- 博客(1)
- 资源 (56)
- 收藏
- 关注
RSS订阅翻译 世界模型【论文】
Agent可以在自己的梦境中学习吗？概述我们探索建立支撑流行强化学习环境的生成型神经网络模型，我们的世界模型可以以无监督的方式快速训练，以学习针对环境的压缩时空表示。通过使用从世界模型中提取的特征作为agent的输入，我们可以训练一个非常紧凑和简单的策略，可以解决所要求的任务，甚至可以完全在其世界模型生成的梦境中训练agent，并将此策略迁移到实际环境。介绍世界模特，来自斯科特麦...
2019-04-07 21:35:48
6104
Webinar的MySQL高性能高可用资源集合
MYSQL高可用高性能调优资源PPT:
BackupRestoreWebinar_20150715_0.pdf
HA using MySQL in the Cloud vf_0.pdf
How to Scale Big Data Applications.pdf
MySQL-Indexing-Best-Practices-for-MySQL-5.6.pdf
MySQL101InnodbSchemadesignwebinar.pdf
Percona-Webinar-Intro-to-troubleshooting-basic-techniques.pdf
Percona-Webinars-July2015-Practical-MySQL-Performance-Optimization_0.pdf
Webinar-Feb2016-Using-Grafana-MySQL-Monitoring.pdf
Webinar-May2014-Practical-MySQL-Performance-Optimization.pdf
Webinar_2014_InDepth_Query_Optimization.pdf
Webinar_MySQL-5 6-Performance-Schema-Introduction.pdf
Webinar_Query_Optimization-2_0.pdf
what every dba needs to know about mysql security.pdf
2016-04-02
HBase权威指南中文版
《HBase权威指南》探讨了如何通过使用与HBase高度集成的Hadoop将HBase的可伸缩性变得简单；把大型数据集分布到相对廉价的商业服务器集群中；使用本地Java客户端，或者通过提供了REST、Avro和Thrift应用编程接口的网关服务器来访问HBase；了解HBase架构的细节，包括存储格式、预写日志、后台进程等；在HBase中集成MapReduce框架；了解如何调节集群、设计模式、拷贝表、导入批量数据和删除节点等。
2015-11-24
MySQL-Percona-book
包括电子书：
Innodb_logs_ebook.pdf
innodb_performance_optimization_final.pdf
mysql_high_availability.pdf
Mysql_logs_ebook.pdf
mysql_performance_schema.pdf
mysql_performance_tuning.pdf
mysql_server_memory_usage_ebook.pdf
2015-11-17
阿里云产品资料
包括：
阿里云-产品介绍+-+ECS弹性计算服务.pptx
阿里云-产品介绍+-+OCS产品v1.5.pptx
阿里云-产品介绍+-+ODPS-v0.3.pptx
阿里云-产品介绍+-+OSS-v0.3.pptx
阿里云-产品介绍+-+OTS-v0.3.pptx
阿里云-产品介绍+-+RDS-v0.3.pptx
阿里云计算产品介绍V0.2.pptx
阿里云计算整体介绍.pptx
飞天开放平台-大数据技术年会-4x3.pptx
飞天开放平台编程指南20121214-Final版.pdf
2015-10-04
MYSQL性能调优工具介绍
一 mysql awr报告（简单的AWR,mysqltuner.pl,tuning-primer.sh pt-query-digest,pt-variable-advisor）
二 性能分析工具介绍（mytop,innotop,orzdba,tcpdump,pt-query-digest,tbdba-slow-picker.pl,iotop,io-profile,nicstat,mpstat,iostat,vmstat,tcprstat,dstat,oprofile,vmtouch）
三 主从复制延时解决（relay-fetch 介绍）
2015-10-02
化繁为简-IBM云存储整体解决方案
未来计算中心的建设模式是“资源池式”建设，通过虚拟化技术的应用打破了传统竖井式的资源壁垒，若干应用系统共享各类处理资源，支持随业务应用压力变化灵活调整资源供应；集中式运维管理通过对运维流程的固化、不同专业领域的人员整合等方法的应用大大提高了运维效率
