大规模机器学习

本页是关于频道"大规模机器学习"的所有博文，按照时间倒序展现。实时更新。

总数 13 第 1/2 页

Meta挖角英国科技独角兽AI芯片团队，以支持数据中心大规模的AI和机器学习 | 速途网

速途网 • 1年前

速途网5月6日讯（报道：乔志斌）据媒体报道，META从英国人工智能（AI）芯片公司Graphcore挖来了一个团队，该团队此前在挪威奥斯陆工作，直到去年年底还在Graphcore开发AI网络技术。据悉，该团队共有10人，他们在Graphcore工作到去年12或今年1月，随后在今年2月或3月加入Meta。在回应媒体置评要

解读微软开源 MMLSpark：统一的大规模机器学习生态系统

IT思维 • 6年前

公众号/AI前线作者｜微软 Mark Hamilton 等编译｜吴少杰编辑｜DebraAI 前线导读：目前，有很多深度学习框架支持与 Spark 集成，如 Tensorflow on Spark 等。然而，微软开源的 MMLSpark 不仅集成了机器学习框架（CNTK 深度学习计算框架、LightGBM 机器学习框架

一线｜浪潮发布AI云平台：支持大规模机器学习

腾讯科技 • 6年前

腾讯《一线》卜祥8月30日，浪潮集团在成都对外称重点投入AI，发布基于OpenStack的 AI云平台。受益智慧计算战略，浪潮服务器业务持续高速增长，目前居中国市场第一，全球前三。浪潮集团副总裁彭震表示，浪潮正加快在云计算、大数据、AI等智慧计算场景的技术创新。以AI为例，2017年浪潮AI业务同比增长600%，4.5

大规模机器学习框架的四重境界

雷锋网 • 7年前

雷锋网 AI科技评论按，本文作者 carbon zhang ，该文首发于知乎专栏分布式机器学习系统，雷锋网 AI科技评论获其授权转载。 1.背景自从google发表著名的GFS、MapReduce、BigTable三篇paper以后，互联网正式迎来了大数据时代。大数据的显著特点

大规模机器学习框架的四重境界

36大数据 • 7年前

作者：carbon zhang1. 背景自从google发表著名的GFS、MapReduce、BigTable三篇paper以后，互联网正式迎来了大数据时代。大数据的显著特点是大，哪里都大的大。本篇主要针对volume大的数据时，使用机器学习来进行数据处理过程中遇到的架构方面的问题做一个系统的梳理。有了GFS我们有能力

大规模机器学习系统中的No Free Lunch-36大数据

36大数据 • 7年前

作者：涂威威作为第四范式•先知平台核心机器学习框架GDBT的设计者，涂威威在大规模分布式机器学习系统架构、机器学习算法设计和应用等方面有深厚积累。演讲中，涂威威表示，现在有越来越多的企业开始利用机器学习技术，把数据转换成智能决策引擎。企业机器学习应用系统中的核心模型训练系统有着什么样的设计和优化的考虑?与教科书中的机器

CoCoA：大规模机器学习的分布式优化通用框架-36大数据

36大数据 • 7年前

去年，Michael I. Jordan 实验室发表论文《CoCoA: A General Framework for Communication-Efficient Distributed Optimization》提出了一种用于机器学习的分布式优化的通用框架 CoCoA。机器之心技术顾问 Yanchen Wang

基于Spark的大规模机器学习在微博的应用-36大数据

36大数据 • 7年前

作者：吴磊张拓宇众所周知，自2015年以来微博的业务发展迅猛。如果根据内容来划分，微博的业务有主信息（Feed）流、热门微博、微博推送（Push）、反垃圾、微博分发控制等。每个业务都有自己不同的用户构成、业务关注点和数据特征。庞大的用户基数下，由用户相互关注衍生的用户间关系，以及用户千人千面的个性化需求，要求我们用

大规模机器学习系统中的No Free Lunch

36大数据 • 7年前

5月18日，由CSDN出品的2017中国云计算技术大会(简称CCTC，Cloud Computing Technology Conference)在北京盛大召开，第四范式机器学习算法研发工程师涂威威出席人工智能专场并作主题演讲。作为第四范式•先知平台核心机器学习框架GDBT的设计者，涂威威在大规模分布式机器学习系统架构

谷歌大规模机器学习：模型训练、特征工程和算法选择 (附32PPT)

数据观 • 7年前

　　在ThingsExpo会议上，谷歌软件工程师 Natalia Ponomareva 作了有关如何在大规模机器学习中取得成功的讲座。Natalia 回顾了可用于对大量数据进行机器学习模型训练的框架，解释了特征工程和算法选择，并提供了有关如何避免错误的 tips。这是一份非常实用的机器学习指导手册。本文后半部分