• 干货 | 携程 Elasticsearch 数据同步实践

    作者简介 dot，携程技术经理，专注高并发、高性能领域。 一、背景 Elasticsearch 是最近几年非常热门的分布式搜索和数据分析引擎，携程内部不仅使用 ES 实现了大规模的日志平台，也广泛使用 ES 实现了各个业务场景的搜索、推荐等功能。 本文聚焦在业务搜索的场景分享了我们在做数据同步方面的 ....

  • Embedding 从入门到专家必读的十篇论文

    作者： [链接] [链接] 今天我们不分析论文，而是总结一下 Embedding 方法的学习路径，这也是我三四年前从接触 word2vec，到在推荐系统中应用 Embedding，再到现在逐渐从传统的 sequence embedding 过渡到 graph embedding 的过程，因此该论文列 ....

  • 深度学习必备的几款流行网络与数据集

    一。 常用网络 深度学习相关的几个比较著名的网络，AlexNet、VGG、GoogleNet、ResNet。 [图片] 从整体趋势来看，准确度越来越高，同时网络层数也越来越多，可以认为网络结构的复杂性带来效果的提高，而模型参数的数量并非越多越好，合适就好，参数数量太多可能会一定程度上导致过拟合问题。 ....

  • 机器学习：K 折交叉验证的问题

    机器学习里面 K 折交叉验证，到底验证的是什么？ 比如，我需要一个模型，然后用了 K 折交叉验证，k 次的训练集都不一样，那么模型中算出来的参数也不一样，那我不就相当于有了 k 个模型。那 K 次的 MSE 平均得到模型的评估值有什么意义？ 另外，那我该怎么确定模型的参数？

  • 文本相关性在蘑菇街搜索推荐排序系统中的应用

    [图片] 作者：美丽联合集团 算法工程师 琦琦 ，公众号关注：诗品算法 本文经作者授权转载，转载请联系原作者 推荐阅读：蘑菇街首页推荐视频流——增量学习与 wide&deepFM 实践（工程 + 算法） 0、引言 好久不见。十月最后一天，居然也是十月的第一篇，脸疼。今天我们来聊聊相关性吧。如 ....

  • 发布 AI 芯片昆仑和百度大脑 3.0、L4 自动驾驶巴士量产下线，这是百度 All in AI 一年后的最新答卷

    去年的 7 月 5 日，百度在北京国际会议中心开办了首届「AI 开发者大会」。在会上，百度首次喊出了「All in AI」的口号。一年的时间过去了，今天在同样地点举行的第二届开发者大会上，李彦宏说道：去年我吹过一个牛，百度的 L4 级别无人驾驶车的量产，会在 2018 年的 7 月份。今天我要说的是 ....

  • 生产实践 | 基于 Flink 的直播实时数据建设 （一）| 需求和架构篇

    注：本文经授权转载自 mangodata YangYichao 转载请关注作者公众号联系原作者 ❝本系列每篇文章都是从一些实际生产实践需求出发，解决一些生产实践中的问题，抛砖引玉，以帮助小伙伴们解决一些实际生产问题。相信大家或多或少都观看过直播，那大家有没有想过，如果自己负责建设公司内整体直播实时数 ....

  • 美团图数据库平台建设及业务实践

    来源： 登昌 梁帅 高辰等 美团技术团队 导读：图数据结构，能够更好地表征现实世界。美团业务相对较复杂，存在比较多的图数据存储及多跳查询需求，亟需一种组件来对千亿量级图数据进行管理，海量图数据的高效存储和查询是图数据库研究的核心课题。本文介绍了美团在图数据库选型及平台建设方面的一些工作。 1 前言 ....

  • 马蜂窝 ABTest 多层分流系统的设计与实现

    导读： 5 月 23 日，马蜂窝旅游网宣布完成 2.5 亿美元新一轮融资，此轮融资由腾讯领投。 在接授腾讯《潜望》栏目的专访时，马蜂窝 CEO 陈罡谈到，「现在马蜂窝是个数据驱动的公司，要以结果说话，能用 ABTest 解决的问题就没有必要谈其他」。 作为一家数据驱动的公司，当前在马蜂窝 ABTes ....

