姚 星 腾讯集团副总裁、腾讯AI Lab负责人 过去的二十年是信息高速发展的二十年，它经过了几个发展阶段。从发展的方向上来讲，应该是在上世纪九十年代初期，中国第一次连上互联网，进入到互联网这个
英国剑桥大学发布一项研究显示，机器学习技术在实验室模拟状态下能成功预测地震，未来或许能更高效预测这类灾害的发生。来自英国和美国的一组研究人员使用机器学习技术成功预测了地震的发生。尽管他们的研究工作是在实验室里进行的，但这个实验与现实生活中的情况非常相似，其研究结果可以用来预测地震发生的时间。 来自英国剑桥大学（University of Cambridge）、美国洛斯阿拉莫斯国家实验室(Los Alamos National Laboratory)和美国波士顿大学(Boston University)的研究
序言部分讲到在人工智能界一直有一个说法，认为机器学习是人工智能领域最能够体现智能的一个分支。
大数据文摘作品，转载要求见文末 编译 | Aileen 导读：2017年7月19日，苹果开启了一个新博客（https://machinelearning.apple.com/），一改其对自家技术的遮掩作风，决定定时在这个博客上更新自己员工的学术论文和科研成果，力证在机器学习上的能力不输别家。 苹果的“机器学习博客”终于在19日开通了。 谷歌、Facebook等科技大佬的研究院博客一直是诸多AI研究者的常驻地，相比之下，苹果对家AI技术稍显遮掩。之前，苹果甚至不允许其研究人员在学术期刊上发布研究成果，在研究开
随着人工智能与机器人技术的发展，几乎所有的行业都开始采用人工智能来取代人类劳动力。 如同圈地运动和农业机械化把劳动力赶出土地的过程一样，眼下这场人工智能革命也正将数不清的人类劳动力从他们原有的“土地”上赶出去，包括仓库管理员、卡车司机、清洁工……这是正在发生的事情，可不是危言耸听。 为了让受影响的人们能够适应这种转变，比尔·盖茨开始认真思考“机器人应该和人类一样交税”的问题。 📷 因为，接下来的五到十年，人工智能的发展将会超出每一个人的想象。 技术环境将发生剧变 而精明如马克·库班
在搜索引擎中输入“China”、“AI”、“leader”几个关键字，很快，匹配得到的海外新闻词条数不胜数。粗略查看标题，尽是外媒有关“中国或将超越美国成为全球 AI 领导者”的新闻，尤以 2018 年更甚。
AI 科技评论按：今日在腾讯研究院年会中，腾讯副总裁姚星发表演讲《AI 真实的希望和隐忧》，他在大会中介绍了“低调”的腾讯 AI 部门所做的事，并深入讲解该如何提升机器学习的能力以及对 AI 的看法。文章由 AI 科技评论进行编辑。 腾讯在 AI 方面确实很低调，很多人问我腾讯有没有做 AI？怎么从来没有向外宣传呢？ 解密腾讯 AI 部门 实际上从 2016 年 4 月份开始，腾讯成立了自己的 AI 部门。目前这个部门拥有 30 多个科学家，90% 以上的人都是博士学历，绝大多数人都是海外名校归来，包括
【新智元导读】北京时间19日凌晨1点，谷歌2016 I/O大会将在加利福尼亚州山景城举行。毫无疑问，AI和VR将成为本次大会的两大核心看点。今年以来，各大科技公司纷纷发力AI，一直在该领域深耕多年的谷歌会有什么战略和动作，会对当下的AI产业格局产生怎样的影响？作为本次I/O大会报道的一部分，新智元带来了本次大会的日程，为您解读其中与人工智能密切相关的活动安排。 当地时间5月18日早10点（北京时间19日凌晨1点），谷歌I/O大会将在美国加利福尼亚州山景城举行。目前，人工智能已经成为各大公司的必争之地，上个
【新智元导读】微软前副总裁S. Somasegar从智能应用开发的角度，总结了2016机器学习和人工智能的5大发展趋势：算法和数据结合的微智能，将能灵活地在应用中得到融合；让“每一个应用都变得智能”；人工智能的黑箱将被揭开；现阶段的机器学习和人工智能中，人类的作用不可替代；最后，他认为对于企业来说，不是从一开始就需要机器学习。 风险投资集团Madrona不久前在西雅图举办了一场机器学习与人工智能峰会，汇集了智能应用生态系统中不少大公司和初创企业。 本次峰会的一个重要的议题来自对与会者的问卷调查。在调查中，所
