸發層，融合過濾層和排序層，採用了Hbase，Hive，Storm，Spark和機器學習等技術。兩個優化兩點將是候選集進行融合與引入重排序模型。
周志華機器學習讀後總結 第12、13章
計算學習理論 什麼是計算學習理論 計算學習理論是關於機器學習的理論基礎，其目的是分析學習任務的困難本質，為學習演算法提供理論保證，並根據分析結果指導演算法設計。泛化誤差和經驗誤差是計算學習理論的兩個重要概念，現實中我們常用經驗誤差作為泛化誤差的近擬。 PAC學習 PAC學
美團深度學習系統的工程實踐
背景 深度學習作為AI時代的核心技術，已經被應用於多個場景。在系統設計層面，由於其具有計算密集型的特性，所以與傳統的機器學習演算法在工程實踐過程中存在諸多的不同。本文將介紹美團平臺在應用深度學習技術的過程中，相關係統設計的一些經驗。 本文將首先列舉部分深度學習演算法所需的計算量，然後再介紹為滿足這些計算量，目
美團技術分享：美團深度學習系統的工程實踐
背景 深度學習作為AI時代的核心技術，已經被應用於多個場景。在系統設計層面，由於其具有計算密集型的特性，所以與傳統的機器學習演算法在工程實踐過程中存在諸多的不同。本文將介紹美團平臺在應用深度學習技術的過程中，相關係統設計的一些經驗。 本文將首先列舉部分深度學習演算法所需的計算量，然後再介紹為滿足這些計算量，
《深入理解Java虛擬機器》讀後總結JVM精華知識點
本文是學習了《深入理解Java虛擬機器》之後的總結，主要內容都來自於書中，也有作者的一些理解。一是為了梳理知識點，歸納總結，二是為了分享交流，如有錯誤之處還望指出。（本文以jdk1.7的規範為基礎）。 文章對JVM記憶體區域分佈、JVM記憶體溢位分析、JVM垃圾回收演算法/
機器學習邏輯迴歸模型總結——從原理到sklearn實踐
0x00 基本原理 邏輯迴歸演算法，從名字上看似乎是個迴歸問題，但實際上邏輯迴歸是個典型的分類演算法。 對於分類問題，一般都是一些離散變數，且y的取值如下： y∈{0,1,2,3,...,n}，顯然不能使用線性迴歸擬合。 以二元分類問題開始討論，y的取值
ucos源碼讀後總結
占用 cpu lag 支持 大型網站 處理器 深入 以及 lac 轉載請註明原文出處，http://www.cnblogs.com/flyingcloude/p/6992351.html 花了將近一個星期的時間將ucos的源碼大致的通讀了一遍，在這裏先進行總結一下，以便以
Scikit-Learn機器學習實踐——垃圾短信識別
機器學習文章首發個人博客：http://zmister.com/archives/173.html前不久，我們使用NLTK的貝葉斯分類模型垃圾對短信數據進行機器學習的垃圾短信識別。其實除了使用NLTK，我們還可以使用Scikit-Learn這個集成了諸多機器學習算法的模塊進行上述的實驗。Scikit-Lear
《惡意》—— 讀後總結
解剖 事件 離開 分享 都是 情況 新的 發現 不同的 這本小說，從案件劇情上來說，簡單的不要不要的，可是背後的故事確是一波三折，把讀者騙的來回轉。 小說整體采用了一種叫做POV, point of view 視點人物寫作手法。之前看過辛夷塢的小說，是那種每個人都描述同
《機器學習實踐》2.2.2分析數據：使用matplotlib創建散點圖
使用 其中 rate div space sca literal ax1 鏈接 #輸出散點圖 def f(): datingDataMat,datingLabels = file2matrix("datingTestSet3.txt")
Python機器學習實踐指南pdf
height 異常 算法 pad point spa 個性化 2.4 機票 下載地址：網盤下載 內容簡介 · · · · · ·機器學習是近年來漸趨熱門的一個領域，同時Python 語言經過一段時間的發展也已逐漸成為主流的編程語言之一。本書結合了機器學習和Python