本文分享如何证明与实现一个神经网络，本篇博客拖延了很久，因为要深入浅出的讲明白是需要花点功夫的（画神经网络图、用latex推导公式）。 继续阅读 →

本文分享”波士顿房价”的数据分析与线性回归问题。 继续阅读 →

本文介绍如何对分类模型进行效果评估。 继续阅读 →

本文介绍如何推导L2正则化，涉及到数学推导没法事无巨细，所以下面只是一个大概的流程记录。

继续阅读 →

本文介绍如何推导与手写一个逻辑回归分类模型，涉及到数学推导没法事无巨细，所以下面只是一个大概的流程记录。 继续阅读 →

本文介绍如何推导与手写一个感知机分类模型，涉及到数学推导没法事无巨细，所以下面只是一个大概的流程记录。

继续阅读 →

本文介绍如何推导与手写一个线性回归模型，涉及到数学推导没法事无巨细，所以下面只是一个大概的流程记录。 继续阅读 →

”鸢尾花”数据是用来讲”分类问题”的老生常谈了，下面我们站在一个相对纯粹的角度再来看看这个数据集。 继续阅读 →

Python数据分析三大套件numpy、matplotlib、pandas的学习资料太多了，如果你想”系统的、快速的“再梳理一下知识体系，我给大家推荐一个优质学习资料。 继续阅读 →

本文基于kaggle豆瓣影评数据集，演示如何利用pyspark的word2vec和LSH库实现相似影评的计算，同样的方式可以用于相似内容匹配，例如：在海量文章中检测存在抄袭的文章等类似需求。 继续阅读 →

我们采用tensorflow-serving部署模型，利用文件同步机制分发model到tensorflow-serving目录下，由tensorflow-serving自动热加载最新N个版本模型，或者直接指定加载哪些版本。 继续阅读 →

tensorflow（2.x版本）生产训练需要在大规模训练样本下完成，单机已经无法满足训练速度。

tensorflow on spark是yahoo开源的基于spark进行分布式tensorflow训练的开发框架，本文要求读者熟练tensorflow单机使用，最好读一下前一篇博客：《tensorflow2.0 – 端到端的wide&deep模型训练》。

继续阅读 →

本文将基于泰坦尼克数据集，展现tensorflow2.0实现wide&deep模型训练的整个工程化流程，内容包括： 继续阅读 →

本文通过一个tensorflow例子，通俗的说明神经网络是如何工作的，以便我们更自信的驾驭它。 继续阅读 →

学机器学习，不可能一直停留在”API侠”层面，终究会开始探究原理的，而机器学习的原理就是数学。 继续阅读 →

本文以泰坦尼克数据集为例，提供了一套端到端的完整tensorflow2.0工程示例： 继续阅读 →

关于机器学习，很多地方提到GBDT+LR这类炼金方法，常用于CTR预估的二分类问题。 继续阅读 →

神经网络和xgboost有一个很大的区别，就是xgboost树模型对每个特征的数值范围不敏感，因此基本不需要做特征预处理就可以达到不错的效果。

而神经网络对特征的数值范围敏感，如果不进行特征预处理，模型效果可能还不如xgboost。 继续阅读 →

刚参加完这个大会，谷歌不仅技术创新牛，而且还非常大方，难怪长盛不衰了。 继续阅读 →