强化学习全解；Facebook 机器学习@Scale 2017 资料汇总 | 开发者日报

强化学习全解

强化学习（Re-inforcement Learning） 是一种基于与环境互动的目标导向的学习。强化学习被认为是真正的人工智能的希望。作者认为这是正确的说法，因为强化学习拥有巨大的潜力。

据雷锋网了解，很多人说，强化学习被认为是真正的人工智能的希望。本文从 7 个方面带你入门强化学习，读完本文，希望你对强化学习及实战中实现算法有着更透彻的了解。

详情：http://dataunion.org/27366.html

Facebook 机器学习@Scale 2017 资料汇总

据雷锋网了解，上周 Facebook 了举办了机器学习 @Scale 大会，大会汇集了众多数据科学家、工程师和研究人员，他们讨论大规模应用机器学习解决方案中的技术挑战范围。

300 多名与会者聚集在曼哈顿大都市西部，听取来自 Bloomberg，Clarifai，Facebook，Google，Instagram，LinkedIn 和 ZocDoc 的工程领导人的讲话，他们分享了各种不同的方法来构建数百万甚至数十亿人使用的机器学习系统。

现将演讲视频整合于一个页面中，方便来到雷锋网(公众号：雷锋网)的大家聆听、学习、查阅。

详情：http://t.cn/RJ1jEyc

科学数据云

Stefan 在视频中探讨了他在 StitchFix 是如何利用云来使 80 个数据科学家一起工作的。

他也谈及了对原型的想法、算法和分析，以及他们是如何在 Hive，Presto，Redshift 和 Spark 之间建立以及保持模式的同步。

对于众多数据科学家共同工作，究竟如何使数据访问更加简洁方便，Stefan 也进行了相应的分享。

详情：http://dwz.cn/5m4FYq

大数据的稀疏网络：利用大规模学习的简约性

高维数据分析科学和工业变得无处不在。

数据分析的一个重要工具是非参数模型的监督学习，这种方法在没有明确的数据假设的情况下估计了目标和输入变量之间的依赖关系。然而，这种普遍性是要付出计算成本与输入维数的成倍增长作为代价。一般来说，非参数模型不能逃避维度增长的问题，除非这个问题具有确定的一些属性。因此，为了促进大规模监督学习的发展，本文主要关注两个属性：数据低维流形的存在和高阶输入变量之间的相互作用的重要性打折。一个问题常常在一定程度上表现出这两种属性。为了识别和利用这些属性，这工作扩展了对于分层稀疏网络模型的简约性的概念。在发展学习算法的同时，也优化了模型参数和模型结构以适应手头的问题。

详情：http://t.cn/RJDMPpv

论文下载地址：https://pan.baidu.com/s/1o8oDuTO

深度学习是如何改变数据科学规范的？

深度学习正在改变一切，它正变得无处不在。

就像电子和电脑改变了所有经济活动一样，人工智能将重塑零售、运输、制造、医药、电信、重工业……甚至数据科学本身。这个应用领域的列表还在持续增长，而这个列表正是展示出了在哪些领域中 AI 可以比人类做得更好。

我们在 Schibsted 看到了深度学习所提供的机会，对于能够在其中做出一份贡献，我们也很兴奋。

详情：http://t.cn/RJg1DQY

。