迁移学习（transfer learning）通俗来说，就是运用已有的知识来学习新的知识，用成语来说就是举一反三。很多场景下，直接对目标从头开始学习成本太高，这时候我们可以运用已有的知识辅助尽快得学习新知识。本文主要对迁移学习进行了介绍，提供了一些资料，最后在实战中利用迁移学习实现了图像分类。

  我们知道，在常用的数据科学建模套路中，对特征工程后大量的特征进行筛选常常是不可忽视的一个步骤。在金融领域的信用卡评分模型中，又常常使用IV值的大小来作为特征筛选的依据，IV值大表示该变量的预测能力强。那么IV值怎么进行计算，为什么信用卡评分建模中又偏爱使用IV值呢？我们一起来看一下。

  今天来回顾一下EM算法。试想，当通过若干次实验获取一批硬币观测数据时，如果知道他们分别来自哪个硬币，我们就可以通过极大似然估计来求得其每个硬币分布的参数。但是，如果我们不知道他们来自哪个分布（称作隐变量）的时候，极大似然估计方法就失效了。EM（expectation maximization）算法就是针对这样有隐变量的参数估计场景。这篇博文里，我们不谈数学推理公式，通过简单的例子了解一下EM算法的idea。
  另外，临近春节，在这里预祝大家新年快乐啦！

  一个模型上线后，在实际生产中需要监控这个模型的稳定性的，一旦模型的产出出现异常，一点点的偏差就会带来极大的风险损失。
  以金融风险评分为例，我们需要定期按照新观察期的数据，去更新每个用户的信用评分。变量的分布的分析是必要的，通过多账期评分总体的分布对比。比如

• 计算一些指标， 可以评价这个模型是否收到了当前业务的影响？
• 在一定周期内是否可以保持稳定？
• PSI是多少？
• 申请了金融产品的客户的分数是否满足排序性？
• 整体KS是多少？等等…

  k-means可能是最知名的聚类算法，它是很多入门级数据科学和机器学习课程的内容。下面来回顾一下。

  ResNet残差神经网络是何凯明博士于2016年提出的，其相关论文获得了当年CVPR的best parer。计算机视觉领域中，可以证明更深的神经网络可以学习更好的特征，取得更好的识别成绩。虽然ReLU、dropout等方法减小了深层神经网络训练过程中梯度弥散的影响，训练深层的网络依然会出现退化(degradation)的情况。而ResNet的提出，使得更深层的网络得以训练。
  以下内容为学习论文和参考其他资料后的简单总结，包含实现代码。

  seaborn是一个python可视化的工具，是基于 matplotlib ，能与 dataframe 数据结构有更好切合的工具。