最先进的技术：基于 AI 的图像压缩
深度学习 (DL) 一直被用于图像压缩，并且已经扩展至多层感知器、随机神经网络、卷积神经网络和生成对抗网络等技术。无论你是经营网点还是博主，加快网页页面的加载速度对于网站性能至关重要，更快的页面速度有助于改善用户体验和 SEO。本文就将带你了解基于AI的图像压缩。
5种机器学习的分类器算法
分类是一项依赖于机器学习算法（Machine Learning Algorithm）的自然语言处理任务。分类是识别、理解，并将想法、对象分到预设类别或“子群”的过程。机器学习程序使用预先分类的训练数据集，通过各种算法对未来的数据集进行分类。使用分类算法，文本分析软件可以执行情绪分析的任务，根据主题和意见的极性对非结构化文本进行分类。
Python机器学习库：pycarets新增时间序列模块
PyCaret 是一个开源、低代码的 Python 机器学习库，可实现机器学习工作流的自动化。PyCaret 新增了时间序列模块，现已开始了测试阶段。该Beta版保留了 PyCaret 操作简单的特点，与现有 API 保持一致，附加许多其他模块，例如统计测试、模型训练和选择（30 多种算法）、模型分析、自动超参数调优、实验记录、云部署等。
机器学习VS深度学习：有什么区别？
机器学习是人工智能的一种应用，其中包括解析数据、从数据中学习，然后应用他们所学到的知识来做出明智决策的算法。但大家经常把机器学习（ML）和深度学习（DL）混淆，因为这两者都属于数据科学的范畴。虽然机器学习和深度学习存在相似之处，但它们之间也存在主要的区别。本文将通过三个示例为你解答ML和DL的区别所在。
如何回答ML机器学习的面试问题?
机器学习面试中，除了答案以外，面试官还想看到你对该主题/问题更深层次的了解。在回答问题时，简单地陈述答案是不够的，你应该将问题展开讲述，例如陈述利弊、讨论替代模型/算法、编写方程式、甚至建议如何生产模型等。让我们来看看下面的几个例子，帮助我们了解应该如何回答 ML 面试问题。
Huber回归和Ridge回归：如何处理Python中的异常值？
在处理数据中的异常值时，传统的线性回归（Linear Regression）可能存在一些缺点。如果一个数据点离集合中的其他点很远，这会极大地影响最小二乘回归线，接近集合数据点的总体方向的线将因异常值的存在而发生偏移。本文将介绍如何处理数据样本中的异常值、Huber回归和Ridge回归的区别、如何在Huber回归中修改异常值敏感度、以及如何用 RMSE 确定模型。
神经网络——不止是深度学习
神经网络（Neural Networks）是计算智能（Computational Intelligence）的一个分支，比深度学习更加高级。然而，神经网络不仅仅是深度分类/回归算法。神经网络研究领域包括前馈神经网络、循环神经网络、自组织神经网络、深度学习、卷积神经网络等。这篇文章会对三种不同类型的神经网络——卷积神经网络、自组织特征图、和极限学习机进行高度概括。
机器学习面试，你必须知道这些数学知识
机器学习是指训练计算机程序，以建立基于数据的统计模型的过程。 机器学习 (ML) 的目标是转换数据，并从数据中识别关键模式或获得关键见解。而数学是机器学习面试中的一大重点。为了练习，我们汇总了机器学习面试问题中的数学相关的函数和问题。这份ML最重要数学的指南会对大家的求职很有帮助。
