深度学习已经成为解决许多具有挑战性的现实问题的首选方法

我们做数据分析，或许不在于分析，而是为了规范。首先数据的背后，是大大小小的管理与决策。

本章介绍用线性模型处理回归问题。

在机器学习中，有一个叫做“没有免费午餐”的定理。简而言之，它指出，没有一种算法对每一个问题都是最有效的，它尤其适用于监督学习(即预测建模)。

结合“微博数据助手”这个产品，今天和大家谈谈如何有效的利用数据来营运社交媒体，微博和微信都有后台数据，道理大同小异。

本章，我们介绍提取这些变量特征的方法。这些技术是数据处理的前提——序列化，更是机器学习的基础，影响到本书的所有章节。

选择学习率的简单方法是尝试一堆数字，然后使用看起来效果最好的那个，当训练不再能改善损失时，手动减少它。

这一章，我们讨论广义线性回归模型的具体形式的另一种形式，逻辑回归（logistic regression）。

可怕的机器学习面试。在面试之前，你会觉得自己什么都懂，但是真的开始面试了，你发现你自己什么都不懂！

本章我们要讨论一种简单的非线性模型，用来解决回归与分类问题，称为决策树（decision tree）。

(1)迄今为止我们讨论的人工智能的问题,都还是局限在”认知”方面的应用, 比如图像识别,语音识别,自然语言处理,等等. 这类问题的特点是,机器获得大量原始数据的培训. 每一个输入,都有标准的”输出”的答案. 这种学习方式,也称为”有监督学习”. 但是生活中大多数问题,是没有标准正确答案的…

前言：那些流行的机器学习项目之所以受欢迎，一般是因为其提供了一种多数人需要的服务，或是因为它们是第一个（也许是最好的）针对特定用户提供服务的。那些最流行的项目包括Scikit-learn、TensorFlow、 Theano、MXNet 、Weka 等。根据个人使用的工作系统、深度学习目标不同，不同的人认为流行的项目可能会有些许差异。然而，这些项目共有的特性…

本文使用R语言模拟美式橄榄球比赛数据分析

本文使用R语言模拟美式橄榄球比赛数据分析

数据的精细化运营可以带来什么效果？主要可以体现在三个方面：首先是对运营策略的优化，下一步就是通过什么样的数据来优化。另外就是在做决策的环节需要数据，还有就是我们的预测，用户画像通过用户属性的对比，我们在大市场当中找到这样的用户，然后精准地使用我们的拉新工具。当然，使用精细化运营之后我们企业毛利的增值水平会在百分之六左右，这是一个行业数据。

全球有名的线上旅行代理网站 Booking.com（缤客网）分析了他们面向客户的 150 个成功的机器学习应用以及从中得到的六条经验教训。

关于人工智能的开源项目，相信开发者们已经目睹过不少了，Github上也有大把的资源。不过笔者今天说的并非来自Github，而是来自科技“大厂”Google发布的一些涉及到机器学习、深度学习、神经网络等优质的人工智能开源项目，精心挑选了一部分推荐给大家学习。下面就来看一看。

从深度学习到神经网络，这些框架可以简化开发过程。

数据科学家这一职业如今炙手可热，但是数据科学家也分应用型和研究型，并不如我们想象中那么高不可攀。尤其是在很多既有的工具或资源可用的情况下，数据科学的钻研可深可浅，就看你能玩到哪个级别。如今很多非科班出身的转行搞数据科学，也不是什么很稀罕的事。这不，物理学系出身的 Admond Lee 就写了一篇他的第一次实习数据科学工作的经历，希望对有志于从事数据科学职位的读者们有所启示。

根据30年的商业经验，下面的列表是我认为首先应该在数据科学课中讲授的（非全面的）内容选择。 这是我文章的后续内容为什么Logistic回归应该最后讲解。 我不确定下面这些主题是否在数据营或大学课堂上讨论过。 问题之一是招聘教师的方式。 招聘过程是有利于以学业成就或其“明星”身份而闻名的个人，并且他们倾向于在数十年内反复教导同一事物。 厉害的专业人士对成为老师…