【导读】前一段时间，专知内容组推出了春节充电系列：李宏毅2017机器学习课程学习笔记，反响热烈，由此可见，大家对人工智能、机器学习的系列课程非常感兴趣，近期，专知内容组推出吴恩达老师的机器学习课程笔记系列，重温机器学习经典课程，希望大家会喜欢。 【重温经典】吴恩达机器学习课程学习笔记一：监督学习 【重温经典】吴恩达机器学习课程学习笔记二：无监督学习（unsupervised learning） 【重温经典】吴恩达机器学习课程学习笔记三：监督学习模型以及代价函数的介绍 【重温经典】吴恩达机器学习课程学习笔记四
今天特别给大家分享下来自我们专知团队成员-钱胜胜博士最近在2017年中国多媒体大会上作的《撰写论文的一些心得体会》的报告。钱胜胜博士是中国科学院自动化研究所模式识别国家重点实验室助理研究员，曾获得多媒体顶级会议ACM Multimedia 2016最佳论文奖，中科院优秀毕业生，主要研究方向为网络多媒体数据分析。下面是他详细分享的报告。希望对科研入门的学生有所帮助。 大家好，很高兴来和大家分享博士期间读论文的一些心得体会，主要针对新入实验室或者刚进入科研领域的学生。（很多是和实验室老师，师兄们一起讨论交流的想
从2019年5G商用元年迄今倏忽三年过去，三大运营商斥巨资建设5G网络，高并发、低时延、大带宽的优势凸显，那么在千行百业的数字化转型过程中5G有哪些经典案例呢？整理了2022年世界5G大会上发布的十大经典案例（联通3个，电信3个，移动4个）分享给广大读者朋友。
来源：专知本文为课程，建议阅读10+分钟课程内容将从时间序列的发展历程、平稳性、经典分析模型等概念先后推进。 时间序列（time series）是一组按照时间发生先后顺序进行排列的离散序列，是日常生活中最常见的数据形式之一。对时间序列的分析是既是统计学中的重要问题，也是人工智能、数据挖掘的一个重要应用方向。 本课程面向人工智能学院的本科生和研究生，重点关注统计学中分析时间序列的基本思路、模型以及方法。同时强调使用人工智能技术对时序数据这一种特殊的数据类型进行分析，也关注使用“时间序列分析”中的思路看待和解决
来源： https://cloud.tencent.com/developer/article/1006637 随着 DeepMind 公司的崛起，深度学习和强化学习已经成为了人工智能领域的热门研究方向。除了众所周知的 AlphaGo 之外，DeepMind 之前已经使用深度学习与强化学习的算法构造了能够自动玩 Atari 游戏的 AI，并且在即时战略游戏 StarCraft II 的游戏 AI 构建上做出了自己的贡献。虽然目前还没有成功地使用 AI 来战胜 StarCraft II 的顶尖职业玩家，但是
【导读】本文是对美国卡耐基梅隆大学（CMU）2017年秋季课程——深度学习的介绍，CMU一直走在深度学习领域的前列，虽然该课程是2017年秋季开课的，但是其关于深度学习的讲解确实是非常经典的。主讲老师
来源：专知本文为课程，建议阅读5分钟想学习深度卷积神经网络的同学不可错过！ 李飞飞老师的CS231N课程《卷积神经网络视觉识别》被奉为经典，最新2022季3月29号开始了！众多想学习深度卷积神经网络的同学，可不能错过！ 地址： http://cs231n.stanford.edu/index.html 计算机视觉已经在我们的社会中变得无处不在，应用在搜索、图像理解、应用程序、地图、医学、无人机和自动驾驶汽车。这些应用的核心是视觉识别任务，如图像分类、定位和检测。神经网络(又称“深度学习”)方法的最新发展
【导读】前一段时间，专知内容组推出了春节充电系列：李宏毅2017机器学习课程学习笔记，反响热烈，由此可见，大家对人工智能、机器学习的系列课程非常感兴趣，近期，专知内容组推出吴恩达老师的机器学习课程笔记系列，重温机器学习经典课程，希望大家会喜欢。 【重温经典】吴恩达机器学习课程学习笔记一：监督学习 【重温经典】吴恩达机器学习课程学习笔记二：无监督学习（unsupervised learning） 【重温经典】吴恩达机器学习课程学习笔记三：监督学习模型以及代价函数的介绍 吴恩达机器学习课程系列视频链接： htt