2015-09-20
分布式存储的元数据设计
• ⽆无中⼼心的存储设计: glusterfs
• 有中⼼心的存储设计：hadoop
• 基于数据库的存储设计: gridfs, hbase
• 绕过问题的存储设计: fastdfs
2015-09-12
真正的大数据云计算平台
真正的云计算平台，它有五层架构：
运维管理层：clouDil
计算层：MapReduce+TaskMaster
数据管理层：DataCube
虚拟化层：cCloud
存储层：cStor
2015-09-03
云计算资源管理平台系统培训手册
云计算资源管理系统是借助IAAS虚拟化技术平台的支撑，达到对虚拟主机、虚拟存储、虚拟网络、虚拟安全设施的按需动态、弹性管理。系统的核心目标是为了将虚拟化资源池中的资源高效、实时、友好的展示给用户和用户人员并能满足用户的资源管理和使用需求。对于虚拟化资源的实时配置与运行属性应能通过定时扫描的方式自动维护虚拟化资源的配置属性库，对于需要人工设定的管理业务属性应提供在线的管理维护界面。对于资源管理过程中需要与运维服务流程联动的应提供运维服务流程的联动执行机制
2015-09-03
一种准确而高效的领域知识图谱构建方法
作为语义网的数据支撑,知识图谱在知识问答、语义搜索等领域起着至关重要的作用,一直以来也是研究领域和工程领域的一个热点问题,但是,构建一个质量较高、规模较大的知识图谱往往需要花费巨大的人力和时间成本.如何平衡准确率和效率、快速地构建出一个高质量的领域知识图谱,是知识工程领域的一个重要挑战.对领域知识图谱构建方法进行了系统研究,提出了一种准确、高效的领域知识图谱构建方法——“四步法”,将该方法应用到中国基础教育九门学科知识图谱的构建中,在较短时间内构建出了准确率较高的学科知识图谱,证明了该方法构建领域知识图谱的有效性.以地理学科知识图谱为例,使用“四步法”共得到67 万个实例、1 421 万条三元组,其中,标注数据的学科知识覆盖率和知识准确率均在99%以上.
2019-02-27
VGG16预训练模型part2
VGG16预训练模型
"vgg_url": "ftp://mi.eng.cam.ac.uk/pub/mttt2/models/vgg16.npy"
2018-05-19
VGG16预训练模型part1
VGG16预训练模型
"vgg_url": "ftp://mi.eng.cam.ac.uk/pub/mttt2/models/vgg16.npy"
2018-05-19
知识图谱：大数据语义链接的基石
知识图谱：大数据语义链接的基石
李涓子 清华大学
主要内容
一、知识图谱基础
二、知识图谱类型
三、知识图谱构建方法及关键技术
四、基于知识图谱的语义链接及其应用
2018-05-16
Learning TensorFlow A Guide to Building Deep Learning Systems
Learning TensorFlow
A Guide to Building Deep Learning Systems
Tom Hope, Yehezkel S. Resheff, and Itay Lieder
In this book you will learn how to:
1. Get up and running with TensorFlow, rapidly and painlessly.
2. Use TensorFlow to build models from the ground up.
3. Train and understand popular deep learning models for computer vision and NLP.
4. Use extensive abstraction libraries to make development easier and faster.
5. Scale up TensorFlow with queuing and multithreading, training on clusters, and serving output in
production.
6. And much more!
2018-05-10
Deep Learning with Hadoop
This book will teach you how to deploy large-scale datasets in deep neural networks with
Hadoop for optimal performance.
Starting with understanding what deep learning is, and what the various models associated with
deep neural networks are, this book will then show you how to set up the Hadoop environment
for deep learning.
