首页
AI Coding
NEW
沸点
课程
直播
活动
AI刷题
APP
插件
搜索历史
清空
创作者中心
写文章
发沸点
写笔记
写代码
草稿箱
创作灵感
查看更多
会员
登录
注册
劉陽
掘友等级
Java研发
获得徽章 0
动态
文章
专栏
沸点
收藏集
关注
作品
赞
17
文章 17
沸点 0
赞
17
返回
|
搜索文章
赞
文章( 17 )
沸点( 0 )
【React 源码分析】组件通信、refs、key 和 ReactDOM
React 源码系列文章,请多支持!
ZooKeeper 原理及其在 Hadoop 和 HBase 中的应用
ZooKeeper 是一个开源的分布式协调服务,由雅虎创建,是 Google Chubby 的开源实现。分布式应用程序可以基于 ZooKeeper 实现诸如数据发布 / 订阅、负载均衡、命名服务、分布式协调 / 通知、集群管理、Master 选举、分布式锁和分布式队列等功能。
零基础入门深度学习(1):感知器,激活函数
零基础入门深度学习 (1) - 感知器零基础入门深度学习 (2) - 线性单元和梯度下降零基础入门深度学习 (3) - 神经网络和反向传播算法零基础入门深度学习 (4) - 卷积神经网络 零基础入门深度学习 (5) - 循环神经网络。 零基础入门深度学习 (6) - 长短时记忆网络 (LSTM)。 无论即将到来的是大数据时代还是人工智能时代,亦或是传统行业使用人工智能在云上处理大数据的时代
从人脑研究入手_使人工智能不再 “四肢发达_头脑简单”
阿里云人工智能科学家、人工智能孵化团队负责人闵万里博士带来题为 “KDD Cup2017 背后的人工智能实践” 的演讲。本文主要从人脑神经网络的研究开始谈起,重点说明了人脑研究的应用案例,包括我是歌手总决赛排名预测、ET、交通管理、运输车辆调度、送外卖和协鑫企业实践,最后还有对 KDD Cup 大赛题目背后的思考以及对量子计算的展望。
【HadoopSummit2016 精华讲义】将 HDFS 演进成广义分布式存储子系统
本讲义出自 Sanjay Radia 与 Jitendra Pandey 在 Hadoop Summit Tokyo 2016 上的演讲,主要分享了 HDFS 的相关概念,分享了 HDFS 从过去的演进过程以及在未来的发展方向,在讲义中介绍了目前值得关注的问题:文件和存储块的扩展性问题,并且分享了存储容器对于存储层的泛化。
深度学习实现之空间变换网络
我的 “深度学习论文实现” 系列的前三个博客将涵盖 2016 年由 Google Deepmind 的 Max Jaderberg, Karen Simonyan, Andrew Zisserman and Koray Kavukcuoglu 提出的空间变换网络概念。空间变换网络是一个可学习模型,旨在提升卷积神经网络在计算和参数方面的空间恒定性
浅谈新型 RNN(循环神经网络)架构——End-To-End 的 Memory Networks 框架
文章提出 End-To-End 的 Memory Networks 框架,是一种新型的 RNN 架构,在输出最终结果之前会从一个外部存储器中多次循环读取数据,同时对 2015 年 J.Weston 提出的 Memory networks 进行对比,认为是其模型的连续形式,并且之前的模型不是很容易用 bp 进行训练,而且在网络的每一层需要监督学习。作者认为 End-To-End 是其模型的一大特点,能够从 input 到 ouput 直接训练,可以在很多任务上进行拓展,包括一些实现监督学习比较困难的任务,如语言模型,现实领域的监督问答等等。
踩一坑,采一金之 php 数据类型那点 “破” 事
php 边学边写差不多一年多点,php 这种弱类型语言与之前接触的 c、java、as3 等语言还是挺不一样的,现在觉得很庆幸的是从 c 开始学编程,无论数据类型还是指针也好,至少有个基础的概念。 在 php 数据类型上踩了不少坑,也学到了一些东西,在这里分享一下,看源码可能会很枯燥,不过了解一些底层实现就好,后面不要再踩坑。
阿里 9 年,我总结的前端架构演进 3 大阶段及团队管理心法
技术人生就是在不断地修行,每个人都有每个人的功课,每个人也有每个人的精彩。你也许刚上路,又或许踽踽独行了很久,听听别人的故事没准也能帮助自己的成长。下面让我们一起听听一个在阿里待了九年的工程师的故事吧!
【双 11 背后的技术】基于深度强化学习与自适应在线学习的搜索和推荐算法研究
淘宝的搜索引擎涉及对上亿商品的毫秒级处理响应,而淘宝的用户不仅数量巨大,其行为特点以及对商品的偏好也具有丰富性和多样性。因此,要让搜索引擎对不同特点的用户作出针对性的排序,并以此带动搜索引导的成交提升,是一个极具挑战性的问题。传统的 Learning to Rank(LTR)方法主要是在商品维度进行学习,根据商品的点击、成交数据构造学习样本,回归出排序权重。LTR 学习的是当前线上已经展示出来商品排序的现象,对已出现的结果集合最好的排序效果,受到了本身排序策略的影响,我们有大量的样本是不可见的,所以 LTR 模型从某种意义上说是解释了过去现象,并不一定真正全局最优的。针对这个问题,有两类的方法,其中一类尝试在离线训练中解决 online 和 offline 不一致的问题,衍生出 Counterfactural Machine Learning 的领域。另外一类就是在线 trial-and-error 进行学习,如 Bandit Learning 和 Reinforcement Learning。
下一页
个人成就
文章被点赞
433
文章被阅读
26,789
掘力值
956
关注了
14
关注者
11
收藏集
0
关注标签
2
加入于
2016-12-20