向AI转型的程序员都关注了这个号???大数据挖掘DT数据分析  公众号： datadw车辆是视频场景中最关键的对象之一，车辆 和 人 是视频检测永恒的话题。       车辆检测 是车辆分析中关键的一步，是后续进行 车型识别、车标识别、车牌识别、车辆特征 的基础。       关于检测的方法和框架有很多，不外乎是特征训练和分类，这里推荐两篇综述性文章：[1] Benenson R, Omran M

向AI转型的程序员都关注了这个号???大数据挖掘DT数据分析  公众号： datadw深度学习是一个计算需求强烈的领域，您的GPU的选择将从根本上决定您的深度学习体验。在没有GPU的情况下，这可能看起来像是等待实验结束的几个月，或者运行一天或更长时间的实验，只是看到所选参数已关闭。有了一个好的，坚实的GPU，人们可以快速迭代深度学习网络，并在几天而不是几个月，几小时而不是几天，几分钟而不是几小时的

向AI转型的程序员都关注了这个号???大数据挖掘DT数据分析  公众号： datadw给你讲个段子！真实的！   我去一家量化交易公司实习，一次meeting中，我和老总还有一个资深大佬谈机器学习在股票和期货里面的应用。  我：LSTM在时间序列上应用的效果比较好，我们可以尝试把LSTM应用在股票预测上。  此时，大佬在阴笑，老总默不作声...  我：你为啥笑  大佬: 不work啊！ 我：为什么

向AI转型的程序员都关注了这个号???大数据挖掘DT数据分析  公众号： datadw车辆是视频场景中最关键的对象之一，车辆 和 人 是视频检测永恒的话题。       车辆检测 是车辆分析中关键的一步，是后续进行 车型识别、车标识别、车牌识别、车辆特征 的基础。       关于检测的方法和框架有很多，不外乎是特征训练和分类，这里推荐两篇综述性文章：[1] Benenson R, Omran M

向AI转型的程序员都关注了这个号???大数据挖掘DT数据分析  公众号： datadw1、学习率步长的选择：你走的距离长短，越短当然不会错过，但是耗时间。步长的选择比较麻烦。步长越小，越容易得到局部最优化（到了比较大的山谷，就出不去了），而大了会全局最优重要性：学习率>正则值>dropout学习率：0.001，0.01，0.1，1，10  …….以10为阶数尝试小数据集上合适的参数大数据集上一般不

向AI转型的程序员都关注了这个号???大数据挖掘DT数据分析  公众号： datadwKeras是一个简约，高度模块化的神经网络库。可以很容易和快速实现原型（通过总模块化，极简主义，和可扩展性）同时支持卷积网络（vision）和复发性的网络（序列数据）。以及两者的组合。无缝地运行在CPU和GPU上。keras的资源库网址为https://github.com/fchollet/kerasolive

向AI转型的程序员都关注了这个号???大数据挖掘DT数据分析  公众号： datadw1. CIFAR-10 & CIFAR-100    CIFAR-10包含10个类别，50,000个训练图像，彩色图像大小：32x32，10,000个测试图像。下载地址https://www.cs.toronto.edu/~kriz/cifar.html    （类别：airplane，automobile, b

向AI转型的程序员都关注了这个号???大数据挖掘DT数据分析  公众号： datadw 情感分析是一种常见的自然语言处理（NLP）方法的应用，特别是在以提取文本的情感内容为目标的分类方法中。通过这种方式，情感分析可以被视为利用一些情感得分指标来量化定性数据的方法。尽管情绪在很大程度上是主观的，但是情感量化分析已经有很多有用的实践，比如企业分析消费者对产品的反馈信息，或者检测在线评论中的差评信息。

向AI转型的程序员都关注了这个号???大数据挖掘DT数据分析  公众号： datadwIntroduction       卷积神经网络CNN，虽然它听起来就像是生物学、数学和计算机的奇怪混杂产物，但在近些年的机器视觉领域，它是最具影响力的创新结果。随着AlexKrizhevsky开始使用神经网络，将分类错误率由26%降到15%并赢得2012年度ImageNet竞赛（相当于机器视觉界的奥林

向AI转型的程序员都关注了这个号???大数据挖掘DT数据分析  公众号： datadw 本文是对 http://mnemstudio.org/path-finding-q-learning-tutorial.htm 的翻译，共分两部分，第一部分为中文翻译，第二部分为英文原文。翻译时为方便读者理解，有些地方采用了意译的方式，此外，原文中有几处笔误，在翻译时已进行了更正。这篇教程通俗易懂，是一份很不错