机器学习领域非常火热，新的模型、技术不断更新非常快，要求我们在平时的工作和学习过程中，会需要去阅读一些论文，跟踪某个领域的最新动态。

在没有人为干预的情况下，如何解决复杂的建筑问题，例如能源效率？如何更好地了解建筑物能耗模式，并获得解决低效率所需的洞察力？机器学习或许是答案。

开源大数据技术Hadoop，在今年刚好满十岁。在大数据的第一个十年，Hadoop成功地让大数据成为最被看好的技术，这股大趋势，不仅影响资讯科技的走向，更成为商业热烈讨论的议题。

在2018年期间，我们目睹了基于机器学习和人工智能的平台，工具和应用程序的急剧增长。 我们将继续看到2019年及以后的ML和AI相关技术的进步。以下是2019年需要注意的5种AI趋势。

机器学习，不过是和数据和软件打交道。那就应该是是运行代码、迭代算法的简单问题呀?一段时间后，我们就能拥有一个完美的训练有素的ML模型。

确实，仅是数据科学方面就还有很多需要学习的知识。但你想过吗?技术和语言来来去去，但其背后的数学知识却是永恒不变的。

每年年底，停下来思考一下机器学习(ML)的趋势总是很有趣的，这种趋势已经出现了惊人的增长，尤其是在工具，资源和信息可访问性方面。

机器学习(ML)被称为技术债务的高利率信用卡。对于特定的业务问题，使用适用的模型会相对容易一些，但是要使该模型在可伸缩的生产环境中运行，并能够处理不断变化的混乱数据语义和关系，以及以可靠的自动化方式演进模式，则完全是另一回事。

如此多的现代数据分析都建立在ML技术的基础之上，并且在可预见的将来将继续这样做。但是，并非所有人都能从这些巨大的进步中受益，因为使用ML技术主要涉及使用Python，开发代码和理解许多新技术。

在本文中，作者详细介绍了四种自动化的 ML 工具包，分别是 auto-sklearn、TPOT、HyperOpt 以及 AutoKeras。如果你对 AutoML 感兴趣，这四个 Python 库是最好的选择。作者还在文章结尾文章对这四个工具包进行了比较。

本文将探讨如何将人工智能(AI)和机器学习(ML)整合到网络安全当中。

DevOps在AI（人工智能）与ML（机器学习）的双料加持之下迎来了更光明的发展前景。本文我们具体探讨其中的几大亮点。