構建生產機器學習系統的一些考慮
既然你的公司已經決定ML是一個必要的下一步，那麼作為一個ML工程師，現在是時候考慮為生產系統構建ML過程的真正內容了。
Netflix中的插圖個性化
在給用戶做推薦的時候，推薦什麼內容固然非常重要，然而在有些場景下，同樣的內容，採取什麼方式給用戶進行推薦也會影響用戶的選擇，這篇文章中，Netflix使用不同插圖為用戶推薦相同的內容，在實際應用中很有借鑑意義。
5個步驟部署你的機器學習模型到生產中
作者：Rahul Agarwal編譯：ronghuaiyang導讀為什麼我們的機器學習項目會失敗？創造一個大的機器學習系統是一門藝術。在構建一個大的機器學習系統時，有很多事情需要考慮。但作為數據科學家，我們常常只擔心項目的某些部分。
12個現實世界中的機器學習真相
GeorgeA. Hazelrigg 在他的「HONING YOUR PROPOSAL WRITING SKILLS」中寫道：一些科學家會學習如何制定研究計劃。
正確的debug你的TensorFlow代碼（不用這麼痛苦）
作者：Galina Olejnik編譯：ronghuaiyang導讀TensorFlow代碼很難調試，這個大家已達成共識，不過，就算是難，也還是需要調試的，畢竟誰也沒有把握不出bug，看看這篇文章能不能讓你減輕一點調試時的痛苦。
構建神經網絡的一些實戰經驗和建議
作者：Matt H and Daniel R編譯：ronghuaiyang導讀從成千上萬小時的模型訓練中累計的經驗和教訓。在我們的機器學習實驗室，我們在許多高性能的機器已經積累了成千上萬個小時的訓練。
構建神經網絡的一些實戰經驗和建議
作者：Matt H and Daniel R編譯：ronghuaiyang導讀從成千上萬小時的模型訓練中累計的經驗和教訓。在我們的機器學習實驗室，我們在許多高性能的機器已經積累了成千上萬個小時的訓練。
Instagram的Explore智能推薦系統
正在進行的ML 挑戰構建 Explore 最令人興奮的部分之一，就是不斷尋找新的、有趣的方式，幫助我們的群體在 Instagram 上發現最有趣、最相關的內容。
Instagram的Explore智能推薦系統
正在進行的ML 挑戰構建 Explore 最令人興奮的部分之一，就是不斷尋找新的、有趣的方式，幫助我們的群體在 Instagram 上發現最有趣、最相關的內容。
新的深度學習優化器Ranger：RAdam + LookAhead強強結合
我發現，通過結合這兩個，RAdam+ LookAhead，產生了一個增強的優化器，並在 ImageNette 驗證了運行 20 個 epoch 分數的新高。
全球首款量產L4級自動駕駛無人車投放千燈湖AI公園！市民預約即可體驗
本次首期在千燈湖公園投放3台全球首款量產的L4 級自動駕駛無人車——百度阿波龍無人車，包括無人駕駛微循環電動小巴車和充電樁、基站等配套技術設施，把千燈湖打造成集科技、市民娛樂和互動體驗於一體的AI智慧公園，讓市民享受看得見、摸得著的先進AI技術。
亞馬遜暢銷書的NLP分析——推薦系統、評論分類和主題建模
雖然我們在情感分析和主題建模中使用的數據集有超過80000 個數據點，在推薦系統中的數據集有超過 100 萬個數據點，但是前一個數據集只覆蓋了前 20 名的暢銷書，後一個數據集覆蓋了前 2000 名的書。
部署基於嵌入的機器學習模型的通用模式
由於最近大量的研究，機器學習模型的性能在過去幾年裡有了顯著的提高。雖然這些改進的模型開闢了新的可能性，但是它們只有在可以部署到生產應用中時才開始提供真正的價值。
2020年圖機器學習的最新趨勢
A Dissection on Graph Classification，Chen等人表明，如果用線性部分來取代非線性鄰域聚合函數，其中包括鄰居的度和圖屬性的傳播，那麼模型的性能不會降低，— 這與前面的說法一致，即許多圖數據集對於分類來說都是不重要的，並且為這個任務提出了適當的驗
2020年圖機器學習的最新趨勢
