本文只简单介绍机器学习实践中需要掌握的基础知识,不涉及细节,具体细节部分需要花时间去实践和了解,后续有时间的话会在本博客相应栏目中进行补充。


计算工具:TensorFlow、Caffe、MXNet、sklearn、keras、DMLC、kylin


计算资源:CPU、GPU、FPGA


算法场景:分类、回归、聚类


架构:参数服务器(Parameter Server)


会议:NIPS、ACL、WSDM、ICML、 KDD、ICLR、CVPR


常用算法:LR、GBDT、Random Forest、Deep Learning(CNN、RNN、CTC)


应用场景:OCR识别、人脸识别、序列标注、命名实体识别、GAN


线上服务:http、RPC


其他:

数据不平衡问题:http://www.fashici.com/tech/2.html

常见损失函数:http://www.fashici.com/tech/101.html


TensorFlow实践:http://www.fashici.com/techc/TensorFlow.html



参考:

DMLC官网:http://dmlc.ml/

https://www.jiqizhixin.com/articles/a81cce67-a3d4-490d-8f0b-f4562beb3478

https://zhuanlan.zhihu.com/p/27852191?group_id=868609062487625728

http://blog.csdn.net/sileixinhua/article/details/75203725