机器学习

数据科学家的工作是弄清事实。 不过在进行这种分析时，又不得不必须做出主观决定。 因此，即使处理确凿的事实和数据，数据科学也有很强的解释性成分。因此，数据科学家需要格外小心避免受到认知偏见的影响。在这篇文章中，会列举出几种最常见的偏见类型。 同时还提供了一些避免它们的方法，并做出更好、更合理的决策的建议。

机器学习正在推动人工智能的大部分最新进展，包括计算机视觉、自然语言处理、预测分析、自主系统和广泛的应用。 由于自动化机器学习 (AutoML)、协作 AI 和机器学习平台（如 Dataiku）的进步，所有不同工作类型的人对数据的使用（包括用于预测建模）正在增加。 本文将介绍合理建立机器学习模型的四个概念，同时带你了解构建模型的过程。

动态定价是一种应用可变价格而不是固定价格的定价策略。 零售商可以每天多次更新价格，而不是决定一个季节的固定价格，以利用不断变化的市场。这些价格变化的目标有两个：一方面，公司希望优化利润率，另一方面，他们希望增加销售机会。本文将以行业代表性系统为例，带你了解动态定价背后的技术和框架逻辑。

TikTok利用了优秀的算法成为了行业的领头羊。他们的数据科学家利用算法，通过用户与应用程序的交互表达（例如发表评论或关注帐户）找到偏好，在考虑用户偏好后建议内容，让TikTok成为了目前最受欢迎的社交平台之一。本文将介绍TikTok 的是如何应用推荐系统的技术，他的优势是什么，以及机器学习是如何融入其中的。

TikTok 推荐算法给人感觉复杂而神秘，但它的原理并不是秘密！根据 TikTok 的说法：“系统通过多种因素对视频进行排名来推荐内容—从你作为新用户表达的兴趣开始，根据你不感兴趣的事物进行调整”。从你使用的标签、你的位置、音乐选择，甚至你喜欢的第一个 TikTok 视频，它们都可以影响 TikTok 算法。在这篇文章中，我们将 TikTok 算法、它的优势和带来的影响。

大多数数据科学爱好者都知道如何构建和训练模型，但如何部署模型并让他在现实生活中有用，有时是个有挑战性的问题。 幸运的是，有许多不同的平台和工具可用于帮助进行模型部署。 Amazon Sagemaker 是最具代表的工具之一，因为它在很大程度上减少了构建、训练和部署模型的努力和犹豫。 借助 Lambda 函数，可以在 AWS 云上自动训练和部署模型。

聚类分析是将一组对象以某种方式分组，让同组中的对象彼此之间比其他组更相似。 它是探索性数据分析的主要工具，也是统计数据分析的常用技术，应用于许多领域，包括模式识别、图像分析、信息检索、计算机图形学和机器学习等等。本文介绍了不同种类的聚类分析和它们的使用场景，带你迅速了解Clustering Techniques!

我在本文中分享的计划，可用作准备数据科学面试、加强数学概念、或作为机器学习研究的开始。这个计划不仅有助你对机器学习的直观理解，而且还可以用于许多其他高阶领域，如统计信号处理，计算电动力学等等。