近日，美国国防部研究人员 Arun S. Maiya 开源一套低代码量的增强机器学习Python库：ktrain，主打 3～4 行命令或代码完成一项功能，使得初学者和专家级人员都能够快速的构建、训练、监测、部署模型。
大数据成为热门关注的同时，机器学习、人工智能等话题热度也在不断攀升，尤其是在现阶段来说，大数据发展到一定阶段，与机器学习、人工智能等方面都存在斩不断的联系，因此很多人也在关注机器学习Hadoop框架。今天，我们就基于Hadoop来聊聊机器学习框架的相关话题。
在近期结束的CVPR2016（2016年国际计算机视觉与模式识别会议）上，机器学习无疑是最大的主角，谷歌以及与其合作的斯坦福大学、爱丁堡大学、UCLA、牛津大学、约翰霍普金斯大学的论文都涉及到了深度学
Vladimir Vapnik 介绍： Vladimir Vapnik 被称为统计学习理论之父，他出生于俄罗斯，1990 年底移居美国，在美国贝尔实验室一直工作到 2002 年，之后加入了普林斯顿的 NEC 实验室机器学习研究组，同时任哥伦比亚大学特聘教授。2006 年，Vladimir 称为美国工程院院士。2014年 Vladimir Vapnik 加入 Facebook 人工智能实验室。Vladimir Vapnik 在机器学习上有很多奠基之作，例如 Vapnik–Chervonenkis 理论，Vla
这段时间里，我一直在尝试将open_nsfw加入到手机，给手机浏览器增加色情图片检测功能，这个分阶段进行，在前面的几篇文章中，都谈到了这方面的尝试：
机器学习和数据科学都是广义上的术语，它们涉及超级多的领域以及知识，一位数据科学家所做的事情可能与另一位有很大的不同，机器学习工程师也是如此。通常使用过去（数据）来理解或预测（构建模型）未来。
【新智元导读】开源以及云服务让深度学习这种高端的AI技术几乎能供所有人使用，初创企业虽然能在细分领域抢占市场，或让自己被巨头收购，但在人才竞争以及用户方面，还是远远敌不过巨头。再加上巨头利用开源收集到的数据，不断完善自己的深度学习模型，而且凭借资源开发其专属的深度学习硬件，进一步加高技术壁垒。然而，目前市场上还没有出现一个深度学习“杀手级应用”，这仍是一片有待抢占的空白。 Facebook 的深度学习人工智能系统已经可以从照片中认出谁是谁，谷歌的AI 已经学会预测你想要的搜索结果——但是，即便你所在的公司的
关键字全网搜索最新排名 【机器学习算法】：排名第一 【机器学习】：排名第一 【Python】：排名第三 【算法】：排名第四 没有任何理论可以代替实践，虽然教材和课程能让你掌握一些基本原理，但在尝试应用时，你会发现具体操作起来比较困难。因此项目有助于提高应用机器学习的技巧，此外在找工作中也会给自己增添一些筹码。 这个项目的目标是将现成模型应用到不同的数据集。首先，你会根据直觉为问题找到对应的模型，实践检验该模型是否对数据丢失具有鲁棒性、是否适合处理哪种类别特征；其次，本项目将教会你快速设计初始模型的技能，在实
在自学机器学习上，一般人很难保持足够的动力持续下去。标准的测试数据往往是非常枯燥的，并且可能与你和你的日常生活毫不相干，甚至可以说是无聊至极。在你看来，你想要的应该是找到并且研究一个能够对你有用的数据集。
【新智元导读】作为一名开发者，怎么才能加入时下正火热的机器学习？本文作者Jason认为，传统的方法，包括从经典图书、博客文章或线上课程进行学习成效不大，甚至“错得离谱”。最好的方法其实是动手，不要停留在理论层面，动手实践才能高效的学习。在文章中，作者给出了自己的建议，特别强调机器学习实践过程中的细节，此外，他还推荐了一些可用的机器学习训练平台及数据库。 这篇文章要回答的问题是“我该如何开始机器学习”？ “我是一个开发者。我读了一些关于机器学习的文章和书，也在Coursera上学习了机器学习课程。但我仍不知道
