首页
学习
活动
专区
工具
TVP
发布

人工智能

专栏作者
486
文章
766048
阅读量
224
订阅数
使用Apache Spark的微服务的实时性能分析和分析
作为一种架构风格,微服务因其极高的灵活性,越来越受欢迎。应用程序在功能上分解为一组松散耦合的协作服务,通过定义良好的(REST)API进行交互。通过采用这些设计原则,开发团队可以以极其快节奏的方式独立开发独立的微服务。已知使用这种开发模式的组织将其部署从每天 50到300次更新......。
花落花飞去
2018-06-27
1.7K0
基于TextCNN的谩骂评论识别模型
“网络喷子”群体的出现,使新闻文章中的谩骂评论屡见不鲜。本文旨在利用卷积神经网络构建谩骂评论的自动识别模型,用机器对抗喷子。
Techeek
2018-03-21
3.4K3
决策树及ID3算法学习
决策树是一种用树形结构来辅助行为研究、决策分析以及机器学习的方式,是机器学习中的一种基本的分类方法。
Techeek
2018-03-19
3.1K13
机器学习入门之HelloWorld(Tensorflow)
本文介绍一些机器学习的入门知识,从安装环境到跑通机器学习入门程序MNIST demo。
Techeek
2018-03-13
4K4
自然语言处理如何快速理解?有这篇文章就够了!
原文来源:codeburst.io 作者:Pramod Chandrayan 「雷克世界」编译:嗯~阿童木呀、我是卡布达 现如今,在更多情况下,我们是以比特和字节为生,而不是依靠交换情感。我们使用一种称之为计算机的超级智能机器在互联网上进行交易和沟通。因此,我们觉得有必要让机器明白我们在说话时是如何对其进行理解的,并且试图用人工智能,一种称之为NLP——自然语言处理技术为它们提供语言。作为一种研究结果,聊天机器人正在成为一种可靠的聊天工具,使用这种非人为依赖的智能工具与人类进行交流。 我强烈的感受到:
企鹅号小编
2018-03-05
2.6K3
关注专栏作者,随时接收最新技术干货
花落花飞去
腾讯社区运营
全球资讯翻译官
腾讯总部云加社区运营
Techeek
腾讯产品运营
QiqiHe
腾讯产品运营
【机器学习】彻底搞懂CNN
作者:水奈樾人工智能爱好者 博客专栏:http://www.cnblogs.com/rucwxb/ 上世纪科学家们发现了几个视觉神经特点,视神经具有局部感受野,一整张图的识别由多个局部识别点构成;不同神经元对不同形状有识别能力,且视神经具有叠加能力,高层复杂的图案可以由低层简单线条组成。之后人们发现经过conclusional的操作,可以很好反映视神经处理计算的过程,典型的是1998年LeCun发明的LeNet-5,可以极大地提升识别效果。 本文主要就convolutional layer、pooling
企鹅号小编
2018-03-05
1.2K0
人工智能AI(3):线性代数之向量和矩阵的范数
在实数域中,数的大小和两个数之间的距离是通过绝对值来度量的。在解析几何中,向量的大小和两个向量之差的大小是“长度”和“距离”的概念来度量的。为了对矩阵运算进行数值分析,我们需要对向量和矩阵的“大小”引进某种度量。范数是绝对值概念的自然推广。 1定义 我们都知道,函数与几何图形往往是有对应的关系,这个很好想象,特别是在三维以下的空间内,函数是几何图像的数学概括,而几何图像是函数的高度形象化,比如一个函数对应几何空间上若干点组成的图形。 但当函数与几何超出三维空间时,就难以获得较好的想象,于是就有了映射的概
企鹅号小编
2018-03-02
1.7K0
看完这些你就明白,机器学习和深度学习的根本区别了
深度学习是什么? 在深度学习中,计算机模型学习直接从图像、文本或声音中执行分类任务。深度学习模式可以达到新的精确度,有时甚至超过人类的表现。大多数深度学习方法使用神经网络的架构,这也是深度学习模型通常
企鹅号小编
2018-03-02
2.9K0
23个深度学习库的排名
