摘要：使用华为云EI智能机器人技术，从0到1开发一款开源知识问答机器人。

如今，贝叶斯优化作为一种超参数调优工具正在逐渐取代网格搜索和随机搜索的地位，日益成为主流的调参方法。与此同时，在神经网络结构搜索(NAS)方向上，基于贝叶斯优化的方法也达到了当前先进水平，形成了较为成熟、完整的理论体系和结构框架。

数字化运营广告营销之道：数据驱动的广告营销、广告投放流程、精准与覆盖的平衡、广告效果的测量、数字化营销数据技术

今天我们聊一聊Embedding的冷启动问题。剖析清楚Embedding冷启动问题产生的根源，以及解决问题的四个思路“信息和模型”，“补充机制”，“工程框架”，“跳出固有思维”。

第四范式深耕于人工智能领域，在人工智能相关算法、应用、系统和底层架构设计等有兼具广度和深度的理解。

写在前面： 大家好，我是强哥，一个热爱分享的技术狂。目前已有 12 年大数据与AI相关项目经验， 10 年推荐系统研究及实践经验。平时喜欢读书、暴走和写作。

摘要：近年来，基于数据驱动的机器学习模型开始提供可替代的方法，并在许多任务中优于纯物理学驱动模型。

可解释机器学习领域既包括以树模型，广义加性模型为代表的内在可解释模型，也包括对复杂模型的事后解释方法。本文要介绍的RuleFit模型属于内在可解释模型，相对于逻辑回归，决策树等传统模型，RuleFit精度更高，同时解释性很强。

本文将介绍机器学习模型可解释性的定义、性质和方法，并在后续的文章中，着重介绍不同解释模型的方法，力求在维持模型精度的同时，通过更好的解释模型方法，提高模型的可解释性，从而提高人们对模型和模型结果的信任和接受程度。

由于机器学习算法可以挖掘输入特征之间更深层次的联系，更加充分地利用恶意代码的信息，因此基于机器学习的恶意代码检测往往表现出较高的准确率，并且一定程度上可以对未知的恶意代码实现自动化的分析。

机器翻译是利用计算机将一种自然语言（源语言)转换为另一种自然语言（目标语言）的过程。

电影《X战警》中，X教授具有心灵感应和精神控制的能力，而能读懂人心的机器便与此相似。教会机器去辨别和理解人类的情感和语言，这样的技术被称为情感分析。

京东科技算法科学家、技术总监吴友政老师将作客InfoQ《大咖说》直播间，一起聊聊NLP领域的2020年大事记及2021展望，对NLP领域技术感兴趣的小伙伴不要错过呦！

近期的很多热播剧都和心理咨询相关，在《女心理师》中，有这样一个数据智能应用，吸引了Mr.Tech的目光。

AI又一次大显身手~

ICASSP 2021将于2021年6月6日-11日在加拿大多伦多拉开序幕，凭借在语音技术领域的扎实积累和前沿创新，京东科技集团的3篇论文已经被 ICASSP 2021接收。

本文分享自华为云社区《[Python人工智能] 二十一.Word2Vec+CNN中文文本分类详解及与机器学习算法对比》，作者：eastmount。

今天我们聊一聊自动化生成代码的问题，试想一下，假如有一天机器替代你编写代码，你是应该感到开心还是难过？

“机器学习实验室”公众号主理人倾力打造，获得40000读者好评

机器学习是一种从数据生成规则、发现模型，来帮助我们预测、判断、分组和解决问题的技术。(机器学习是一种从数据中生产函数，而不是程序员直接编写函数的技术)

笔者在 SAP 成都研究院工作十五余年，也曾参加过一些基于 SAP Business Technology Platform(中文名称为 SAP 业务技术平台，以下简称 SAP BTP) 的 AI 服务的项目开发和原型验证。本文将这些关于 AI 的项目经验分享出来，希望社区内的 AI 专家不吝赐教。

「导语」模型的训练与评估是整个机器学习任务流程的核心环节。只有掌握了正确的训练与评估方法，并灵活使用，才能使我们更加快速地进行实验分析与验证，从而对模型有更加深刻的理解。

听Mobileye分享如何在云上实现10倍的开发速度提升

“机器学习实验室”公众号主理人倾力打造，获得40000读者好评

本文先介绍了效果广告的基本原理，然后以云音乐广告系统从浅层模型到深度模型的演进为主线，介绍了广告算法团队在算法优化过程中遇到的问题、思考和解决的过程。

本文先介绍了效果广告的基本原理，然后以云音乐广告系统从浅层模型到深度模型的演进为主线，介绍了广告算法团队在算法优化过程中遇到的问题、思考和解决的过程。

2022年3月12日（周六）14：00-16：30，由第四范式举办的DataOps + MLOps Meetup将于线上、线下同步开展。本次Meetup，特别邀请著名开源项目Apache DolphinScheduler PMC-郭炜及OpenMLDB核心研发工程师-陈迪豪共同分享DataOps、MLOps领域各自的见解，同时还将

笔者在参加12月20日举行的，由LF AI & Data基金会和OpenI启智社区联合举办的2021新一代人工智能院士高峰论坛上分享对于企业智能转型，以及AI技术面临的挑战和应对。

这篇文章我们回顾一篇经典博客，Netflix官方博客介绍的推荐系统架构，虽然文章发布已有六年， 但是现在回看起来我自己还是蛮惊讶的，因为Netflix的推荐系统架构居然到现在依然是主流。

数据挖掘算法基于线性代数、概率论、信息论推导，深入进去还是很有意思的，能够理解数学家、统计学家、计算机学家的智慧，这个专栏从比较简单的常用算法入手，后续研究基于TensorFlow的高级算法，最好能够参与到人脸识别和NLP的实际项目中，做出来一定的效果

数据可视化可以让我们很直观的发现数据中隐藏的规律，察觉到变量之间的互动关系，帮助我们更好地解释现象和发现数据价值，做到一图胜千文的说明效果。

决策树是直观运用概率分析的树形分类器，是很常用的分类方法，属于监管学习，决策树分类过程是从根节点开始，根据特征属性值选择输出分支，直到到达叶子节点，将叶子节点存放的类别作为决策结果。

关联规则挖掘可以让我们从数据集中发现项与项之间的关系，它在我们的生活中有很多应用场景，“购物篮分析”就是一个常见的场景，这个场景可以从消费者交易记录中发掘商品与商品之间的关联关系，进而通过商品捆绑销售或者相关推荐的方式带来更多的销售量。

之前章节讲到的算法都是有监督学习方法， 在建模之前需要训练（样本）数据集，模型根据样本数据集的结果，训练得到某些参数，形成分类器。无监督学习没有训练数据集，在数据集上根据某种规则完成模型建立；

从实践出发学习TensorFlow和teras机器学习框架，分别用tf和keras实现线性模型，两者区别在于前者相当于手推了线性回归模型，后者使用单层的感知机，很便捷。