2018 年 4 月 23 日至 27 日，第 27 届国际万维网会议(26th International World Wide Web Conference) 在法国里昂举行。斯坦福大学SNAP组
【导读】前一段时间，专知内容组推出了春节充电系列：李宏毅2017机器学习课程学习笔记，反响热烈，由此可见，大家对人工智能、机器学习的系列课程非常感兴趣，近期，专知内容组推出吴恩达老师的机器学习课程笔记系列，重温机器学习经典课程，希望大家会喜欢。 【重温经典】吴恩达机器学习课程学习笔记一：监督学习 【重温经典】吴恩达机器学习课程学习笔记二：无监督学习（unsupervised learning） 吴恩达机器学习课程系列视频链接： http://study.163.com/course/courseMain.h
来源：专知本文为书籍，建议阅读5分钟本书带你学习时间序列、神经网络、文本分析等。 现在是进入数据科学领域的最佳时机。但是你从哪里开始呢?数据科学是一个广泛的领域，包括统计学、机器学习和数据工程等方面。
【导读】主题链路知识是我们专知的核心功能之一，为用户提供AI领域系统性的知识学习服务，一站式学习人工智能的知识，包含人工智能（ 机器学习、自然语言处理、计算机视觉等）、大数据、编程语言、系统架构。使用请访问专知 进行主题搜索查看 - 桌面电脑访问www.zhuanzhi.ai, 手机端访问www.zhuanzhi.ai 或关注微信公众号后台回复" 专知"进入专知，搜索主题查看。继Pytorch教程后，我们推出面向Java程序员的深度学习教程DeepLearning4J。Deeplearning4j的案例和
关小刷刷题10 – Leetcode 1. Two Sum 方法1 题目 Given an array of integers, return indices of the two numbers such that they add up to a specific target.You may assume that each input would have exactly one solution, and you may not use the same element twice.Example
点击上方“专知”关注获取更多AI知识! 【导读】Google DeepMind在Nature上发表最新论文，介绍了迄今最强最新的版本AlphaGo Zero，不使用人类先验知识，使用纯强化学习，将价值网络和策略网络整合为一个架构，3天训练后就以100比0击败了上一版本的AlphaGo。Alpha Zero的背后核心技术是深度强化学习，为此，专知有幸邀请到叶强博士根据DeepMind AlphaGo的研究人员David Silver《深度强化学习》视频公开课进行创作的中文学习笔记，在专知发布推荐给大家！（关注
【导读】北京时间 11月5 日到11月6日，一年一度的“机器学习及其应用”（MLA）系列研讨会在北京交通大学开幕，西瓜书《机器学习》作者、南京大学机器学习与数据挖掘研究所（LAMDA）周志华教授日前在第15届中国机器学习及其应用研讨会（MLA 2017）上的演讲报告题目是深度森林初探，讲述的关于他最新集成学习研究成果-深度森林，一种对深度神经网络可替代性方法，这是他和 LAMDA 博士生冯霁发表在人工智能领域顶级会议IJCAI2017的论文《深度森林：探索深度神经网络以外的方法》（Deep Forest:
使用HTTPS协议可认证用户和服务器，确保数据发送正确；HTTPS协议要比http协议安全，防止数据不被窃取、改变，确保数据的完整性；HTTPS是现行架构下比较安全的解决方案，大幅增加了中间人攻击的成本。
【导读】作为自然语言处理的经典图书教程，从输入法联想提示（predictive text）、email 过滤到自动文本摘要、机器翻译，大量的语言相关的技术都离不开自然语言处理的支持，而这本书提供了自然语言处理非常方便的入门指南。通过它，你将学到如何写能处理大量非结构化文本的Python 程序。你将获得有丰富标注的涵盖语言学各种数据结构的数据集，而且你将学到分析书面文档内容和结构的主要算法。通过大量的例子和联系，《PYTHON 自然语言处理》将会帮助你： 从非结构化文本中提取信息，无论是猜测主题还是识别“命名
北京冬奥会虽然闭幕了，但比赛转播的惊艳效果还是被观众反复回味，不管是通过看电视还是看手机。作为史上最清晰的冬奥会，北京冬奥会全面采用8K超高清直播。8K是什么概念？我们平常看网络视频的最高清晰度1080P，它的清晰度只有8K超高清的1/16。据说，要是用8K电视来看转播，可以看到人物面部转瞬即逝的微表情，很有现场感。
五一有空复盘了最近一年的项目，除了常规的NLP项目之外，还有几个之前没有涉及过的领域。今天这篇文章整理分享了我从零开始图网络之旅的一些有帮助的学习资源，希望对想入坑的同学有帮助🥂
2023年底，国际电信联盟标准化部门（ITU-T）第15研究组（SG15）的2022-2024研究期第三次全会在瑞士日内瓦召开。会议就fgOTN总体、接口、架构核心标准达成一致，并获得同意进发布流程。
👆点击“博文视点Broadview”，获取更多书讯 月底啦，又到了每月畅销新书盘点的日子，来看看8月份有哪几本新书突出重围，霸榜TOP10吧！ ---- 01 ▊《剑指Offer（专项突破版）：数据结构与算法名企面试题精讲》 何海涛 著 百万程序员圆梦面试皇冠书再续新篇 本书代码用语言已从经典版的C/C++过渡到Java 以面试者|面试官双向视角剖析考点与解题思路 精选 119 道国内外名企高频面试题并深度拓展 针对面试难关，打通算法与数据结构突击捷径 读者可在力扣本书专区实时在线练习全部试题
5G专用网络（private 5G network）是一种局域网（LAN），它将使用5G技术创建具有统一连接性、优化服务和特定区域内安全通信方式的专用网络 。此前，机构曾预测2020年全球5G专网市场规模将达到9.197亿美元， 2020年至2027年间的复合年增长率将达到37.8％。而北美将以31.2％的份额在5G专网市场中占主导地位。
“4G改变生活，5G改变社会”， 5G将重塑行业应用，引领行业变革。运营商原有无线收入业务构成以消费者语音和数据为主，而5G的重点客户是行业客户，即5G物联设备，收入结构将发生变化。5G物联设备收入背后代表的是新的业务服务模式，对于运营商则是一场颠覆，最大的颠覆者可能来自垂直行业的专网。
近日，工信部给中国上海商飞发放了国内第一张企业5G专网的频率许可，用于商飞公司独立建设5G专网。
Deep Learning with Keras 这个代码库是《Deep Learning with Keras》的配套代码。它包含全书从头到尾所有所需要用到的项目支持代码。 图书可以在后台回复"DL
【摘 要】5G的到来为企业客户使用运营商网络服务开启了新纪元，通过公网专用的方式可以为不同行业应用场景提供更高速、更安全、更便捷的电信级解决方案。早期的专网解决方案仅面向B端行业应用，未充分考虑C端个人用户专网访问需求，专网服务对象及应用场景相对受限。结合5G ULCL、专用DNN、网络切片等技术发展给出针对B/C端用户、内/公网、局域/广域访问三大维度的复杂场景下5G融合行业专网解决方案，进一步拓展了5G行业专网的应用范围，满足更多行业客户需求。
