给技术人上的管理课：激励与授权

只有工作本身会给团队带来痛苦,并且团队要努力克服这痛苦并成长,才会产生真正的激励效果。一个更加有为的管理人,应该想办法去优化权力结构。要想方设法地保留和扩大自己擅长的业务所需的权力,对于那些不甚擅长、潜在作用不大或是难以驾驭的权力,则要采取措施授出或让渡。     

给技术人上的管理课：控制和计划

在开始讲任何的细节之前,我想先谈谈为什么要写这样的系列文章。众所周知,从事专业工作的人士,无论挂着什么样的头衔,就其日常工作的根本性质而言,基本上可以分为两大类,不妨就称为技术人和管理人吧。不用说,他们分别从事着的当然就是技术工作和管理工作。有关这两者的区别,说法很多。但说到底,它们之间的根本区别在于技术工作的对象是物,而管理工作的对象是人。     

不平衡样本集中SVM的应用综述

支持向量机是由Vapnik等人于上世纪90年代提出的一种崭新的学习机器,它作为统计学习理论的实现方法,是处理小样本学习的有效工具.支持向量机克服了神经网络收敛速度慢、解不稳定、泛化性差的缺点,在模式识别、信号处理、自动化、通讯等领域得到了广泛应用.在不平衡样本集中,样本数量上的差异导致不同类别的样本对于训练算法提供的信息不对称,所以很多性能较好的算法用来处理不平衡的样本集时得不到令人满意的效果.很多的科研人员对该问题进行了广泛而深入的研究,较为系统地回顾了这一个研究分支在过去10年的发展动态.     

不平衡数据集中的组合分类算法

为提高少数类的分类性能,对基于数据预处理的组合分类器算法进行了研究.利用Tomek links对数据集进行预处理;把新数据集里的多数类样本按照不平衡比拆分为多个子集,每个子集和少数类样本合并成新子集;用最小二乘支持向量机对每个新子集进行训练,把训练后的各个子分类器组合为一个分类系统,新的测试样本的类别将由这个分类系统投票表决.数据试验结果表明,该算法在多数类和少数类的分类性能方面,都优于最小二乘支持向量机过抽样方法和欠抽样方法.     

不平衡数据集中分类超平面参数优化方法

对不平衡数据集SVM分类存在着分类结果偏向多数类的情况,使得分类结果中少数类的F1-Measure值偏低.本文提出一种不改变样本集合的样本数,并结合样本点总数,分类过程中的支持向量个数,少数类和多数类的准确率,生成权重值对分类超平面参数b进行优化,以此提高少数类样本点分类准确率的方法,并通过实验证明该方法的有效性.     

抽样技术和CBES分类非平衡数据集

CBES是面向非平衡数据集分类的组合选择方法。相关的实验表明,CBES方法能大幅度提升基分类器的泛化能力。已有研究表明,抽样方法能有效提高分类器在非平衡数据集分类上的性能。因此,巧妙地将抽样技术应用到CBES方法中,进而提出基于抽样的CBES方法(SCBES),以期进一步提高CBES在稀有类上的性能。大量的实验表明,巧妙地使用抽样方法能进一步提高CBES方法在非平衡数据集分类上的性能。     

基于不平衡数据集的文本分类技术

文本自动分类是信息检索和数据挖掘领域的研究热点和核心技术,但是在实际应用中,经常会出现文本实例中一些类中欧冠的文本很多,而另一些类中的文本较少的情况,而这些应用往往就是为了预测其中很少出现但很重要的文本,这就是所谓的文本分类不平衡问题。传统方法对少数类的识别率低,如何有效的提高少数类的分类性能成为机器学习和模式识别领域亟待解决的问题。因此,该文针对提高不平衡数据集中的少数类文本的分类性能之一问题,从数据层面处理的角度对数据进行重抽样。使用随机抽样的方法以提高分类器在非平衡数据集上的泛化性能。     

中联重科：数字设计的“统一和集中”

对于我国工程制造业来说，存在有几个基本特点，这也决定了其信息化建设的一些特性。工程制造业的产品通常是多品种、小批量，不像汽车业一个车型能卖几十万辆，工程机械的车型一般也就几百辆的市场，一个系列的产品能卖出几千辆算是很高的量级。也就是说，每个产品跟随用户需求的变化多，设计变更也多。     

微管理：技术管理人的落地实践总结

6月22日,CTO俱乐部为会员量身打造的专享活动“夏季读书会”如期举行。本次活动特邀CTO俱乐部会员、《微管理：给你一个技术团队,你该怎么管》作者杨立东与大家进行分享及讨论。     

