数据科学与数据分析傻傻分不清楚？这篇文章为你解惑…
大数据已经成为当今科技界的一个重要组成部分, 但是, 区分数据分析和数据科学可能会造成混淆。尽管两者相互关联，但它们提供了不同的结果并采取了不同的方法。为了帮助你优化你的大数据分析，我们分解了两个类别，检查了它们的差异，并揭示了它们提供的价值。如果你还在傻傻分不清数据科学和数据分析，就来看看这篇文章吧～
如何使用机器学习对文本进行自动分类
文字分类能够智能地将不同的文章分类，它运用自动化的机器学习技术，整个过程高效简洁。近年来人工智能和机器学习发展迅速，为我们做出了极大的贡献。本文将重点讨论文字分类，我们会讨论技术、应用、如何定制以及在使用我们的文字自动分类API过程中的分段问题。
2018数据科学领域6大预测 机遇抢先知 还不快来一探究竟
领英公司利用数据科学技术发表了2017新兴就业报告。在报告中领英将数据科学类职业归作了美国最新兴的职位之一，因该领域的就业人口在过去五年中增长了6.5倍。尽管市场需求在不断扩大，数据科学领域的人才仍供不应求。仅领英就列出了6000多个空缺的数据科学类职位，而这仅仅是美国的人才空缺。全球各地的公司都开始认识到，几乎在人类所知的每一个行业都存在着对数据科学家们的需求。2018，让我们来看看将推动这一高需求领域的6个趋势和预测。
机器学习&数据科学不可不读的十本书
这十本关于机器学习和数据科学的免费电子书将带给你如沐春风般的体验。这一系列的书刊可以帮助你赢在起跑线上，早日成为人生赢家。这个list首先涵盖了关于统计基础的书籍，在掌握了基础知识之后，就可以开始阅读list里关于机器学习基础的书籍了，之后就能开始接触一定的拔高和拓展知识了。掌握知识后就可以对更高深的一两个课题有所接触了。最后就是要去读一读如何将这些你所学的融合为一体的书籍了。希望这些经典课题与最新热门课题的融合能够让你领悟到对于机器学习和大数据不一样的新的体验和兴趣。
五步解析机器学习难点—梯度下降
当我第一次尝试学习机器学习算法时，我发现理解一个算法在干什么真的非常难。不仅仅是因为算法里各种繁杂的数学理论和难懂的符号，没有实际的例子，光靠定义和推导来了解一个算法实在是很无聊 。就连在我上网去查找相关的指导材料时，能找到的通常都是各种公式以及晦涩难懂的解释，很少有人能够细致的将所有细节加以说明。
什么使得一个预测模型可被解释？
机器学习（Machine Learning)中的可解释性(Interpretability)的确是一个非常有意思的问题。在Quora论坛中，有大量优秀的关于这个问题的涵盖模型复杂度，可理解性和可视化等方面的讨论。随着对这些问题的反复讨论，这里我有关于一些细微的差别之间的理解。
