大数据早报:Lendingkart获2500万美元融资 卡巴斯基承认从用户电脑拷贝过和病毒无关文件(11.7)

数据早知道,上36dsj看早报!


来源36大数据,作者:奥兰多


『融资』专注为中小企业提供贷款服务,金融科技公司Lendingkart获2500万美元融资


日前,总部位于印度的金融科技公司Lendingkart对外宣布,公司继今年6月获得770万美元债权融资之后,又于近日完成了新一轮的2500万美元融资,投资方为IFMR Capital, Capital First, Tata Capital Financial Services (TCFSl) 以及 Manappuram Finance。资料显示,Lendingkart成立于2014年,是一家在线金融机构,专门从事为中小企业进行贷款业务,主要以数据为导向,通过数据算法进行筛选,从而决定公司信用及额度。



『Facebook』Facebook:至少12%帐号是虚假或重复帐号


北京时间11月5日上午消息,Facebook本周发布了强劲的第三季度财报,然而一项最新数据值得警惕:Facebook平台上的虚假和重复帐户数要比该公司之前公布的多很多。Facebook首席财务官大卫·维纳(David Wehner)表示,Facebook平台上有10%的帐号是重复的,是“同一个用户使用的帐号”。此外,还有2%到3%的帐号是“虚假帐号”,被用于“传播垃圾信息或其他违反政策的用途”。Facebook此前估计,平台上有6%帐号是重复帐号,有1%是虚假帐号。维纳表示,新数据基于新的衡量方式。这表明,Facebook此前低估了重复和虚假的帐号。Facebook目前的每月用户数为20.7亿。因此最新数据表明,最多6000万个帐号是虚假帐号。



『Linux』数据显示Linux桌面并没有突然流行起来


根据 NetMarketShare 的统计数据,Linux 桌面的市场份额过去几个月突然出现了大幅增长,从 7 月的 2.5% 增长到了 9 月的约 5%。Linux 桌面似乎突然流行起来。然而根据 NetMarketShare 高管 Vince Vizzaccaro 的说法,Linux 市场份额数据可能并不正确,该公司正对此展开调查。那么 Linux 桌面的份额究竟有多大?根据另一个指标——美国联邦政府使用的 Digital Analytics Program 统计了过去 90 天访问 400 多个政府域名的访问者使用的操作系统,Linux 桌面的份额微乎其微:Windows 占 45.9%,Apple iOS 次之占 25.5%,Android 占 18.6%,macOS 占 8.5%,Chrome OS 占 1.1%,Linux 桌面发行版则在剩余的 0.7% 内。



『融资』图像识别科技公司“爱华盈通”获数千万元融资


成立于今年4月的“爱华盈通”是一家专注为B端客户提供图像识别方案的科技公司。致力于基于人脸识别、文档内容搜索、OCR三大技术,面向移动应用市场,为其提供移动终端应用产品。近日,该公司宣布刚刚完成了新一轮的A轮融资,融资金额达数千万元人民币,投资方信息尚未透露。据悉,此轮所获融资将主要用于产品研发及市场推广方面。



『机器学习』谷歌推广AutoML:机器学习帮助人类解决人才空缺


据外媒11月5日报道,谷歌领导工程师之一Jeff Dean在最近中国和硅谷的演讲中向大众重点介绍了一个名为AutoML的谷歌项目。ML是机器学习(machine learning)的缩写,指的是可以通过分析数据自行完成特定任务的计算机算法。同时它还可以学习如何建立其他机器算法。谷歌认为有了这种技术,人类很快就可以找到创建AI的方法,并且可以构建技术人员认为只能在未来出现的先进系统。该项目旨在为更多的公司和软件开发者提供最新的AI技术。



『数据安全』卡巴斯基承认从用户电脑拷贝过和病毒无关文件


大家应该还记得,之前美国政府曾给出公告,他们要完全封杀杀软卡巴斯基,其怀疑后者盗取他们的机密信息,随着这一封杀令扩展企业、个人用户电脑上。据CNET报道称,对于这样的封杀,卡巴斯基显然是不能承受的,不过更让惊人的是,卡巴斯基软件的创始人Eugene Kaspersky日前承认,曾经在用户电脑上拷贝和病毒无关的文件,这样的做法十分罕见。Eugene Kaspersky没有透露更多细节,比如他们从用户电脑中拷贝的到底是什么文件,拷贝出文件后用它做了什么等等。很显然这样的做法,必须要征得用户的同意,但卡巴斯基强调,他们此举只是为了找到网络罪犯。在中国市场,有不少的卡巴斯基杀毒软件用户。此前,卡巴斯基曾推出了一定时间内免费使用的版本,进一步增加了用户规模。


 End 

阅读排行榜/精华推荐1 入门学习

如果有人质疑大数据?不妨把这两个视频转给他 

视频:大数据到底是什么 都说干大数据挣钱 1分钟告诉你都在干什么

人人都需要知道 关于大数据最常见的10个问题

2 进阶修炼

从底层到应用,那些数据人的必备技能

如何高效地学好 R?

一个程序员怎样才算精通Python?

3 数据源爬取/收集

排名前50的开源Web爬虫用于数据挖掘

33款可用来抓数据的开源爬虫软件工具

在中国我们如何收集数据?全球数据收集大教程

4 干货教程

PPT:数据可视化,到底该用什么软件来展示数据?

干货|电信运营商数据价值跨行业运营的现状与思考

大数据分析的集中化之路 建设银行大数据应用实践PPT

【实战PPT】看工商银行如何利用大数据洞察客户心声?              

六步,让你用Excel做出强大漂亮的数据地图

 数据商业的崛起 解密中国大数据第一股——国双

双11剁手幕后的阿里“黑科技” OceanBase/金融云架构/ODPS/dataV

金融行业大数据用户画像实践


讲述大数据在金融、电信、工业、商业、电子商务、网络游戏、移动互联网等多个领域的应用,以中立、客观、专业、可信赖的态度,多层次、多维度地影响着最广泛的大数据人群

36大数据

长按识别二维码,关注36大数据


搜索「36大数据」或输入36dsj.com查看更多内容。

投稿/商务/合作:dashuju36@qq.com


点击下方“阅读原文”查看更多

↓↓↓

【6层】一字型框架办公楼(含建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值