不平衡数据集上的Relief特征选择算法

Relief算法为系列特征选择方法,包括最早提出的Relief算法和后来拓展的ReliefF算法,核心思想是对分类贡献大的特征赋予较大的权值;特点是算法简单,运行效率高,因此有着广泛的应用。但直接将Relief算法应用于有干扰的数据集或不平衡数据集,效果并不理想。基于Relief算法,提出一种干扰数据特征选择算法,称为阈值-Relief算法,有效消除了干扰数据对分类结果的影响。结合K-means算法,提出两种不平衡数据集特征选择算法,分别称为K-means-ReliefF算法和 K-means-Relief抽样算法,有效弥补了Relief算法在不平衡数据集上表现出的不足。实验证明了本文算法的有效性。     

SVM在不平衡样本集中的应用研究

Vapnik等人提出基于统计学习理论的支持向量机( SVM, Support Vector Machices )算法,将其运用于模式识别中,取得了较好的效果.但传统的SVM算法针对不平衡样本集时,效果很不理想,很多的科研人员对该问题进行广泛而深入的研究,较为系统的回顾这一个研究分支在过去10年的发展动态.     

SVM在非平衡数据集中的应用

在一个数据集中,至少有一个类别相对与其他类别有很少的样本,则这样数据集可以称为高度倾斜的或者是非平衡的数据集,非平衡数据在现实中普遍存在.在非平衡数据分类中,传统机器学习算法的分类表现受到了阻碍.支持向量机(SVM)基于结构风险最小化原则,是近几年发展起来的机器学习方法.分析了SVM在非平衡数据集中的应用情况,同时提出了几种SVM运用于非平衡数据集中的主要改进方法,这些方法对于非平衡数据的分类有很好的分类效果.     

基于不平衡数据集的文本分类技术研究

文本自动分类是数据挖掘和信息检索的核心技术,也是研究热点。在实际的应用中,时常会出现文本数据量很大,但是对人们有用的信息仅占一小部分,这种某类样本数量明显少于其他类样本数量的数据就是不平衡数据集。不平衡数据集可以分类为少数类和多数类。传统方法对少数类的识别率比较低,如何有效地提高少数类的分类性能成为了模式识别和机器学习必须解决的问题。就提高不平衡数据集的少数类文本的分类性能问题,从数据层面处理角度对数据进行了重抽样,采用随机抽样的办法来提高分类器在不平衡数据集的泛化性能。     

依靠信息化技术促进中职教育的课程平衡

本文阐述了课程平衡在中职教育中的必要性,并探索了如何更好的利用信息化技术的方法在多个方面促进课程的平衡。     

非平衡数据集分类方法探讨

由于数据集中类分布极不平衡,很多分类算法在非平衡数据集上失效,而非平衡数据集中占少数的类在现实生活中通常具有显著意义,因此如何提高非平衡数据集中少数类的分类性能成为近年来研究的热点。详细讨论了非平衡数据集分类问题的本质、影响非平衡数据集分类的因素、非平衡数据集分类通常采用的方法、常用的评估标准以及该问题中存在的问题与挑战。     

非平衡技术在高速网络入侵检测中的应用

针对现有的高速网络入侵检测系统丢包率高、检测速度慢以及检测算法对不同类型攻击检测的非平衡性等问题,提出了采用两阶段的负载均衡策略的检测模型。在线检测阶段对网络数据包按协议类型进行分流的检测,离线建模阶段对不同协议类型的数据进行学习建模,供在线部分检测。在讨论非平衡数据处理的各种采样技术基础上,采用改进后的过抽样少数样本合成过采样技术（SMOTE）对网络数据进行预处理,采用AdaBoost 、随机森林算法等进行分类。另外对特征选取等方面进行了实验,结果表明SMOTE过抽样可提高各少数类的检测,随机森林算法分类效果好而且建模所用的时间稳定。     

Competence：技术粗放型向管理精细型的转变

基于多变的经济环境和巨大竞争压力下的代谢更迭,国内企业势必要从技术粗放型向管理精细型转变,Competence发展的理论和实践是摆在企业管理人面前不可逾越的鸿沟。     

统一会议：让工作和生活更平衡

当互联网已经把人们联在一起，统一会议则更进一步，开始让人们能够随时、随地展开头脑风暴。     

基于样本投影分布的平衡不平衡数据集分类*

提出一种平衡不平衡数据集统一分类方法,首先得到训练样本基于支持向量机（SVM）超平面法线方向上的投影;再借助支持向量数据描述（SVDD）对训练样本投影分布进行描述;测试样本在此基础上实现分类。平衡或不平衡数据集都可采用相同的方法进行分类。实验表明该方法能够同时对平衡或不平衡数据集进行有效的分类。