  • Java 编程方法论之响应式编程系列视频

    Java 编程方法论-响应式编-RxJava 已完结 重制版 bilibili：[链接] 油管：[链接] 视频下载地址：[链接] 提取码： xe8s Java 编程方法论-响应式编-Reactor 更新至 35P B 站：[链接] 油管：[链接] 视频部分源码： [链接]

  • 一文看懂智能合约的现状与未来

    https://img.6aiq.com/e/5ccf378b4043435b8a2ed0c56a414ea2.html;charset=UTF-8https://img.6aiq.com/e/a2d10b20b0674a9c81a947c782ccc569.html;charset=UTF-8&g ....

  • SVM 优化出来支持向量点的不等式约束不等于 1 是为什么？

    import numpy as np import random import matplotlib.pyplot as plt C=1 def selectj(i,n): j = i while(j==i): j = random.randint(0,5) return j xt1 = np.ar ....

  • AIQ - 人工智能 | “照骗”难逃 Adobe 的火眼金睛——用机器学习让 P 图无所遁形

    [图片] 译者 | shawn 编辑 | 姗姗 出品 | 人工智能头条 （公众号 ID：AI_Thinker） 【导读】下图是 2008 年伊朗政府发布的一张图片，然而强大的网友们却凭借着肉眼，看出来图中黄色圈出的部分和红色圈出的部分是一模一样的，不得不说网友们真的是火眼金睛。而在今年的 CVPR ....

  • 生产实践 | Flink + 直播（二）| 如何建设实时公共画像维表？

    注：本文经授权转载自 mangodata YangYichao 转载请关注作者公众号联系原作者 ❝本系列每篇文章都是从一些实际生产实践需求出发，解决一些生产实践中的问题，抛砖引玉，以帮助小伙伴们解决一些实际生产问题。本篇为直播实时数据建设系列的第二篇，本篇主要介绍直播间画像实时维表建设的整个过程，如 ....

  • 适合程序员用的笔记本电脑

    首先，这种配置还要散热好的[链接]都长不了，而且也不会太轻。其次 [链接] [链接] 对配置的要求并没有这么高，可以考虑配置稍低但续航较长的电脑，标压 i5+860M/960M 就可以满足需求，剩下的钱可以加加 SSD，内存什么的。 其实，还是看你是哪种类型。也就是你的需求。 1. 痴迷技术型 我认 ....

  • 深度拆解特征工程经典案例，掌握比赛上分利器

    在建模领域人们常说，数据和特征决定机器学习的上限，而模型和算法只是不断地逼近这个上限。 真正参与过机器学习比赛的人，都能深深体会特征工程在构建机器学习模型中的重要性，它决定了你在比赛排行榜中的位置。 因为在算法竞赛的过程中，大家知道的数据都差不多，算法也都差不多，真正能拉开差距的地方就在于特征工程和 ....

  • 强化学习系列二——应用 AlphaGo Zero 思路优化搜索排序

    文章作者：杨镒铭 滴滴出行 高级算法工程师 内容来源：记录广告、推荐等方面的模型积累@知乎专栏 在深度学习大潮之后，搜索推荐等领域模型该如何升级迭代呢？强化学习在游戏等领域大放异彩，那是否可将强化学习应用到搜索推荐领域呢？推荐搜索问题往往也可看作是序列决策的问题，引入强化学习的思想来实现长期回报最大 ....

  • 精华 | 搜索推荐系统实战篇 - 上半篇

    欢迎关注我的公众号： 炼丹笔记 1. 前言 背景 在电商搜索中，例如淘宝，拼多多，京东等的搜索的场景往往是：用户 A 通过搜索框 Query 找到他/她想要购买的东西，然后搜索引擎通过某些算法策略返回一系列商品，用户再决定是否进行点击购买。 要做好这样一个问题，我们需要抓住问题的核心。那么搜索引擎的 ....

  • 如何强化数据集中某个特征的影响？

    在我的数据集中，总共有 180 个特征，所有的特征都归一化到了 0-1 区间，但是其中有两个非常重要，其他的也不能去掉，通过对特征施加权重可以实现吗。另外，如果对这些特征施加权重，所有权重之和为 1，也就是说有 180 个权重，所有权中加和为 1，而我的特征已经归一化到了 0-1 区间，在与权重相乘 ....

  • 【转自知乎】当下（2018 年）腾讯的技术建设是否处于落后同体量公司的状态？

    知乎原文 https://www.zhihu.com/question/278473776/answer/497643585?from=timeline&isappinstalled=0&utm_medium=social&utm_source=wechat_timeline ....

本文目录

    热门标签

    广告位

    热门文章

    阿里云新老用户最新优惠

    阿里云新老用户最新优惠

    最新发布

    最新评论