国内外并没有明确地对专网下过定义，业界默认专网为无线专网，国际上一般用Private Network代表专网通信。专网主要应用于军队、政府、警察、铁路、地铁、电力、石化、机场、港口、矿山、水利等不同的行业用户，专网的主要目标是保证业务安全保密和网络稳定可靠，并不以盈利为目的。
高等数学是基础中的基础，一切理工科都需要这个打底，数据挖掘、人工智能、模式识别此类跟数据打交道的又尤其需要多元微积分运算基础线性代数很重要，一般来说线性模型是你最先要考虑的模型，加上很可能要处理多维数据，你需要用线性代数来简洁清晰的描述问题，为分析求解奠定基础概率论、数理统计、随机过程更是少不了，涉及数据的问题，不确定性几乎是不可避免的，引入随机变量顺理成章，相关理论、方法、模型非常丰富。很多机器学习的算法都是建立在概率论和统计学的基础上的，比如贝叶斯分类器、高斯隐马尔可夫链。
【导读】Google DeepMind在Nature上发表最新论文，介绍了迄今最强最新的版本AlphaGo Zero，不使用人类先验知识，使用纯强化学习，将价值网络和策略网络整合为一个架构，3天训练后就以100比0击败了上一版本的AlphaGo。Alpha Zero的背后核心技术是深度强化学习，为此，专知有幸邀请到叶强博士根据DeepMind AlphaGo的研究人员David Silver《深度强化学习》视频公开课进行创作的中文学习笔记，在专知发布推荐给大家！（关注专知公众号，获取强化学习pdf资料，详情
高等数学是基础中的基础，一切理工科都需要这个打底，数据挖掘、人工智能、模式识别此类跟数据打交道的又尤其需要多元微积分运算基础
来源：专知本文为论文介绍，建议阅读5分钟本文介绍了量子自然语言处理(QNLP)模型，其基础是计算语言学和量子力学之间的一个简单而强大的类比:语法纠缠。 本文介绍了量子自然语言处理(QNLP)模型，其基础是计算语言学和量子力学之间的一个简单而强大的类比:语法纠缠。文本和句子的语法结构将单词的含义联系起来，就像纠缠结构将量子系统的状态联系起来一样。范畴论可以使这种语言到量子比特的类比形式化:它是一个从语法到向量空间的monoidal函子。将这种抽象的类比转化为具体的算法，将语法结构转换为参数化量子电路的架构。
【导读】复旦大学副教授、博士生导师、开源自然语言处理工具FudanNLP的主要开发者邱锡鹏（http://nlp.fudan.edu.cn/xpqiu/）老师撰写的《神经网络与深度学习》书册，是国内为数不多的深度学习中文基础教程之一，每一章都是干货，非常精炼。邱老师在今年中国中文信息学会《前沿技术讲习班》做了题为《深度学习基础》的精彩报告，报告非常精彩，深入浅出地介绍了神经网络与深度学习的一系列相关知识，基本上围绕着邱老师的《神经网络与深度学习》一书进行讲解。专知希望把如此精华知识资料分发给更多AI从业者，
【导读】最近GitHub上网友ctgk公布了Python实现的经典机器学习图书《Pattern Recognition and Machine Learning》中的代码。在它之前曾有过Matlab版
来源：专知本文为书籍介绍，建议阅读5分钟统计建模和计算从经典和贝叶斯的角度提供了对现代统计学的独特介绍。 这本关于统计建模和统计推断的教科书将帮助高级本科生和研究生。统计建模和计算从经典和贝叶斯的角度提供了对现代统计学的独特介绍。它还提供了数学统计学和现代统计计算的综合处理，强调统计建模，计算技术和应用。这三个部分的每一部分都将涵盖大学课程的基本主题。第一部分介绍概率论的基本原理。在第二部分中，作者介绍了各种经典模型，其中包括线性回归和方差分析模型。在第三部分中，作者介绍了各种高级模型的统计分析和计算，如
近日，中国联通发布《5G行业专网白皮书》。白皮书中指出，中国联通5G专网分为三种类型：5G虚拟专网、5G混合专网、5G独立专网。