预料之内的是，Python 并没有完全「吞噬」R 语言的空间，但这项基于 954 个参与者的投票显示，Python 生态系统在今年已经超越了 R 语言，成为了数据分析、数据科学和机器学习的第一大语言。
在机器学习上，首先要推荐的是两部国内作者的著作：李航博士所著的《统计学习方法》和周志华教授的《机器学习》。 《统计学习方法》采用“总 - 分 - 总”的结构，在梳理了统计学习的基本概念后，系统而全面地
【编者按】Nvidia通过发布cuDNN库，将GPU和机器学习更加紧密的联系起来，同时实现了cuDNN与深度学习框架的直接整合，使得研究员能够在这些框架上无缝利用GPU，忽略深度学习系统中的底层优化，更多的关注于更高级的机器学习问题。 以下为译文 近日，通过释放一组名为cuDNN的库，Nvidia将GPU与机器学习联系的更加紧密。据悉，cuDNN可以与当下的流行深度学习框架直接整合。Nvidia承诺，cuDNN可以帮助用户更加聚焦深度神经网络，避免在硬件性能优化上的苦工。 当下，深度学习已经被越来越多的大型
苹果AI总监披露自动驾驶系统：可以推断出行人位置
选自KDnuggets等 机器之心整理 参与：李泽南、李亚洲、路旭阳 根据 KDnuggets 2017 年最新调查，Python 生态系统已经超过了 R，成为了数据分析、数据科学与机器学习的第一大语言。本文对 KDnuggets 的此项调查结果做了介绍，并补充了一篇文章讲解为何 Python 能成为数据科学领域最受欢迎的语言。 Python vs R：2017 年调查结果 近日，KDnuggets 发起了一项调查，问题是： 你在 2016 年到现在是否使用过 R 语言、Python（以及它们的封装包），或
日前，德勤全球发布了《2017科技、传媒和电信行业预测》报告，其中涉及到生物识别、5G网络、数字化变革、平板电脑发展趋势研究等多项内容。其中在《边缘“大脑”：机器学习移动化》一节中，德勤提出了机器学习移动化的大趋势，并就其来龙去脉进行了简要论述。AI 科技评论将针对此章节内容为您进行重点分析解读。 根据德勤全球的预测，2017 年超过3亿部智能手机——或售出的超过五分之一——将具备机载神经网络机器学习能力。这些计算机模型旨在模拟人脑结构与功能的方方面面，用各个组件来代表神经元及其互连情况。也就是说，机器学习
【导读】你是否曾为选择TensorFlow或Keras而感到纠结？又是否认深度学习编程费时费力而感到苦恼？本文带大家领略一下DeepCognition.ai，其致力于克服深度学习向大众化应用中遇到的障
随着机器学习模型能力越来越强、效率越来越高，它已经逐步应用到各种实际场景中。但是 AI 模型本身也会面临很多安全问题，最受关注的就是对抗样本，它能欺骗深度模型。这对于很多场景都是毁灭性的，包括身份认证、城市大脑和医疗健康等。
在数学建模中，我们经常会遇到这样的问题：根据xx症状判断是否得病、根据xxx指标判断是否违约。对于这种只包含“是和否”两类的答案的二分类问题，逻辑回归最为适用。
原作 BAILOOL & meetshah1995 Root 编译自 GitHub 量子位 出品 | 公众号 QbitAI 人工智能最近火到炸裂，不看吧担心和时代脱节，看吧每天资讯多到想哭，信息过载心好累肿么办？ 来<(￣︶￣)↗跟着GitHub上的资深用户BAILOOL走，看看他们每日追踪的信息源，拿到第一手的学术进展和行业动态，不用再追着不同的网站看啦。 以下是原文 怎么避免“从入门到放弃” 不少童鞋发现人工智能很火，产生墙裂的学习兴趣（主要是工资高dei不dei），所以现在想上车学习，于是开始到处看“
https://towardsdatascience.com/12-things-i-learned-during-my-first-year-as-a-machine-learning-engineer-2991573a9195
