Services 开发机器学习解决方案提升现有的预测算法并不是一件容易的事情。这需要大量的工作来保证其正确性，包括清除数据、建立基础结构、测试和再测试模型以及最终部署算法。 这里有六种机器学习服务，它们可以帮助你减少部署机器学习解决方案的痛苦。

Software Foundation (ASF) 开发的一个全新的开源项目，其主要目标是创建一些可伸缩的机器学习算法，供开发人员在 Apache 在许可下免费使用。该项目已经发展到了它的最二个年头，目前只有一个公共发行版。Mahout

据专家建立了各种各样的机器学习模型来帮助识别交易中的风险。作为公司业务的后盾，该团队究竟是如何建立机器学习模型的呢？近日，Airbnb公司 公布 了利用相关数据建立和改善机器学习模型的过程。接下来，本文就对该过程进行简单介绍。

数据科学领域中所采用的机器学习编程语言大相径庭。究竟哪种语言最适合机器学习成为争论不休的话题。近日，密西根州立大学的博士生Sebastian Raschka再次发起了 机器学习编程语言之争 ，分析了自己选择Python的原因。

最近媒体报道谷歌正在利用机器学习帮助处理搜索结果，这引发了人们对于这一人工智能领域的兴趣和疑问。什么是“机器学习”，机器是如何自学的呢？这里有一些 Google 内部关于机器学习的背景介绍。 昨天

你周围的人是否都在谈论着“机器学习”？而你是否也听说过一些算法技术却仍旧缺乏一个全局的认识？本文也许就是一个好的起点…… 智力的新纪元 在科学界，机器学习是目前很热门的话题。通过把计算机和人类的能

SmileMiner是一个汇集了各种机器学习算法的纯Java函数库，它是自包含的，仅仅需要Java标准库。主要部件为：Smile，-Math，-Data，-Graph，-Interpolation，-

果的一种反馈。 常见，易懂的受到前位影响的算法，加法算法。十位的结果，所到个位结果的影响，因为可能有进位，同样，百位的结果所到十位的影响。 这种受到前位影响的算法非常的常见，而经典BP神经网络

随着基于人工智能与机器学习的应用如雨后春笋般不断涌现，我们也看到有很多提供类似功能的 API 悄悄登上了舞台。 API 是用于构建软件应用的程序、协议以及工具的组合；本文是对2015 中这个列表的修正与完善，移除了部分被废弃的

机器学习涉及到的方面非常多。当我开始准备复习这些内容的时候，我找到了许多不同的”速查表”, 这些速查表针对某一主题都罗列出了所有我需要知道的知识重点。最终我编译了超过 20 份机器学习相关的速查表，其

Azure 机器学习平台 这样的云端服务平台，企业不仅仅可以用它来储存数据，做一些经典的“后视”商务智能分析，更能使用云端的强大力量做出具有“前瞻性”的预测分析。使用 Azure 机器学习 这样的现代

化其已非常出色的搜索算法，它的竞争者如必应，苹果，微软，甚至是Facebook也引进或升级了对应的系统来优化它们的用户搜索体验。 而这些优化的核心目标则是解决计算机与人工智能历史上最困难的问题之一

的无障碍小组研发，他们已经在这一项工具的研发上花费了几个月的精力 《Salesforce收购人工智能初创公司MetaMind》 ：对于此次收购，MetaMind 的联合创始人兼 CEO Richard

这里 。 开幕前一天，Google 在总部举办了一堂名为“机器学习 101”的人工智能课，尝试用最接地气的方法介绍谷歌在机器学习方面正在做的事情。 这堂课的老师 克里斯汀·罗伯森 (Christine

Network)是Python的一个机器学习模块，它的目标是为机器学习任务提供灵活、易应、强大的机器学习算法。（这名字很霸气） PyBrain正如其名，包括神经网络、强化学习(及二者结合)、无监督学习、进化算法。因为目前的

用它们执行预测分析和模式识别，机器学习是必经之路。这门科学，计算机可以在没有事先规划的前提下自主学习、分析和操作数据，现在越来越多的开发人员关注机器学习。 机器学习技术的兴起不仅是因为硬件成本越来

机器学习开源项目、类库、软件集合。 对于免费的机器学习书籍下载请转向： 这里 。For a list of free machine learning books available for download

Scikit-Learn是基于python的机器学习模块，基于BSD开源许可证。这个项目最早由DavidCournapeau 在2007 年发起的，目前也是由社区自愿者进行维护。 Scikit-Learn的官方网站是

算算时间，从开始到现在，做机器学习算法也将近八个月了。虽然还没有达到融会贯通的地步，但至少在熟悉了算法的流程后，我在算法的选择和创造能力上有了不小的提升。实话说，机器学习很难，非常难，要做到完全了解算法的流程、特点

现在有许多的机器学习算法实现是可以扩展到大数据集上的(其中包括矩阵分解、SVM、逻辑回归、LASSO 等等)。实际上，机器学习专家们很乐于指出的一点是：如果你能把机器学习问题转化为一个简单的数值优化问题，你就几近成功了。