干货 | 公众号历史文章精选(附资源)

不知不觉,红色石头在公众号已经发布了 100+ 的原创文章了。内容涉及林轩田机器学习课程笔记、吴恩达 deeplearning.ai 课程笔记、机器学习、深度学习、笔试面试题、资源教程等等。值得一提的是每篇文章都是我用心整理的,红色石头一贯坚持使用通俗形象的语言给我的读者朋友们讲解机器学习、深度学习的各个知识点。旨在给大家一份比较完备的学习路线和提升技巧。

今天,红色石头特此将以前所有的原创文章整理出来,组成一个比较合理、完整的机器学习、深度学习的学习路线图,希望能够帮助到大家。

640?wx_fmt=png

资源!关于机器学习基石所有的教学视频、PPT课件、PDF笔记、书籍红色石头已经整理好了,直接在云盘获取。链接如下:

链接:

https://pan.baidu.com/s/1p5GaEiMVN1vWag4RFRIe0g 

提取码:d3p1 

640?wx_fmt=png

资源!关于机器学习技法所有的教学视频、PPT课件、PDF笔记、书籍红色石头已经整理好了,直接在云盘获取。链接如下:

链接:

https://pan.baidu.com/s/1Au0lfxc1VQXUeD-ukU7NTw 

提取码:mcp4 

640?wx_fmt=png
640?wx_fmt=png

吴恩达深度学习专项课程笔记

神经网络与深度学习:

【1】深度学习概述

【2】神经网络基础之逻辑回归

【3】

【4】

【5】

优化神经网络:

【1】深度学习的实用层面

【2】优化算法

【3】超参数调试、Batch正则化和编程框架

构建机器学习项目:

【1】机器学习策略(上)

【2】机器学习策略(下)

卷积神经网络CNN:

【1】卷积神经网络基础

【2】深度卷积模型:案例研究

【3】目标检测

【4】人脸识别与神经风格迁移

序列模型RNN:

【1】

【2】

【3】

640?wx_fmt=png
640?wx_fmt=png

机器学习各个击破

【1】机器学习中的维度灾难

【2】简单的梯度下降算法,你真的懂了吗?

【3】一看就懂的感知机算法PLA

【4】优化线性感知机算法:Pocket PLA

【5】距离产生美?k近邻算法python实现

【6】基于线性SVM的CIFAR-10图像集分类

【7】通俗易懂!白话朴素贝叶斯

【8】划重点!十分钟掌握牛顿法凸优化

【9】简单的交叉熵损失函数,你真的懂了吗?

【10】7 种回归方法!请务必掌握!

【11】机器学习中 L1 和 L2 正则化的直观解释

【12】划重点!通俗解释协方差与相关系数

【13】如何让奇异值分解(SVD)变得不“奇异”?

【14】一份机器学习的自白书

【15】机器学习大牛如何选择回归损失函数?

【16】机器学习必备的分类损失函数速查手册

【17】【吐血整理】一份完备的集成学习手册!

640?wx_fmt=png

640?wx_fmt=png

可能有的读者会问,怎么最近红色石头的原创文章少了?这里呢,给大家抱个歉。因为最近一段时间自己的学业工作比较占用时间,还有开办的《机器学习实战训练营》、GitChat 课程等很多事情要同步处理。毕竟时间精力有限啊~但是,我会一直精心挑选一些 AI 人工智能领域比较好的资源、教程和知识发布给大家。其实,原创是号主创作质量和个人能力的体现,而好的文章也更值得转载分享给大家,只要是能帮助到我的读者们学到知识即可。同时,红色石头保证以后会输出更多原创文章的。

另外,红色石头已经开设了知识星球。在这里我不仅会记录机器学习、深度学习的相关教程和知识点,也会分享关于考研、工作的一些经验。 在这里,你可以提问机器学习、深度学习的相关知识点;也可以提问考研、工作的困惑;也可以提问生活中的难题。总之,这里都是红色石头的朋友们,一个人的学习是孤独的,一群人的力量是强大的。让我们在这个圈子里快乐积极地共同进步!

想要加入红色石头的小密圈,就扫描下面图片中的二维码吧!

