《机器学习数学基础:概率论与数理统计》从基础的概率统计知识讲起,逐步深入到机器学习以及深度学习的分类算法,并在后配合深度学习的实战案例,介绍了softmax回归函数在手写体图像识别中的具体应用。通过手动编辑代码,让读者更深入地了解概率在人工智能领域的重大作用。全书分为16章,涵盖的内容主要有概率统计在人工智能发展过程中的重要影响;随机试验及概率的概念;随机变量的分布及多维随机变量的分布情况;贝叶斯算法;正态分布现象;随机变量的数字特征;机器学习中的损失函数;大数定律;样本及抽样分布的做法;参数估计的概念;马尔科夫链;过拟合与欠拟合问题及解决方法;Tensorflow概述及安装方法;卷积神经网络介绍;实验演练之手写体数字识别等。 《机器学习数学基础:概率论与数理统计》配有大量的插图,以身边的生活现象
使用机器学习技术解决实际应用问题涉及模型的建立、训练及评估等步骤。优化算法常被用于训练模型的参数,是机器学习的重要组成部分。机器学习模型的训练可以建模成无约束优化问题或带约束优化问题,约束可以为模型增加 多的先验知识。基于梯度的算法(例如加速梯度法、随机梯度法等)是求解无约束优化问题的常用方法,而交替方向乘子法(ADMM)则是求解带约束优化问题的有力工具。《BR》 本书概述了机器学习中ADMM的新进展。书中全面介绍了各种情形下的ADMM,包括确定性和随机性的算法、集中式和分布式的算法,以及求解凸问题和非凸问题的算法,深入介绍了各个算法的核心思想,并为算法的收敛性和收敛速度提供了详细的证明。
数据治理是指通过建立组织架构,明确相关部门职责要求,制定和实施系统化的制度、流程和方法,确保数据统一管理、高效运行,并在经营管理中充分发挥价值的动态过程。数据治理有助于控制数据的开发和使用,降低与数据相关的风险,使相关主体可以战略性地利用数据,并从数据治理中获得价值。 数据治理应从以下三个方面进行理解: ,数据治理的对象是数据,即任何以电子或非电子形式记录的信息,以银行业金融机构为例,包括所有分支机构和附属机构的内部数据和外部数据,覆盖业务经营、风险管理和内部控制流程中的全部数据。第二,数据治理的目标是实现数据价值。数据治理实质上是将数据视为资产,即可以被拥有、使用并产生价值的经济资源。第三,数据治理应关注三个重点:一是数据治理架构,数据治理架构是开展数据治理工作的前提和基
近年来,智能科技的迅猛发展对人类社会的法律伦理产生了相当深远的影响。在此背景下,本书应运而生。其脱胎于《法治 》于2019年创办的“智道”栏目,记录了自进入智能科技时代以来中国学者、实务界人士对智能科技与法律伦理问题所做的诸多探讨,囊括数据治理、算法问责、人脸识别、数字素养等领域的热点话题。这是一部“桥梁”之作。全书共十编,用通俗简明的语言,将智能科技与法律伦理之间的冲突、互动与辨证娓娓道来,旨在促进不同文化领域的沟通,拉近专业人士与业外人士之间的距离,为科技向善贡献一份力量。
数据治理是指通过建立组织架构,明确相关部门职责要求,制定和实施系统化的制度、流程和方法,确保数据统一管理、高效运行,并在经营管理中充分发挥价值的动态过程。数据治理有助于控制数据的开发和使用,降低与数据相关的风险,使相关主体可以战略性地利用数据,并从数据治理中获得价值。 数据治理应从以下三个方面进行理解: ,数据治理的对象是数据,即任何以电子或非电子形式记录的信息,以银行业金融机构为例,包括所有分支机构和附属机构的内部数据和外部数据,覆盖业务经营、风险管理和内部控制流程中的全部数据。第二,数据治理的目标是实现数据价值。数据治理实质上是将数据视为资产,即可以被拥有、使用并产生价值的经济资源。第三,数据治理应关注三个重点:一是数据治理架构,数据治理架构是开展数据治理工作的前提和基
本书全面探讨了企业数据治理的方向、策略、总体架构、治理机制、运维管理等内容。首先介绍企业数据治理的发展方向,提出了企业数据治理的“八步走”策略。然后从项目层面对企业如何进行数据治理进行了深入分析,分别对数据治理项目的前期准备、项目实施方法论及调研分析、构建数据管理体系、存量数据清洗、完善数据交换架构、优化增量数据质量、企业数据治理项目的管理,以及数据治理项目后的数据运维工作、风险监控进行了探讨,并分享了大量数据治理项目实际案例。本书是一部完整的企业数据治理实战读物,内容主要面向企业信息总监、企业架构师和数据管理人员等,能够帮助读者系统地掌握企业数据治理的策略、方法。
数据治理是指通过建立组织架构,明确相关部门职责要求,制定和实施系统化的制度、流程和方法,确保数据统一管理、高效运行,并在经营管理中充分发挥价值的动态过程。数据治理有助于控制数据的开发和使用,降低与数据相关的风险,使相关主体可以战略性地利用数据,并从数据治理中获得价值。 数据治理应从以下三个方面进行理解: ,数据治理的对象是数据,即任何以电子或非电子形式记录的信息,以银行业金融机构为例,包括所有分支机构和附属机构的内部数据和外部数据,覆盖业务经营、风险管理和内部控制流程中的全部数据。第二,数据治理的目标是实现数据价值。数据治理实质上是将数据视为资产,即可以被拥有、使用并产生价值的经济资源。第三,数据治理应关注三个重点:一是数据治理架构,数据治理架构是开展数据治理工作的前提和基
本书以运营商数据中心网络面临的业务挑战为切入点,详细介绍运营商数据中心网络的架构设计、技术实现和规划设计,并给出部署建议。首先,本书介绍运营商数据中心整体业务的发展情况,从业务的维度总结运营商数据中心的5个场景业务—— IT云、电信云、IDC、公有云以及城域IPTV与CDN对网络的诉求。接着,本书基于运营商业务的三个主要场景—— IT云、电信云和IDC,给出业务和网络发展趋势、需求分析、网络架构设计和安全设计。 ,本书还着重针对云计算时代的运营商数据中心网络如何运维进行了阐述。 本书可以为构建安全、可靠、高效、开放的运营商数据中心网络提供参考和帮助,适合企业和科研院所信息化部门及数据中心的技术人员阅读,也可为高等院校计算机网络相关专业的师生提供参考。