其他

開發出精確的和可擴充的無約束Face Service演算法，是生物識別技術和電腦視覺領域長期以來不斷追求的目標。然而，實現這一點難度非常大，因為“無約束”需要Face Service系統能在各種面部映像採集條件下（不同的光照、不同的感應器，以及是否進行了壓縮），或者在被拍攝者各種主觀條件下（面部的不同姿態、不同表情以及是否有遮擋），都能成功進行驗證與識別。 去年3月，新加坡松下研究院與新加坡國立大學LV組參加了美國國家技術標準局（NIST）主辦的非受限條件下Face

原文地址 主講人介紹銘仔阿里雲Object Storage Service服務進階專家，2013年加入阿里雲Object Storage Service服務團隊，10年儲存領域研發經驗，專註於檔案系統，雲端儲存系統的研發和設計。視頻介紹"支付寶17年集五福紅包的一個有趣的創意是通過掃福字獲得福卡，手機端有限的處理能力並不能準確的識別所有的情境，需要雲端強大的儲存和處理能力解決識別困難的情境。阿里雲Object Storage

點擊有驚喜 避免記憶體錯誤和GPDB資源問題 記憶體管理對GPDB叢集具有重要的效能影響。大多數環境推薦使用預設設定。不要去改變預設設定，除非你真的理解了自己系統的需求。 解決記憶體溢出錯誤 記憶體不足錯誤繪製出遇到記憶體不足錯誤的GPDB的段資料庫，節點，進程資訊 例如: Out of memeory ( seg27 host. example.com pid = 47093 )VM Protecte failed to allocate 4096

點擊有驚喜 如何讓每一位可愛的工程師少加班、不加班。阿里巴巴技術專家張冠楠，在品質保障體系建設、持續整合領域、敏捷實踐領域和研發效能領域方面具有豐富的經驗和心得。今天，冠楠將用阿里研發團隊的實際案例，生動說明如何用資料驅動研發效率提升。 本文是我利用雲效公用雲端度量功能，加上敏捷部分的方法指導，實踐於某事業部幾十人團隊沉澱的成果，希望能給大家一些借鑒意義。我會就各種具有關鍵表徵的資料進行介紹，但是詳細資料，包括具體研發團隊的資料，還需要訪問雲效公用雲端度量功能頁面。資料展現

想不想知道是什麼 1.3 增強學習的核心技術 這裡面的主要技術是什麼。 它涉及到方方面面的技術，從系統到演算法，到機器學習裡的一些核心思想，這裡最重要的是怎樣對一個複雜的系統進行降維和歸納。在這方面，機器學習的技術可以在增強學習裡發揮巨大作用，可以認為機器學習的成功是增強學習未來成功的重要一步。

點擊有驚喜 有幸受邀參加了今年的雲棲大會，從10月10日的TI大會起，一直到10月14日的展會最後一天，完整的體驗了整個展會流程。總體感覺很贊，雖然餐飲和交通問題飽受詬病，但是仍然瑕不掩瑜。 提前預定了西湖邊清河坊這的國際青年旅舍，因為住的是多人間的上下鋪，所以價格很便宜，基本是每晚60元左右。而且因為是多人間，所以休息時間，大家可以一起交流。比如我住的這個多人間，前後就有4個人是來參加雲棲大會的。還有兩個人，則是在我的慫恿下，也去體驗了把。

點擊有驚喜 你已經對著電腦n個小時了。不知道該寫什麼代碼，或者一種摔鍵盤的衝動正在你的胸中醞釀。 咖啡一杯接著一杯。不敢再喝了，因為搞不好要有副作用了，心跳加速，身體不由自主地顫抖，出冷汗，但還是無法產出任何代碼。 所有重新發現編程趣味的努力都徒勞無功，因為你的最後一點能量都用來驅逐大腦中正在攻城略地的話： “我寫不出代碼了。” 編程的本質是棘手

原文地址 背景介紹 安全性群組預設的網路連通策略是：同一安全性群組內的執行個體之間網路互連，不同安全性群組的執行個體之間預設內網不通。這個策略滿足了絕大多數客戶的需求，但也有少數客戶希望能夠改變安全性群組網路連通策略，同一個安全性群組內的網路是隔離的而不是互連的，這樣可以大大減少安全性群組的數量進而降低維護和管理安全性群組的成本。基於這些客戶的訴求，我們豐富了安全性群組網路連通策略，支援安全性群組內網路隔離。要使用此功能，您需要首先瞭解安全性群組內網路隔離的一些細節：

閱讀原文 程式員越老越出色 在國內，似乎並沒有像國外那樣看到很多的老程式員，這或許是國內的軟體產業並不是很發達的原因吧。不過縱觀歐美等軟體大國可以發現，老程式員也能煥發新青春。Stackoverflow通過對聲譽值超過100的軟體開發人員統計發現：程式員年齡越大，他們的Stackoverflow聲譽值越高。或許薑還是老的辣。。。 對大齡程式員的極大誤解 在國內，對於大齡程式猿我們總會有一些誤解。 誤解1 大齡程式員比年輕程式猿昂貴，年輕的開發人員更可取

