很多时候需要为非专业人士解释机器学习，本文提供以下参考。
小米最新推出了深度学习服务：Xiaomi Cloud-ML，帮助生态链公司实现更多人工智能的可能，下面是Xiaomi Cloud-ML介绍！
近日，一种专门用于在网页内执行神经网络算法的JavaScript库——TensorFire引起了人们的关注，这种JavaScript库在浏览器中使用GPU加速运行谷歌的TensorFlow，是机器学习走向大众化的一种方式。
就像是Rail出现之前的网站：一群随机PHP脚本，商业逻辑和标记符号乱混一气。在TensorFlow项目中，数据管道、数学和超参数/配置管理无组织地混为一团。我认为我们还未发现精美的结构/组织。（或者说是还未重新发现，就像DHH重新发现并普及 MVC那样。）我的项目结构一直在进步，但是我不会认为它是精美的。
对于初学者来讲，入门机器学习和深度学习非常困难；同时深度学习库也难以理解。通过收集多方资源，我在 Github 上创建了一个速查表库，希望能对你有所帮助。欢迎访问这个库，并完善它（如果你也有速查表）。
最近一段时间，Web 生态系统发展迅速，虽然 JavaScript 和 Node.js 在性能上仍然不及 Python 和 Java，但它们也已经强大到足以处理许多机器学习的问题。Web 开发语言非常易用，它们在这一点上受益匪浅——你只需要在 Web 浏览器运行一个 JavaScript ML 项目即可。
机器学习算法可以分为三大类：监督学习、无监督学习和强化学习。监督学习可用于一个特定的数据集（训练集）具有某一属性（标签），但是其他数据没有标签或者需要预测标签的情况。无监督学习可用于给定的没有标签的数据集（数据不是预分配好的），目的就是要找出数据间的潜在关系。强化学习位于这两者之间，每次预测都有一定形式的反馈，但是没有精确的标签或者错误信息。
或许只是我感到有些许惊讶（我还记得当我意识到‘news’是‘new’的复数的时候），我认为这些都十分让人惊讶。它允许像你我这样的普通人（对发展影响的程度较小的人）在机器学习中进行挖掘，可能会促成那些用户很大的改进。
应该掌握哪门编程语言，才能获得机器学习或数据科学的工作机会呢？这是一个银弹的问题。许多论坛都在辩论这个问题。我会在本文中提供自己的答案，并解释原因，但是我们要先来查看一些数据。毕竟，机器学习和数据科学的从业者应该记住这一点：没有调查就没有发言权。
大家都知道 AI 的发展前景非常好，例如 Google 成为了一家 AI First 的企业，越来越多的开发者开始关注并学习机器学习。因此，po 主特意找来这篇文章，分享下如何寻找适合入门者的在线学习资源，如 Udacity、Coursera、斯坦福大学课程等，并告诉大家如何避免其中的一些坑。
在深度学习市场，对 Python 的招聘需求仍然最高。但前五大语言的排序变成了 Python，C++，Java，C，R。这里有很明显的对高性能计算语言的侧重。 而且，Java 的增长速度惊人，它可能很快成为深度学习市场的第二位。在可预期的将来，R 还不会成为最受欢迎的深度学习语言。
以下就是从参加评选的18种候选算法中，最终决选出来的十大经典算法，文章内容参考的是一篇英文paper，下面来看看十大经典算法的具体内容。
我六月初的时候参加了Udacity的介绍机器学习（Intro to Machine Learning ）的在线课程，并在前几天刚刚完成。在这篇文章中，我想分享一些我从课程中学习到的最常见的机器学习算法。
随着人工智能（AI）技术对各行各业有越来越深入的影响，我们也更多地在新闻或报告中听到“机器学习”、“深度学习”、“增强学习”、“神经网络”等词汇，对于非专业人士来说略为玄幻。这篇文章为读者梳理了包括这些在内的 12 个关键词，希望帮助读者更清晰地理解，这项人工智能技术的内涵和潜能。
本文汇编了一些机器学习领域的框架、库以及软件（按编程语言排序）。
应该还能用
【外评】谷歌：从源头消除内存安全漏洞
【外评】在 RiSC-V 上运行《巫师 3》游戏
【外评】法官驳回大部分 GitHub Copilot 版权索赔要求
谷歌内部推出 SQL 中的管道(Pipe)语法
你们干扰不了我写开源代码
【外评】FreeBSD 将 Rust 纳入基本系统
【外评】电脑从哪里获取时间？
【外评】为什么 Stack Overflow 正在消失？
有时
