机器学习

你想知道如何为电机控制或者其它工业物联网应用实现远程诊断和预测性维护吗？此次研讨会将通过名为“PYNQ”的革新型架构向您展示赛灵思 Zynq SoC在工业物联网边缘智能和控制应用中的“自适应”的能力。。Python + Zynq= PYNQ。PYNQ是赛灵思公司开发的一个开源项目，旨在让基于赛灵思Zynq的嵌入式系统设计更加容易。其结合了业界最流行编程语言Python的高效生产力和丰富的开源分析库和机器学习库，以及赛灵思Zynq SoC 灵活可扩展的特性，可加速实现电机控制中边缘分析和机器学习的快速部署。

本次网络研讨会将为您介绍为什么需要在电机控制应用中使用赛灵思ZynqSoC的基本概念，以及PYNQ如何在无论是否连接到云网络的条件下，都能帮助软件工程师或者数据分析师轻松地从电机数据中获得片上的、实时的洞察分析。PYNQ所带来的关键的差异化在于传感器数据在可配置硬件中的预处理，这个预处理可以帮助应用软件发挥出最大效用。

<font color="#FF8000">作者：Jeffrey Burt</font>

有时候，如果你在业务上持之以恒，生意就会找上门来。

数十年来，Xilinx一直是FPGA的领导者，目前仍占有60%的市场份额。英特尔近三年前以167亿美元收购了Xilinx的竞争对手Altera，占据了其余市场的大部分份额。尽管Xilinx多年来一直保持稳定增长，2018财年收入达到创纪录的25.4亿美元，较上年增长8%，但是FPGA仍然刚刚开始在数据中心领域找到自己作为计算引擎的基础。英特尔、AMD和IBM的CPU仍然是计算的主要驱动因素，在英伟达、AMD，以及前途无量的Arm的GPU加速器的辅助下，这些公司集体希望能够参与由Cavium领导的运动。其他加速器也越来越多地被使用，如FPGA和定制ASIC，但现在的数据中心仍然由CPU主导。

尽管如此，在Xilinx工作了10年的资深员工Victor Peng（他从1月份开始担任Xilinx的首席执行官）看到了这种变化，并设想了可编程逻辑芯片走入大型数据中心用户和云构建者的HPC 中心、以及常规企业数据中心的时代。

摘要： 还在为特征选择抓狂？这个工具了解一下！

特征选择，即在数据集中查找和选择最有用的特征的过程，是机器学习的关键步骤。不必要的特征会降低训练速度、模型的可解释性，最重要的是会降低测试集的泛化性能。

我对临时的特征选择方法感到很失望，但是在解决机器学习问题时又反复用到了这些方法，所以就创建了一个关于特征选择的Python类，<a href="https://github.com/WillKoehrsen/feature-selector">该类可以在GitHub上找到</a&gt;。FeatureSelector类包括一些最常见的特征选择方法:
1.高百分比的缺失值特征选择法

2.共线(高度相关)特征选择法

3.树型结构模型中的零重要性特征选择法

4.低重要性特征选择法

5.唯一值特征选择法

在本文中，我将对机器学习数据集的示例使用FeatureSelector类。也会介绍该类是如何让我们快速地实现特征选择方法。