1700539960
1700539961
1700539962
机器学习竞赛平台Kaggle的前世今生
1700539963
1700539964
XGBoost的火热与Kaggle的机器学习竞赛是分不开的，正是在各类竞赛中突出的表现，让XGBoost成为非常流行的机器学习框架，借此机会我们也向大家介绍一下Kaggle的前世今生。
1700539965
1700539966
Kaggle是全球机器学习竞赛、开放数据集和数据科学合作的发源地，也是当今最著名最火热的机器学习竞赛平台。在被谷歌收购之后，Kaggle的知名度和用户数不断攀升，已经跨过了百万用户的大关，进一步巩固了它在数据科学界家喻户晓的地位。
1700539967
1700539968
“英雄起于阡陌，壮士拔于行伍”，Kaggle也不是平地惊雷般出现的，而是起于创始人一个非常朴素的想法。2010年，就职于澳大利亚财政部的Anthony Goldbloom对他当前的工作略感失望，他的主要工作是预测GDP、通货膨胀和失业，但传统的经济数据规模很小而且噪声很大，所以很难得出有趣的发现。为了获得更有趣的数据集和问题，Anthony利用业余时间构建了Kaggle，这个日后最火热的机器学习竞赛平台就这样诞生了。
1700539969
1700539970
和最初的愿景有所不同，Kaggle的发展有些出乎Anthony的意料。本来只想收集一些有趣的问题和数据供自己研究，但随着越来越多的大神加入，Anthony发现自己无论如何也做不了那么好。既然如此，Anthony索性致力于社区的发展，期望让 Kaggle成为一个充满活力的代码、数据和讨论的生态系统。也正是这样的改变，让Kaggle注入了开放的基因。
1700539971
1700539972
时至今日，Kaggle已经成了Google AI生态中不可或缺的一环，Anthony在回顾自己创业经历的时候，说了两点建议。一是，去解决那些你自己有切身体会，并且觉得其他人也正经历，而且还没有被解决的问题；二是，你要对这个问题充满热情。
1700539973
1700539974
不过笔者还是要说，“时势造英雄啊”，Kaggle正是在AI第三次热潮的风口“飞”起来的。祝各位创业者在有激情，能够解决痛点的同时，还有一个好的运气。
1700539975
1700539976
1700539977
1700539978
1700539979
百面机器学习：算法工程师带你去面试 [:1700532245]
1700539980
百面机器学习：算法工程师带你去面试 第13章 生成式对抗网络
1700539981
1700539982
2014年的一天，Ian Goodfellow与好友相约到酒吧。平日工作压力大，脑细胞已耗尽了创作激情，在酒吧的片刻放松使他想到一个绝妙的学术点子，那之后就有了生成式对抗网络的传说。生成式对抗网络，英文名叫Generative Adversarial Networks，简称GANs，是一个训练生成模型的新框架。GANs刚提出时没有晦涩的数学推演，描绘的是一幅动感十足的画面，恰好契合了东方哲学中的太极图——万物在相生相克中演化。把GANs想象成一幅太极图，“太极生两仪”，“两仪”好比生成器和判别器，生成器负责生，判别器负责灭，一生一灭间有了万物。生成器在初始混沌中孕育有形万物，判别器甄别过滤有形万物，扮演一种末日审判的角色。GANs自提出之日起，迅速风靡深度学习的各个角落，GANs的变种更是雨后春笋般进入人们的视野，诸如WGAN、InfoGAN、f-GANs、BiGAN、DCGAN、IRGAN等。GANs之火，就连初入深度学习的新手都能略说一二。
1700539983
1700539984
1700539985
1700539986
1700539987
百面机器学习：算法工程师带你去面试 [:1700532246]
1700539988
百面机器学习：算法工程师带你去面试 01 初识GANs的秘密
1700539989
1700539990
1700539991
1700539992
场景描述
1700539993
1700539994
2014年来自加拿大蒙特利尔大学的年轻博士生Ian Goodfellow和他的导师Yoshua Bengio提出一个叫GANs的模型[32]。Facebook AI实验室主任Yann LeCun称该模型是机器学习领域近十年最具创意的想法。把GANs想象成造假币者与警察间展开的一场猫捉老鼠游戏，造假币者试图造出以假乱真的假币，警察试图发现这些假币，对抗使二者的水平都得到提高。从造假币到合成模拟图片，道理是一样的。下面关于GANs，从基础理论到具体模型，再到实验设计，我们依次思考如下几个问题。
1700539995
1700539996
知识点
1700539997
1700539998
MiniMax游戏，值函数（Value Function），JS距离（Jensen- Shannon Divergence），概率生成模型，优化饱和
1700539999
1700540000
问题1 简述GANs的基本思想和训练过程。
1700540001
1700540002
难度：★☆☆☆☆
1700540003
1700540004
分析与解答
1700540005
1700540006
GANs的主要框架如图13.1所示，包括生成器（Generator）和判别器（Discriminator）两个部分。其中，生成器用于合成“假”样本，判别器用于判断输入的样本是真实的还是合成的。具体来说，生成器从先验分布中采得随机信号，经过神经网络的变换，得到模拟样本；判别器既接收来自生成器的模拟样本，也接收来自实际数据集的真实样本，但我们并不告诉判别器样本来源，需要它自己判断。生成器和判别器是一对“冤家”，置身于对抗环境中，生成器尽可能造出样本迷惑判别器，而判别器则尽可能识别出来自生成器的样本。然而，对抗不是目的，在对抗中让双方能力各有所长才是目的。理想情况下，生成器和判别器最终能达到一种平衡，双方都臻于完美，彼此都没有更进一步的空间。
1700540007
1700540008
1700540009