017年企业软件中机器学习的快速增长和吸收，这一趋势给不少人都留下了深刻的印象。2016年就已经有许多人都做出机器学习将在今年很有影响力的预测，创新的速度使其脱颖而出。随着人们从最初的研究到实施的快速发展，人工智能和机器学习被推到了数字化转型的前沿。这些领域的快速增长、办公环境中使用数字助理的增加以及大数据分析方面的大型投资，都将成为2018的企业趋势。 📷 AI将为企业带来高投资回报率 IDC表示，到2019年，40%的数字化转型计划将启用人工智能(AI)服务。在接下来的一年里，人工智能将为创造新价值提供
机器学习是当代最重要的计算机运算发展项目之一。 先进的机器学习技术使得人工智能出现爆炸性的发展，创造出新一波智慧应用和服务项目。 实时语音翻译、自动机器人、通过脸孔分析侦测人类情绪，一眼望过去，这些项目全都可以做得到。 但要做到以上事物，得花费不少运算效能来训练这些崭新应用方式背后精密的深度神经网络，这可是一项大工程，就算速度最快的超级计算机也得花费数天到数周的时间进行训练。 毫不意外地，后来每位顶尖机器学习研究人员和开发人员采用 NVIDIA Tesla 加速运算平台和 Deep Learning 软件开
请完成每次练习后把report上传到QQ群中的共享文件夹中的“Reports of nlp-beginner”目录，文件命名格式为“task 1+姓名”。
分布式优化理论和算法近年来在多智能体系统中得到了广泛的发展与应用，目前在机器学习领域也正在受到越来越多的关注。本文主要介绍目前分布式优化算法的分类和研究现状，以及作者在该方向的一些工作。
机器学习有大量的算法，往往很容易让人感到不知所措。也正因为有太多的选择，导致人们不知道应该从哪里开始和要怎么去做。
什么是机器学习 机器学习是一帮计算机科学家想让计算机像人一样思考所研发出的计算机理论，他们曾经说过，人和计算机本身没有区别，同样都是一大批互相连接的信息传递和存储元素所组成的系统，所以有了这样的想法，加上他们得天独厚的数学功底，机器学习的前身也就孕育而生了。 机器学习的萌芽诞生于19世纪60年代，20年前开始逐步兴起，它是一门跨学科的交融。这里边包含了概率论，统计学等等学科，随着计算机硬件的提升，计算机运算性能的不断提高，他真正开始进入到我们的日常生活中，而在不久的将来，我相信他也会成为我们生活中必不可少
它的全名叫做 Statistical Machine Intelligence and Learning Engine，是一个快速、全面的机器学习系统。
导读 希望这篇学习路线图对你学习数据科学有帮助，需要说明的是国内本文中所说的数据科学家在国内一般称为数据分析师或者数据挖掘师，尽管称谓不同，但文章的路线图仍可作为学习指南供需要的同学参考。 如果你对英文不是很擅长，也可以到PPV课大数据学习社区获取相关的中文课程和学习指南。关于如何成为一名数据科学家，如果你有自己的学习路线图，希望你能乐意与我分享。 好了，现在就开启你的洪荒之力，和我们一起踏上数据科学的神奇之旅吧！ 为什么要写这篇学习路线呢？ 在AnalyticsVidhya上的众多资源中，学习路线图
当问到两张陌生照片中的面孔是否是同一个人时，一个人类答对的几率是97.53%。Facebook新开发的软件面对这一挑战的分数是97.25%，不论明暗的变化，也不论照片中的人是否直面着镜头。 这比起之前
Google刚刚息鼓，苹果又燃战火！这一战，来自移动应用的AI化之争。 近日，苹果发布专为移动端优化的Core ML后，移动开发者对此的需求到底有多强烈？去年大获成功的AI应用Prisma又能告诉我们什么？苹果的新武器Core ML具体该怎么用？野心勃勃的苹果在移动端机器学习上的布局到底有着怎样的心机？苹果真能撼动Google、Facebook的优势地位吗？未来AI的走向会不会就此改变？此中答案，本文将娓娓道来。 作者 | 胡永波 本届WWDC，Core ML是苹果送给移动开发者的一份大礼。使用它，
