databricks 最近发布了 GraphFrames，这是一个用 DataFrames 封装图处理过程的Spark插件。我评估了网络分析并且利用丰富的NBA.com的数据对金州勇士的传球网络进行可视化。金州勇士的传球网络传接球联盟 MVP Stephen Curry 接到了大多数的传球，而团队中的 MVP Draymond Green则发动了最多的传球。

MVP是指最小可行性产品。 在MVP中的P代表了产品（Product），MVP对我来说代表了一种如何通过尽可能少的工作量，尽可能低的价格，尽可能快的对真正的市场进行测试。 建立一个最小可行的产品（MVP）是一种避免客户所不希望的产品开发的战略。主要的想法是要能够快速建立足以部署产品并根据客户需要的交互要求来对产品进行主要假设测试的最小的功能集合。 它不同于传统的在核实客户是否想要该产品之前就投入时

一单价值十个亿的买卖，和十单各自价值一个亿的买卖，创业者会如何选择？或许一些创业者认为，前者都是最优选：省力又省事，还不耽误赚钱。而智融集团CEO焦可却不这么想。“相比每个月放了多少钱，我们更在意每个月放了多少笔款项。”焦可说，“对我们而言，样本量比短期商业获益来得重要。”这一观点，体现了智融集团的商业模式核心要义——通过人工智能打造金融界的“最强大脑”。智融集团专注于研发以人工智能为核心

译者按：本文第一作者 Jiwei Li (李纪为) 是斯坦福的 Ph.D ，是一位在神经网络和 NLP 领域非常高产的作者。在之前发布的自然语言处理 2012-2016 年顶级会议作者统计中，他以 14 篇顶级会议论文第一作者的数据排名第一。本篇文章刚刚发布，是一篇探索性的文章，文章结合了目前主流的 sequence-to-sequence 模型和强化学习算法，在之前工作的基础上，利用一种 Alp

近日，AI 技术大牛李航博士（已加入今日头条）在《国家科学评论》（National Science Review，NSR）上发表了一篇题为《Deep Learning for Natural Language Processing: Advantages and Challenges》的论文，扼要地探讨了深度学习 NLP 的当前现状与未来机遇。作者认为深度学习可通过与强化学习、推断等技术的结合，进

更新一下有效性指标中的区分能力指标：KS(Kolmogorov-Smirnov)：KS用于模型风险区分能力进行评估，指标衡量的是好坏样本累计分部之间的差值。好坏样本累计差异越大，KS指标越大，那么模型的风险区分能力越强。KS的计算步骤如下：1. 计算每个评分区间的好坏账户数。2. 计算每个评分区间的累计好账户数占总好账户数比率(good%)和累计坏账户数占总坏账户数比率(bad%

“深度能自动获取特征”只是对某些领域而言的。实际上深度学习只是能自动对输入的低阶特征进行组合、变换，得到高阶特征。对于图像处理之类的领域来说，像素点就可以作为低阶特征输入，组合、变换得到的高阶特征也有比较好的效果，所以看似可以自动获取特征。在其他领域的情况就不是这样了。例如自然语言处理中，输入的字或词都是离散、稀疏的值，不像图片一样是连续、稠密的。输入原始数据进行组合、变换得到的高阶特征并不是

昨天在风控群内，大家都在讨论平安普惠COO的观点，“在放贷领域，只有0和1的概念，要么借要么不借”，有人说，0和1的概念肯定不适用于贷款审批，信贷审批是多维评判的，没有不能贷的客户，只有不能贷的机制；也有人说，风险定价、风险补偿机制就是用来在0和1之间进行调节的；而大家都认为，这个话题不能一概而论，要根据客户的还款意愿和还款能力去综合考虑。那么，像信用卡一样，只有0和1概念的企业是不是在风

第一篇：Deep WalkDeepWalk: Online Learning of Social Representations（2014，Bryan Perozzi）算法做什么的？输入：一个 graph输出：每个节点对应的向量算法优点信息缺失下表现良好数据稀疏的情况下表现良好可用于大规模计算（算法可以并行化）social representations我们想让 social representa

昨天，阿里巴巴达摩院发布2019十大技术趋势，其中就包括“超大规模图神经网络系统将赋予机器常识”：单纯的深度学习已经成熟，而结合了深度学习的图神经网络将端到端学习与归纳推理相结合，有望解决深度学习无法处理的关系推理、可解释性等一系列问题。强大的图神经网络将会类似于由神经元等节点所形成网络的人的大脑，机器有望成为具备常识，具有理解、认知能力的AI。此前，新智元曾经报道过清华大学孙茂松教授组对...