本文对 23 个深度学习库进行了排名,衡量的标准有三个:GitHub、Stack Overflow 以及谷歌搜索结果。TensorFlow 凭借最大、最活跃的社区主导了该领域,排名第一;Keras 是最为流行的深度学习前端,排名第二;Theano 依然实力强大,即使没有大公司的支持,排名第四;Sonnet 是成长最快的库,排名第六。 📷 结果与讨论 TensorFlow 凭借最大、最活跃的社区主导该领域 Caffe 已经被 Caffe2 取代 Keras 是最为流行的深度学习前端 Theano 依然实力强大
企鹅号小编
2018-03-01
8710
从损失函数的角度详解常见机器学习算法(1)
作者:章华燕 编辑:赵一帆 1、机器学习中常见的损失函数 一般来说,我们在进行机器学习任务时,使用的每一个算法都有一个目标函数,算法便是对这个目标函数进行优化,特别是在分类或者回归任务中,便是使用损失函数(Loss Function)作为其目标函数,又称为代价函数(Cost Function)。损失函数是用来评价模型的预测值 Y_hat=f(X) 与真实值Y的不一致程度,它是一个非负实值函数。通常使用 L(Y,f(x))来表示损失函数,损失函数越小,模型的性能就越好。 设总有N个样本的样本集为(X,Y)=(
企鹅号小编
2018-03-01
3.3K0
五分钟快速了解深度学习
原作者:Radu Raicea 译者:刘勤 人工智能(Artificial Intelligence)和机器学习(Machine Learning)是当下最热话题。每天“AI”这个词都在耳边横飞。胸怀抱负的开发人员声称想要研究AI;经理们说想在服务中应用AI。但是,通常这些人不知道AI是什么。 本文将带你了解人工智能(AI)和机器学习(ML)的基本知识。你也会了解到机器学习中最火的方法——深度学习的工作原理。 本指南是用来科普的,所以不会涉及高等数学。 背景 了解深度学习的第一步是把握重要概念之间的区别。
企鹅号小编
2018-03-01
9170
基于TensorFlow生成抽象纹理
来源:otoro 编译:weakish 编者按:Google Brain机器学习开发者hardmu使用TensorFlow,基于CPPN网络生成了许多有趣的高分辨率抽象艺术图片。一起来看看他是怎么做的吧。 📷 钻石恒久远 本文尝试使用TensorFlow探索复合模式生成网络(Compositional pattern-producing networks)。相关代码放在github上。乍看起来,用TensorFlow实现CPPN是高射炮打蚊子,因为用numpy就可以实现CPPN。不过,用TensorFlow
企鹅号小编
2018-02-28
1.2K0
吴恩达深度学习课程笔记之卷积神经网络基本操作详解
卷积层 CNN中卷积层的作用: CNN中的卷积层,在很多网络结构中会用conv来表示,也就是convolution的缩写。 卷积层在CNN中扮演着很重要的角色——特征的抽象和提取,这也是CNN区别于传统的ANN或SVM的重要不同。 对于图片而言,图片是一个二维度的数据,我们怎样才能通过学习图片正确的模式来对于一张图片有正确的对于图片分类呢?这个时候,有人就提出了一个观点,我们可以这样,对于所有的像素,全部都连接上一个权值,我们也分很多层,然后最后进行分类,这样也可以,但是对于一张图片来说,像素点太多,参
企鹅号小编
2018-02-28
8120
从零开始教你训练神经网络
来源:机器之心 作者:Vitaly Bushaev 本文长度为8900字,建议阅读15分钟 本文从神经网络简单的数学定义开始,沿着损失函数、激活函数和反向传播等方法进一步描述基本的优化算法。 作者从神经网络简单的数学定义开始,沿着损失函数、激活函数和反向传播等方法进一步描述基本的优化算法。在理解这些基础后,本文详细描述了动量法等当前十分流行的学习算法。此外,本系列将在后面介绍 Adam 和遗传算法等其它重要的神经网络训练方法。 I. 简介 本文是作者关于如何「训练」神经网络的一部分经验与见解,除了介绍神经网
企鹅号小编
2018-02-27
8460
揭秘深度学习成功的数学原因:从全局最优性到学习表征不变性