A Dissection on Graph Classification，Chen等人表明，如果用線性部分來取代非線性鄰域聚合函數，其中包括鄰居的度和圖屬性的傳播，那麼模型的性能不會降低，— 這與前面的說法一致，即許多圖數據集對於分類來說都是不重要的，並且為這個任務提出了適當的驗
LinkedIn招聘推薦系統中的機器學習的威力
具體來說，LinkedIn招聘系統是一款幫助招聘人員建立和管理人才庫的產品，可以優化成功招聘的機會。
千燈湖AI公園啟動！自動駕駛無人車元旦正式運營
更多精彩資訊，下載 暢駕 客戶端一起耍吧千燈湖AI公園正式啟動百度阿波龍無人車亮相元旦起，南海市民就可以免費體驗啦12月30日，千燈湖AI公園啟動儀式在千湖公園（三期）日出廣場舉行。
LinkedIn招聘推薦系統中的機器學習的威力
具體來說，LinkedIn招聘系統是一款幫助招聘人員建立和管理人才庫的產品，可以優化成功招聘的機會。
如何高效的做機器學習項目
我做了一點心路探索，回到了fast.ai的MOOC課程JeremyHoward在Practical Deep Learning for Coders提到的內容，然後這篇文章就誕生了。
關於機器學習，我們忽視的東西
在我看來，這就像今天社區的普遍分裂—— 50%的人認為人工智慧是我們的未來，50%的人認為它是我們的末日。很明顯，C1一開始並不是很準確，但是隨著攻擊強度的增加，它在抵抗攻擊方面也做得更好。
使用Cortex把PyTorch模型部署到生產中
fastText是這個任務的完美模型，你可以使用 PyTorch 和 Cortex 部署它。PyTorch 用到生產中有超過 25 個研究模型儲存在 PyTorch Hub]，從 NLP 到計算機視覺。
4個步驟成功構建出一個機器學習團隊
作者：JamesLe編譯：ronghuaiyang導讀對一個公司來說，如何從0到1構建一個機器學習團隊，是很多公司非常頭疼的問題，這篇文章給出了一些建議，對求職者來說，同樣具有參考價值。
亞馬遜暢銷書的NLP分析——推薦系統、評論分類和主題建模
雖然我們在情感分析和主題建模中使用的數據集有超過80000 個數據點，在推薦系統中的數據集有超過 100 萬個數據點，但是前一個數據集只覆蓋了前 20 名的暢銷書，後一個數據集覆蓋了前 2000 名的書。
新的深度學習優化器Ranger：RAdam + LookAhead強強結合
我發現，通過結合這兩個，RAdam+ LookAhead，產生了一個增強的優化器，並在 ImageNette 驗證了運行 20 個 epoch 分數的新高。
Netflix：使用A/B測試來找到最佳的插圖
上回的文章中提到了使用A/B測試來找到最佳插圖的工作，今天找到了這篇文章給大家分享一下，不得不感嘆一下，Netflix對A/B測試的使用已經不僅僅是評估新算法的表現那麼簡單了。
5個步驟部署你的機器學習模型到生產中
作者：Rahul Agarwal編譯：ronghuaiyang導讀為什麼我們的機器學習項目會失敗？創造一個大的機器學習系統是一門藝術。在構建一個大的機器學習系統時，有很多事情需要考慮。但作為數據科學家，我們常常只擔心項目的某些部分。
酒店排名模型中的商業價值度量
在RocketTravel酒店排名系列的下一篇中，我們將解釋為什麼我們更喜歡一種名為LambdaMART的信息檢索模型，而不是用於排名的標準推薦系統模型。
Transformers是一種圖神經網絡
通過這篇文章，我想在Graph Neural Networks 和transformer之間建立聯繫。我會討論NLP和GNN社區中，模型架構背後的直覺，使用方程和圖把這兩者建立聯繫，並討論如何把這兩個放到一起工作來得到進展。
使用嵌入來做個性化的搜索推薦：來自Airbnb
這是Airbnb的一篇經典文章的解讀，使用房屋的嵌入來做搜索推薦，這篇文章也是KDD2018的best paper，思路很清楚:把房屋用嵌入向量來表示，兩個技巧:全局正樣本和市場內負採樣，很有效，離線評估指標:預定前的平均點擊數量，非常的貼近業務。
來自AI專家的13篇必讀論文
Efficient Incremental Learning for Mobile Object Detection - Dawei Li et al。