640?wx_fmt=jpeg

### 回答1: Spark Streaming 和 Flink 都是流处理框架,但在一些方面有所不同。 1. 数据处理模型 Spark Streaming 基于批处理模型,将流数据分成一批批进行处理。而 Flink 则是基于流处理模型,可以实时处理数据流。 2. 窗口处理 Spark Streaming 的窗口处理是基于时间的,即将一段时间内的数据作为一个窗口进行处理。而 Flink 的窗口处理可以基于时间和数据量,可以更加灵活地进行窗口处理。 3. 状态管理 Spark Streaming 的状态管理是基于 RDD 的,需要将状态存储在内存中。而 Flink 的状态管理是基于内存和磁盘的,可以更加灵活地管理状态。 4. 容错性 Flink 的容错性比 Spark Streaming 更加强大,可以在节点故障时快速恢复,而 Spark Streaming 则需要重新计算整个批次的数据。 总的来说,Flink 在流处理方面更加强大和灵活,而 Spark Streaming 则更适合批处理和数据仓库等场景。 ### 回答2: Spark Streaming 和 Flink 都是流处理框架,它们都支持低延迟的流处理和高吞吐量的批处理。但是,它们在处理数据流的方式和性能上有许多不同之处。下面是它们的详细比较: 1. 处理模型 Spark Streaming 采用离散化流处理模型(DPM),将长周期的数据流划分为离散化的小批量,每个批次的数据被存储在 RDD 中进行处理,因此 Spark Streaming 具有较好的容错性和可靠性。而 Flink 采用连续流处理模型(CPM),能够在其流处理过程中进行事件时间处理和状态管理,因此 Flink 更适合处理需要精确时间戳和状态管理的应用场景。 2. 数据延迟 Spark Streaming 在处理数据流时会有一定的延迟,主要是由于对数据进行缓存和离散化处理的原因。而 Flink 的数据延迟比 Spark Streaming 更低,因为 Flink 的数据处理和计算过程是实时进行的,不需要缓存和离散化处理。 3. 机器资源和负载均衡 Spark Streaming 采用了 Spark 的机器资源调度和负载均衡机制,它们之间具有相同的容错和资源管理特性。而 Flink 使用 Yarn 和 Mesos 等分布式计算框架进行机器资源调度和负载均衡,因此 Flink 在大规模集群上的性能表现更好。 4. 数据窗口处理 Spark Streaming 提供了滑动、翻转和窗口操作等灵活的数据窗口处理功能,可以使用户更好地控制数据处理的逻辑。而 Flink 也提供了滚动窗口和滑动窗口处理功能,但相对于 Spark Streaming 更加灵活,可以在事件时间和处理时间上进行窗口处理,并且支持增量聚合和全量聚合两种方式。 5. 集成生态系统 Spark Streaming 作为 Apache Spark 的一部分,可以充分利用 Spark 的分布式计算和批处理生态系统,并且支持许多不同类型的数据源,包括Kafka、Flume和HDFS等。而 Flink 提供了完整的流处理生态系统,包括流SQL查询、流机器学习和流图形处理等功能,能够灵活地适应不同的业务场景。 总之,Spark Streaming 和 Flink 都是出色的流处理框架,在不同的场景下都能够发挥出很好的性能。选择哪种框架取决于实际需求和业务场景。 ### 回答3: Spark Streaming和Flink都是流处理引擎,但它们的设计和实现方式有所不同。在下面的对比中,我们将比较这两种流处理引擎的主要特点和差异。 1. 处理模型 Spark Streaming采用离散流处理模型,即将数据按时间间隔分割成一批一批数据进行处理。这种方式可以使得Spark Streaming具有高吞吐量和低延迟,但也会导致数据处理的粒度比较粗,难以应对大量实时事件的高吞吐量。 相比之下,Flink采用连续流处理模型,即数据的处理是连续的、实时的。与Spark Streaming不同,Flink的流处理引擎能够应对各种不同的实时场景。Flink的实时流处理能力更强,因此在某些特定的场景下,它的性能可能比Spark Streaming更好。 2. 窗口计算 Spark Streaming内置了许多的窗口计算支持,如滑动窗口、滚动窗口,但支持的窗口计算的灵活性较低,只适合于一些简单的窗口计算。而Flink的窗口计算支持非常灵活,可以支持任意窗口大小或滑动跨度。 3. 数据库支持 在处理大数据时,存储和读取数据是非常重要的。Spark Streaming通常使用HDFS作为其数据存储底层的系统。而Flink支持许多不同的数据存储形式,包括HDFS,以及许多其他开源和商业的数据存储,如Kafka、Cassandra和Elasticsearch等。 4. 处理性能 Spark Streaming的性能比Flink慢一些,尤其是在特定的情况下,例如在处理高吞吐量的数据时,在某些情况下可能受制于分批处理的架构。Flink通过其流处理模型和不同的调度器和优化器来支持更高效的实时数据处理。 5. 生态系统 Spark有着庞大的生态系统,具有成熟的ML库、图处理库、SQL框架等等。而Flink的生态系统相对较小,但它正在不断地发展壮大。 6. 规模性 Spark Streaming适用于规模小且不太复杂的项目。而Flink可扩展性更好,适用于更大、更复杂的项目。Flink也可以处理无限制的数据流。 综上所述,Spark Streaming和Flink都是流处理引擎,它们有各自的优缺点。在选择使用哪一个流处理引擎时,需要根据实际业务场景和需求进行选择。如果你的业务场景较为复杂,需要处理海量数据并且需要比较灵活的窗口计算支持,那么Flink可能是更好的选择;如果你只需要简单的流处理和一些通用的窗口计算,Spark Streaming是更为简单的选择。
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

打赏作者

红色石头Will

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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