Tue Jun 11

今天突然想写一些比较虚的东西。想结合人类的决策因素来讲讲我对人工智能的理解。人来“决策”每个人在生活中要面临各种各样的决策/判定，那么一个问题是我比较好奇的，我们平时决策的时候究竟有哪些因素影响我们，能让我们在漫漫人生长河中能做出来相对正确的决策到底是因为什么呢？如果能搞清楚，是不是就能推导出模型学习的过程到底在做什么呢？这个就是今天咱们要聊的核心话题。如果让你来给出一个事情的观点，你觉得需要

Fri Feb 3

做事的三重境界

今天突然思考一个问题，工作中我们面对各式各样的事情，然后工作的几年时间里也完成了很多事情，那么回头去看这些事情我们究竟做的怎么样呢？就像算法的工作，经常听到同学们讲目前的现状和未来的规划，然后也能发现目前的问题，那如何看待这个问题是否做的好呢？接下来想把自己的一点感悟记录下来。做出来所谓的做出来就是我们面对一个事情的最初反应，交给你一个任务你怎么尽快的做出来一个版本交差，然后心安理得的领到月

Sat Jan 28

系统分类--模型选型

终于有时间思考更加宏观的东西啦，你说面对的系统或者问题有几类？你是否都是指望把所有的数据train到一个模型里，然后收工回家？接下来尝试总结一些系统的类型，纯手工制作。观察型系统这类任务是非常普遍的，最简单的进销存类的预测任务。通过观察销量的变化，从而准备充足的货量，既不让产品过剩也不让产品脱销。这里一定要强调一下，这是一个观察型的任务，本身我备货多与少不影响需求的变化，预测需求仅仅是为

Mon Nov 14

漫谈之O2O配送业务

今天心血来潮突然想写点紧靠业务的文章，做了几年的配送业务，一直没有十分概括的看目前的工作，似乎今天突然想清楚啦。并不是业务上有多么的精进，而是真的把这个业务能够与现实的生活关联起来，开窍的前兆啦。找了好久终于找到一个像样的图片啦（如图1）。整个配送业务就是一个大的蓄水池系统。配送的最大目标就是让这个系统不要崩坏，尽可能的稳定和高效的运行。所以就有几个系统需要维持整个配送蓄水池的健康运行（不溢出

Wed Jun 17

程序员黑色指南

丑话渐渐的步入了一个而立的年纪，仅仅献给腹黑的自己，仅仅代表个人的一些观点，无所谓正确与否。引言作为一个资深程序员，平时分享分享工作和学习中需要面对的问题已经是再开心不过的日子了，程序员这个行业是为数不多的几个需要终生学习的行业，不管你是跳槽还是被派到新的业务线，甚至个人的工程转算法亦或是算法转工程

Fri Aug 9

机器学习

机器学习之评估函数探究

今天遇到有一个比较有趣的问题，我想做一个分类问题，预测用户下单的概率，但是我出了对这个下单的概率感兴趣以外，还对下单的总人数感兴趣，中间可能考虑一些补贴的事宜，这个时候就有一个比较有意思的问题，对于分类问题我们一般关注AUC即可，那么对于这个场景我是否能只关注AUC呢？因为考虑到下单人数的计数，我也想关注MAE，然后就产生了一个很好的问题， AUC和RMSE是否是完全同向的，以及我们分类使用

Wed Jul 10

控制论

控制论(八)--预算控制

本节简介预算控制

Wed Jun 19

机器学习

xgboost(八) -- 置信度

今天想和大家讲解

Sat Apr 20

控制论

控制论(零)--控制论基础

今天咱们再开始一个新的领域的内容，经典的三大范畴，推理论、决策论和控制论是其中一个比较容易被忽视的科学，但是在实际的业务中又有着经典的使用场景，当我们进行成本控制的时候，经常需要控制论中的一些经典知识，现在也抽时间开启这部分内容的学习。一张图反馈与动态反馈是控制的基础，动态是反馈控制的基础，下图是一个开环回路的示意图。设定值经常是定常的，计算控制量并让执行器进行执行的过程类似一个因果的过程，控制

Thu Apr 11

人工智能深度学习搜索推荐多任务学习

多任务学习(三)--多任务模型

本章节继续结合一些常见的业务问题介绍一些多任务模型。

Fri Mar 1

人工智能因果推断定价策略

因果推断--uplift模型(二)

接下来这一章，咱们就来介绍一些基于深度学习的方法，当然这类方法理想情况下还是基于实验数据（RCT）进行训练。反事实回归网络（CFR）CFR其实是开启了使用深度学习的方式进行因果推断类任务的一个先河，我们知道，不同于观察模型，因果类的模型更关注与干预的影响，而非预测值的准确性，想要从理论上得到这个干预的效果，就一定要拉齐环境，或者随机数据进行对比，所以这个网络的设计上就需要满足两方面的要求。具有拉

Sun Jan 28

机器学习

xgboost(七) -- 分阶段学习

今天来讨论一个问题，就是xgboost是否能支持类似多任务学习的事情呢?之前听到这个问题还是挺惊奇的，这竟然也可以，今天查阅了部分相关的资料，发现竟然真的可以，我们知道深度学习中的多任务学习是通过一个共享层，建立各个任务之间的关系，通过构建多个任务的帕累托最优解,从而解决多任务的问题，而xgb选择了使用树一条路走到黑，接下来咱们来看看xgb是如何实现多任务学习的。

文章

229

分类

标签

机器学习之评估函数探究

控制论(八)--预算控制

xgboost(八) -- 置信度

控制论(零)--控制论基础

多任务学习(三)--多任务模型

因果推断--uplift模型(二)

xgboost(七) -- 分阶段学习

最新文章

分类

标签云

最新文章

标签

Your browser is out-of-date!