本文整理自作者在知乎问题《现在 tensorflow 和 mxnet 很火，是否还有必要学习 scikit-learn 等框架？》下的回答，AI 研习社获其作者 阿萨姆 授权转载。 原题如下： 现在 tensorflow 和 mxnet 很火，那么对于深度学习（机器学习）准备入门的学生还有必要学习 scikit-learning，caffe 之类的框架么，以及是否有其他需要注意的地方？比如可以通过一些具体的场景描述一下这些框架的使用。 Scikit-learn 和 TensorFlow 之间有很多显著差异，
自从机器学习三巨头Hinton、LeCun、Bengio得了图灵奖，有个人就被玩坏了。
1、 机器学习的目的：现代人都讲究资源整合，学习应用也是一样，需要将工作中所接触和学习到的技能整合起来形成自己的核心竞争力力，提高自己的不可替代性，而机器学习恰好是当前最热门也最有用的结合之一。
在 Google I/O 大会上，谷歌公布了最新的机器学习算法——AutoML，随即，Quoc Le 与 Barret Aoph 大神在 Google Research Blog 上发布了一篇名为《采用机器学习探索神经网络架构》的文章。AI科技评论进行了编译，并做了不改动原意的编辑和修改。 「在谷歌团队，我们成功地将深度学习模型应用于非常多的领域，从图像识别、语音识别到机器翻译等等。自然，这些工作离不开一整支工程师与科学家团队的努力。人工设计机器学习模型的过程实际上绝非坦途，因为所有可能组合模型背后的搜
提起 Michael Jordan，我们总能想起一连串的称号，比如「人工智能领域泰斗」、「机器学习鼻祖」、「美国三院院士」、「全世界最有影响力的计算机科学家」等等。
大三的时候学过一门“人工智能导论”的课，只记得课里有一些回溯和图搜索的算法，具体细节全忘了。
在参加数据挖掘学习小组之前，居士做了一个调查：每周能投入在学习上的时间是多少。我记得当时我选了3-5小时。我这是第六周了，可以说每周投入的时间都超过了这个数字。因为自己的数学基础本身比较差，对数据挖掘也是门外汉，每周的学习做起来都要查大量的资料，我觉得自己找资料的时间都不止3小时，而作业时间也不只2小时，加在一起绝对超过了5小时。 不过，正是因为学起来有困难，我认为才有学习的必要。如果是学一些gis类的东西，结合自己的经验应该会容易很多，但这次要学的不是gis，是数据挖掘，是我为了提升自己的能力自己选的方向。为了学好这些知识，除了每周发起者写的一些学习内容与要求，我自己也买了一些机器学习的书籍在看，总之，为了遇见更好的自己，加油吧！
当问到两张陌生照片中的面孔是否是同一个人时，一个人类答对的几率是97.53%。Facebook新开发的软件面对这一挑战的分数是97.25%，不论明暗的变化，也不论照片中的人是否直面着镜头。 这比起之前的面部匹配软件来说是一个显著进步，展示出名为深度学习的人工智能新手段的威力。Facebook及其竞争对手去年在深度学习上大举押注。这一人工智能领域包括使用模拟神经元网络，来学习在大规模数据中识别某些模式。 “通常不会有这么大的进步，”雅尼夫·泰格曼(Yaniv Taigman)说。他是Facebook人工智能
曾记得我在读研的时候，参加了中国统计年会（2013年），在会上很多领域内的专家都谈及了大数据一词，然而那个时候的我并没有那么敏感。短短5年过去了，大数据行业发展之迅速，技术迭代之成熟，迫使自己不断地学习新的技能。对于大数据领域，有哪些必备技能需要掌握呢？
大家都知道，机器学习（ML）是人工智能的关键技术之一，也是一项逐渐走向成熟的应用技术。具体说来，这一技术可以为未来的数据科学带来变革，能够让应用企业作出基于更多数据分析的驱动决策，从而改善用户的业务体验。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
实时音视频
云直播