2018-05-10
探索性数据分析(EDA)PPT
探索性数据分析(EDA)
EDA指对已有的数据(特别是调查或观察得来的原始数据)在尽量少的先验假定下进行探索，通过作图、制表、方程拟合、计算特征量等手段探索数据的结构和规律的一种数据分析方法。在深入机器学习或统计建模之前，EDA是一个重要的步骤，这是因为它提供了为现有问题开发适当模型并正确解释其结果所需的来龙去脉。
2017-12-02
Reasoning Attention and Memory
Reasoning, Attention and Memory
深度学习的推理、注意力和记忆
Sumit Chopra
Facebook AI Research
2017-11-22
Deep Reinforcement Learning through Policy Optimization
深度强化学习
Deep Reinforcement Learning through Policy Optimization
Pieter Abbeel
Open AI / Berkeley AI Research Lab
Slides made in collabora<on with John Schulman
2017-11-19
Recurrent Neural Networks
深度学习暑期课件
Recurrent Neural Networks
Deep Learning Summer School 2016
Yoshua Bengio
Montreal Ins<tute for Learning Algorithms
Université de Montréal
2017-11-18
learning to see
Learning to see深度学习课件
Antonio Torralba
Computer Science and Ar1ficial Intelligence Laboratory (CSAIL)
Department of Electrical Engineering and Computer Science
2017-11-16
Introduction to Reinforcement Learning
深度学习暑期学校课件
Reinforcement Learning:
From basic concepts to deep Q-networks
Joelle Pineau
McGill University
Deep Learning Summer School
August 2016
2017-11-15
Introduction to Convolutional Networks
Introduction to Convolutional Networks
深度学习CNN课件
Rob Fergus
Facebook AI Research
New York University
2017-11-14
大数据 - 可扩展的实时数据系统的原则和最佳实践-英文版
使用Lambda架构构建的数据系统的好处，不仅仅是扩展。因为你的系统将能够处理更大量的数据，你将能够收集更多的数据，获得更多的价值。增加存储数据的数量和类型，将会有更多机会去挖掘数据，生成分析和构建新的应用程序。
使用Lambda架构的另一个好处是，应用程序将非常健壮。有很多原因，例如，你将有能力在整个数据集上运行计算来进行迁移或解决出错的事情。你永远不需要处理同一时间模式中有多个活跃版本的情况。当你改变模式时，你将有能力更新所有数据到新的模式。同样地，如果一个错误的算法被不小心部署到生产环境，破坏了你提供的数据，你可以通过重新计算被破坏的数值，很容易地解决该问题。如你将见到的，还有许多其他原因使得为什么大数据应用程序会更加健壮。
最后，性能将是更加可预测的。虽然Lambda架构作为一个整体是通用的和灵活的，但组成系统的各个组件是特定的。当与比如SQL查询计划比较时，后台很少会有“魔法”发生。这就得到更加可预测的性能。
2017-03-08
A Field Guide to the Distributed Development Stack
A Field Guide to the Distributed Development Stack
Introduction 1
How to Contribute 3
The Cloud Is the Default Platform 5
Traditional Cloud Providers 6
Hosted PaaS 6
Internal Services 7
For More Information 7
CI Servers Deploy Code, Not Ops 9
Tools 10
Continuous Deployment 11
The Codebase Is in Git 13
Tools 14
The Entire Application Runs Locally in Development 17
Tools 17
The Environment Is Automated in the Code 19
iii
Tools 20
For More Information 21
The Monitoring Infrastructure Is Critical 23
Tools 24
Tests Done in Code, Not by a QA Department 27
Tools 27
Containerization for Production Services 29
Real-time Chat and Chatbots 33
Chat 35
Chatbots 35
For More Information 35
Appendix: Contributors 37
Survey 39
2016-10-13
Machine Learning and Data Mining in Pattern Recognition, 9th, MLDM 2013
Machine Learning and Data Mining in Pattern Recognition
9th International Conference, MLDM 2013
NewYork, NY, USA, July 19-25, 2013
Proceedings
2016-09-28
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人