閱讀原文 阿里雲的產品已經150多款了，使用者真心眼花繚亂。買了幾款用起來也難免遇到問題。。 - 等人工解決吧，問題多，工程師少，排隊等待是經常。 - 看文檔吧，檢索只能用關鍵字，有時候描述不準，就與答案失之交臂了。 噹噹當，和大家介紹個小助手： 雲博士——生於智能，最懂雲端運算 雲博士目前已經學會阿里雲所有產品的文檔，並在此基礎上加入了語義理解，資料採礦，更好的理解使用者問題，更“懂”使用者的為您推薦答案。並且雲博士全天候為您服務，不知疲倦，也不會出錯。

轉自http://blog.csdn.net/fengbingchun/article/details/19619491#comments 以下內容來自網路總結：          NVIDIA公司在1999年發布GeForce256時首先提出GPU(圖形處理器)的概念，隨後大量複雜的應用需求促使整個產業蓬勃發展至今。     GPU英文全稱Graphic Processing

前言 第一篇文章中我們成功的安裝了TensorFlow，並且在代碼中引入了TensorFlow。但是對於零基礎的我來說，仍然沒有搞清楚TensorFlow是個什麼東東（相信很多人都感覺這水平很low），在這篇文章中介紹一下TensorFlow是怎麼來的，又是幹啥的~ TensorFlow是什麼 當開始學習TensorFlow的時候，一般都會找到官網進行學習。對於TensorFlow是什麼，官網有一段說明： TensorFlow 是一個採用資料流圖（data flow graphs）

對於中國各大電信電訊廠商而言，在整體市場規模相對穩定的情況下，能否維護好現有的客戶是保證其收益的重中之重。因此，預測客戶流失的可能性與否，直接關係到電訊廠商的客戶維護的重點正確與否。本文將基於”狗熊會“基礎案例：收集客戶流失，來示範基於C5.0演算法的客戶流失預測，資料下載 點擊開啟連結。 一、資料結構查看與初步分析 讀入並查看資料（見下圖），一共包含10個變數，其中ID為每個使用者的唯一標識，在進行預測性分析時需要刪除；流失使用者為因變數，”0“表示未流失，”1“表示已流失。

隨著市場競爭的加劇，中國電信面臨的壓力越來越大，客戶流失也日益增大。從統計資料看，今年固話小靈通的銷戶數已經超過了開戶數。面對如此嚴峻的市場形式，當務之急就是要盡全力減少客戶的流失。因此，利用資料採礦方法，建立一套可以及時預測客戶流失率的模型就相當有必要。     

Lateral View是Hive中提供給UDTF的conjunction，它可以解決UDTF不能添加額外的select列的問題。 1. Why we need Lateral View。 當我們想對hive表中某一列進行split之後，想對其轉換成1 to N的模式，即一行轉多列。 hive不允許我們在UDTF函數之外，再添加其它select語句。

此文總結的不錯。 協同過濾是大家熟知的推薦演算法。 總的來說協同過濾又可以分為以下兩大類： Neighborhood-based：計算相似item 或user後進行推薦 Model-based： 直接訓練模型預測Rating 在Neighborhoold-based演算法中，又細分為user-based CF(Collaborative Filtering)和item-based CF。合適選擇使用userd-based CF，什麼時候item-based

在項目中碰到這樣的問題： 互連網使用者每天會訪問很多的網頁，假設兩個使用者訪問過相同的網頁，說明兩個使用者相似，相同的網頁越多，使用者相似性越高，這就是典型的CF中的user-based推薦演算法。 演算法的原理很簡單，只要兩兩計算使用者的相似性，針對每個使用者，擷取最相似的K個使用者即可。 但是在實際的工程上，假定使用者規模在億的規模N，計算複雜度為N*N，即使是分布式，也是非常可怕的複雜度。

由於專業的關係，我學習信用評分的時候往往最關注模型那一塊，前段時間一直有很多困惑，這周認真地看了一篇文章，終於有一點點明白了，所以來簡單地小結一下（這事兒不能說得太細），小結完了我得學習cURL去了。 最常見的用於信用評分的模型就是logistic迴歸，這是一種處理二分類因變數的廣義線性模型。這種模型的理論基礎比較紮實，但是對於不同的問題當然也存在一些特殊的處理方式，我最大的困惑就在於建模時對分類自變數的處理方法。

1.從MongoDB讀取 package com.mongodb.spark;import org.apache.spark.api.java.JavaSparkContext;import org.apache.spark.sql.SparkSession;import org.bson.Document;import com.mongodb.spark.MongoSpark;import

package com.wangzs;import org.apache.spark.SparkConf;import org.apache.spark.api.java.JavaRDD;import org.apache.spark.api.java.JavaSparkContext;import org.apache.spark.api.java.function.Function;/** * @title: 在文字檔中統計出現關鍵字的次數 <br/> * @author: