机器学习
74 人感兴趣 · 652 次引用
- 最新
- 推荐
从零开始初识机器学习 | 京东云技术团队
本篇文章中我们将对机器学习做全面的了解与介绍，其中第一章 初识机器学习分为上下两个小章节，对机器学习是什么、机器学习由来以及机器学习的理论等展开说明。目的是能让即便完全没接触过机器学习的人也能在短时间对机器学习有一个全面了解。
分布式机器学习 (Parameter Server)
分布式机器学习中，参数服务器(Parameter Server)用于管理和共享模型参数，其基本思想是将模型参数存储在一个或多个中央服务器上，并通过网络将这些参数共享给参与训练的各个计算节点。
让性能腾飞！亚马逊云科技的 Java 云端之旅
在上篇文章中，我们为大家介绍了亚马逊的 Java 生态及丰富的开发工具、框架。本文将分享亚马逊的 Java 架构、迁移途径，并分享一个具体实例，介绍如何使用机器学习来构建 Java 应用和提升 Java 性能。
Generative AI 新世界：过去、现在和未来
人类善于分析事物。但是现在看来，机器很有可能做得更好。机器可以不知疲倦夜以继日地分析数据，不断从中找到很多人类场景用例的模式：信用卡欺诈预警、垃圾邮件检测，股票价格预测、以及个性化地推荐商品和视频等等。他们在这些任务上变得越来越聪明了。这被
GitHub 2800 颗星，支持 GPT/Transformer，字节跳动这个开源项目是怎么来的？
AI 绘画、机器翻译、多轮对话……对于各类 AI 相关的功能来说，总有一个痛点，困扰着所有训模型的算法工程师们：
阿里云 PAIx 达摩院 GraphScope 开源基于 PyTorch 的 GPU 加速分布式 GNN 框架
阿里云机器学习平台 PAI 团队和达摩院 GraphScope 团队联合推出了面向 PyTorch 的 GPU 加速分布式 GNN 框架 GraphLearn-for-PyTorch(GLT) 。
大模型扎堆「赶考」，语文还是国产 AI 行，文言文能力超过 95% 考生
ChatGPT诞生后的第一场全国高考，考生忙，大模型们也很忙。
“AI Earth”人工智能创新挑战赛：助力精准气象和海洋预测 Baseline[3]：TCNN+RNN 模型、SA-ConvLSTM 模型
“AI Earth”人工智能创新挑战赛：助力精准气象和海洋预测Baseline[3]：TCNN+RNN模型、SA-ConvLSTM模型
“AI Earth”人工智能创新挑战赛：助力精准气象和海洋预测 Baseline[2]：数据探索性分析（温度风场可视化）、CNN+LSTM 模型建模
数据分析是解决一个数据挖掘任务的重要一环，通过数据分析，我们可以了解标签的分布、数据中存在的缺失值和异常值、特征与标签之间的相关性、特征之间的相关性等，并根据数据分析的结果，指导我们后续的特征工程以及模型的选择和设计。
“AI Earth”人工智能创新挑战赛：助力精准气象和海洋预测 Baseline[1]、NetCDF4 使用教学、Xarray 使用教学，针对气象领域.nc 文件读取处理
“AI Earth”人工智能创新挑战赛：助力精准气象和海洋预测Baseline[1]、NetCDF4使用教学、Xarray 使用教学，针对气象领域.nc文件读取处理
[EuroSys2023 Best Poster] 面向动态图的极低时延 GNN 推理采样服务
GraphLearn团队和浙大联合发表的论文被评选为EuroSys2023 best poster。
Generative AI 新世界 | 大语言模型（LLMs）在 Amazon SageMaker 上的动手实践
在上一篇《Generative AI 新世界：大型语言模型（LLMs）概述》中，我们一起探讨了大型语言模型的发展历史、语料来源、数据预处理流程策略、训练使用的网络架构、最新研究方向分析（Amazon Titan、LLaMA、PaLM-E 等），以及在亚马逊云科技上进行大型语言模型训
Generative AI 新世界 | 走进文生图（Text-to-Image）领域
在之前的四篇 “Generative AI 新世界” 中，我们带领大家一起探索了生成式 AI（Generative AI），以及大型语言模型（LLMs）的全新世界概览。并在文本生成（Text Generation）领域做了一些概述、相关论文解读、以及在亚马逊云科技的落地实践和动手实验。
AIGC 背后的技术分析 | 机器学习背后的微分入门
为了理解更深层次的原理，让我们再来讨论一下最简单的神经网络——感知器（perceptron）。感知器是由Frank Rosenblatt在1957年发明的，要想理解它，请参考图1。
推荐系统系列之推荐系统概览（下）
在推荐系统概览的第一讲中，我们介绍了推荐系统的常见概念，常用的评价指标以及首页推荐场景的通用召回策略。本文我们将继续介绍推荐系统概览的其余内容，包括详情页推荐场景中的通用召回策略，排序阶段常用的排序模型，推荐系统的冷启动问题和推荐系统架构，
机器学习平台 PAI 支持抢占型实例，模型服务最高降本 90%
助力模型推理服务降本增效，适用于推理成本敏感场景，如：AIGC内容生成异步推理、批量图像处理、批量音视频处理等。
让算力不再成为瓶颈，小红书机器学习异构硬件推理优化之道
在全球降本增效的趋势下，异构计算成为了一种很有前途的方向，可以通过将不同类型的处理器（如 CPU、GPU、FPGA 等）组合在一起来提高计算性能，从而实现更好的效率和更低的成本。