原标题:揭秘深度学习成功的数学原因:从全局最优性到学习表征不变性 选自arXiv 作者:RenéVidal、Joan Bruna、Raja Giryes、Stefano Soatto 机器之心编译 参与:黄小天、路雪 近年来,深度学习大获成功,尤其是卷积神经网络(CNN)在图像识别任务上的突出表现。然而,由于黑箱的存在,这种成功一度让机器学习理论学家颇感不解。本文的目的正是要揭示深度学习成功的奥秘。通过围绕着深度学习的三个核心要素——架构、正则化技术和优化算法,并回顾近期研究,作者为深层网络的若干属性,如全
企鹅号小编
2018-02-27
6350
随机森林的简单实现
随机森林(RandomForest):顾名思义,是用随机的方式建立一个森林,森林里面:由很多的决策树组成,随机森林的每一棵决策树之间是没有关联的。在得到森林之后,当有一个新的输入样本进入的时候,就让森林中的每一棵决策树分别进行一下判断,看看这个样本应该属于哪一类(对于分类算法),然后看看哪一类被选择最多,就预测这个样本为那一类。 随机森林的随机性体现在: a.随机选择样本,是有放回抽样 b.随机选择特征,不用对所有的特征都考虑,训练速度相对快 随机森林的优点: a.能够处理很高维度(feature很多)的数
企鹅号小编
2018-02-27
1.3K0
“人工智能”的边际
此文虽然有神话故事的内容,但是所表达的主题并不神话,是很严肃的,是现代科学中的人工智能发展方向和极限的探讨,且探讨方式是比人工智能、数学、现代科学、文化、宗教等更加深广的佛法体系。 欢迎有兴趣的任何阅者阅读,也欢迎共同探讨。 人工智能(ArtificialIntelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域
企鹅号小编
2018-02-27
2.4K0
计算机视觉这一年:这是最全的一份CV技术报告
The M Tank 编辑了一份报告《A Year in Computer Vision》,记录了 2016 至 2017 年计算机视觉领域的研究成果,对开发者和研究人员来说是不可多得的一份详细材料。该材料共包括四大部分,在本文中机器之心对第一部分做了编译介绍,后续会放出其他部分内容。 内容目录 简介 第一部分 分类/定位 目标检测 目标追踪 第二部分 分割 超分辨率、风格迁移、着色 动作识别 第三部分 3D 目标 人体姿势估计 3D 重建 其他未分类 3D 总结 第四部分 卷积架构 数据集 不可分类的其他
企鹅号小编
2018-02-27
9680
我用人工智能来打小怪兽
距离2018 15天 ------- 关键词:人工智能 故事起源于公元2017年12月15日的一个下午,在无尽星空中的某个星球,小二两突然接收到了来自遥远的母星地球的一份用星际通用语写成的公告: 📷 于是在这个晚上小二两做了一个梦,梦见自己化身一个身披 AI 战甲的小男孩,飞回了地球。 第二天早上醒来,小二两将自己的梦放进“马蹄声声渐起”的口袋中进行解析,随即伴随着一首奇妙的背景音乐在空中浮现了下面的内容 人工智能(AI)? 61年前某个白天或者晚上,美国常春藤名校达特茅斯大学有个叫JohnMcCarthy
企鹅号小编
2018-02-26
5870
什么时候强化学习未必好用?
作者 Jason Xie 编译 Erica Yi 编辑 Emily 强化学习(reinforcement learning)描述的是个体(agent)必须在环境(environment)中采取行动(action),以最大化设定的奖励(reward)函数的学习问题的集合。 不同于监督式深度学习,强化学习并不会出现大量明确标记好的输入 /输出对数据。大部分的强化学习都在网上进行,也就是说当个体积极地与它的环境进行多次迭代互动时,它最终开始学习采取怎样的行为会使自身奖励最大化的方案(policy)。
企鹅号小编
2018-02-26
1K0
点击加载更多
社区活动
Python精品学习库
代码在线跑,知识轻松学
热点技术征文第五期
新风口Sora来袭,普通人该如何把握机会?
博客搬家 | 分享价值百万资源包
自行/邀约他人一键搬运博客,速成社区影响力并领取好礼
技术创作特训营·精选知识专栏
往期视频·干货材料·成员作品·最新动态
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档