我们看到，前面的字典树还是有许多空间上的浪费的，双数组字典树可以大幅改善了经典字典树树的空间浪费，它由日本人JUN-ICHI AOE于1989年提出的，是字典树结构的压缩形式，仅用两个线性数组来表示Trie树，检索时间高效且空间结构紧凑。
【导读】近日,专知小组博士生huaiwen创作了一系列PyTorch实战教程，致力于介绍如何用PyTorch实践你的科研想法。今天推出其创作的第一篇《深度学习实验流程及PyTorch提供的解决方案》。在研究深度学习的过程中，当你脑中突然迸发出一个灵感，你是否发现没有趁手的工具可以快速实现你的想法？看完本文之后，你可能会多出一个选择。本文简要的分析了研究深度学习问题时常见的工作流, 并介绍了怎么使用PyTorch来快速构建你的实验。如果本文能为您的科研道路提供一丝便捷，我们将不胜荣幸。 专知公众号以前推出Py
【导读】两天前，专知公众号发布了深度学习顶会 ICLR 2018 匿名提交论文列表，今天我们很荣幸有老师和同学来自荐他们的在ICLR2018上的工作，后续我们会不断推出论文自荐活动，也希望愿意分享自己工作和成果的老师和同学多多和我们联系，希望专知伴随着大家一起成长，共同进步。 深度学习泛化研究：多层非线性复合是对最大熵原理的递归逼近实现 【前言】 深度学习在各领域得到成功应用的一个重要原因是其优秀的泛化性能。从ICLR 2017 “RethinkingGeneralization”的最佳论文到最近Hint
【导读】Christine Doig是Anaconda公司的高级数据科学家。没错Anaconda就是那个著名的Python科学计算与发行管理软件。Christine Doig从最基本的强化学习概念开始
伴随着5G的规模商用，中国电信物联网业务也加速进入5G时代。为进一步满足客户个性化需求，中国电信天翼物联科技有限公司深入调研市场需求，分析行业痛点，研究网络和业务演进路线，倾力打造5G 2B专网，为行业客户提供全新的网络解决方案，重塑传统产业发展模式，助力行业数字化转型升级。
高等数学是基础中的基础，一切理工科都需要这个打底，数据挖掘、人工智能、模式识别此类跟数据打交道的又尤其需要多元微积分运算基础、线性代数很重要，一般来说线性模型是你最先要考虑的模型，加上很可能要处理多维数据，你需要用线性代数来简洁清晰的描述问题，为分析求解奠定基础概率论、数理统计、随机过程更是少不了，涉及数据的问题，不确定性几乎是不可避免的，引入随机变量顺理成章，相关理论、方法、模型非常丰富。很多机器学习的算法都是建立在概率论和统计学的基础上的，比如贝叶斯分类器、高斯隐马尔可夫链。
智慧政务在助力政府信息化建设和实现政务应用无障碍的过程中，政务数据共享、平衡安全与效率等挑战日益凸显。横向与纵向信息交换中存在“数据壁垒”，政务协同也缺乏一定的信任基础。智慧政务充分发挥5G专网数据的高安全性，同时利用区块链技术不可篡改存储方式的优势，能够建立起数据交互的信任基础，共同构筑“安全信任基石”。
众所周知，5G的最大价值在于驱动各行各业数字化转型。作为智能社会的基础设施，未来工厂需要5G，医院需要5G，油田需要5G，电网需要5G…各行各业都需要5G。
来源：专知本文约1000字，建议阅读6分钟在生物医学中如何用图神经网络？哈佛大学Marinka Zitnik团队系统性对图学习技在计算生物学应用做了研究，值得关注！ 我们很高兴地邀请到来自哈佛大学的Marinka Zitnik教授来给我们做一个关于计算生物学中的图神经网络的讲座。在本讲座中，Marinka教授概述了为什么图学习技术可以极大地帮助计算生物学研究。具体来说，本演讲涵盖了3个范例用例: (1) 通过异构知识图谱的多关系链接预测发现安全的药物-药物组合;(2)通过学习子图嵌入对患者结局和疾病进行分
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
实时音视频
即时通信 IM
对象存储
