选自arXiv 机器之心编译 2017 年 5 月，清华大学朱军教授在机器之心 GMIS 2017 大会现场详解了他们开发的贝叶斯深度学习 GPU 库珠算。近日，清华大学公开了珠算相关论文，机器之心对
清华大学计算机系长聘副教授朱军 朱军博士是清华大学计算机系长聘副教授、智能技术与系统国家重点实验室副主任、卡内基梅隆大学兼职教授。2013年，入选IEEE Intelligent Systems的“人工智能10大新星”（AI’s 10 to Watch）。他主要从事机器学习研究，在国际重要期刊与会议发表学术论文80余篇。担任国际期刊IEEE TPAMI和Artificial Intelligence的编委、国际会议ICML 2014地区联合主席、以及ICML、NIPS等国际会议的领域主席。 记者 |
Zoubin Ghahramani 是英国皇家学会会士，剑桥大学信息工程系教授，Uber 首席科学家，英国国家数据科学研究所图灵研究所剑桥主任。Zoubin Ghahramani 教授曾工作或学习于宾夕法尼亚大学、MIT、多伦多大学、伦敦大学学院盖茨比组、卡耐基梅隆大学。他的研究聚焦于机器学习/人工智能概率方法，在这些主题上已经发表了超过 250 篇论文。他曾是 Geometric Intelligence（被 Uber 收购，成为了 Uber AI Labs）的联合创始人，指导众多人工智能与机器学习公司。2015 年，因其对机器学习的贡献，被选为英国皇家学会会士。
记者 | 何永灿 朱军博士是清华大学计算机系长聘副教授、智能技术与系统国家重点实验室副主任、卡内基梅隆大学兼职教授。2013年，入选IEEE Intelligent Systems的“人工智能10大新
机器之心整理 演讲者：朱军 5 月 27-28 日，机器之心在北京 898 创新空间顺利主办了第一届全球机器智能峰会（GMIS 2017）。中国科学院自动化研究所复杂系统管理与控制国家重点实验室主任王飞跃为大会做了开幕式致辞。大会第一天，「LSTM 之父」Jürgen Schmidhuber、Citadel 首席人工智能官邓力、腾讯 AI Lab 副主任俞栋、英特尔 AIPG 数据科学部主任 Yinyin Liu、GE Transportation Digital Solutions CTO Wesly M
在2018年TensorFlow开发者峰会上，我们（TensorFlow团队）宣布发布TensorFlow Probability：一种使机器学习研究人员及相关从业人员可以快速可靠地利用最先进硬件构建复杂模型的概率编程工具箱。TensorFlow Probability适用的情况包括：
机器之心整理 参与：机器之心编辑部 机器学习日益广为人知，越来越多的计算机科学家和工程师投身其中。不幸的是，理论、算法、应用、论文、书籍、视频等信息如此之多，很容易让初学者迷失其中，不清楚如何才能提升技能。本文作者依据自身经验给出了一套快速上手的可行方法及学习资源的分类汇总，机器之心在其基础上做了增益，希望对读者有所帮助。 先决条件 机器学习的基础是数学。数学并非是一个可选可不选的理论方法，而是不可或缺的支柱。如果你是一名计算机工程师，每天使用 UML、ORM、设计模式及其他软件工程工具／技术，那么请闭
选自Medium 作者：Josh Dillon、Mike Shwe、Dustin Tran 机器之心编译 参与：白妤昕、李泽南 在 2018 年 TensorFlow 开发者峰会上，谷歌发布了 TensorFlow Probability，这是一个概率编程工具包，机器学习研究人员和从业人员可以使用它快速可靠地构建最先进、复杂的硬件模型。 TensorFlow Probability 适用于以下需求： 希望建立一个生成数据模型，推理其隐藏进程。 需要量化预测中的不确定性，而不是预测单个值。 训练集具有大量相对
图 1：一些目前提出的 Dropout方法，以及 2012 到 2019 年间 Dropout 方法的理论进展。
在我刚开始学习GS的时候，我是从混合线性模型（LMM）的基础上理解的，因为动物模型BLUP，所以基因组选择GBLUP，再所以一步法ssGBLUP。
当你还在GBLUP或者贝叶斯类方法进行优化时, 我带着卷积神经网络进行了降维打击…
AI 研习社按：今天为大家带来硅谷深度学习网红 Siraj 在人工智能在线大会 AI WITH THE BEST（AIWTB）上的演讲，雷锋字幕组独家译制。本次演讲的主题为 Learning to Learn，主要讲解了深度神经网络中超参数优化的相关内容。视频后面我们还附带了对应的 Github 文档汉化版供读者参考，原地址见文末“阅读原文”。 如今神经网络非常流行，许多问题都可以用神经网络解决，但是，找出最有效和最合适的神经网络却没那么容易。人们习惯于依靠自己的经验，尝试出最佳参数。这个过程需要付出高额的
AI 科技评论按：随着 2017 年结束、2018 年开始，各个媒体和研究者都撰写了各自的年度总结和新年祝愿。在过去一年的论文动态里，除了研究者们在总结文里根据自己的研究兴趣选出论文回顾之外，我们也想看看论文在社交网络上的传播情况，看看广大「群众」都对哪些论文感兴趣。 Twitter 上有个帐号@StatMLPapers 会每天摘录20篇左右机器学习相关论文分别发推，2017年一年共发送了五千多条论文推特。我们找出了其中点赞最多的10条论文推特，给大家看看是哪10篇论文在twitter上得到了最多的关注。
專 欄 ❈那只猫，Python中文社区专栏作者，福州大学大二水利专业学生，纯种非CS科班的数据分析师，熟练掌握Python数据分析大礼包，因长时间玩弄Keras而陷入深度学习的大坑中不能自拔。❈— 今天，谷歌联合Columbia University、Adobe（就是你们知道的那个Adobe）提出深度概率编程语言Edward，我就其发布Edward的专业论文，给大家介绍一下，这个秒天秒地秒空气的牛逼哄哄的新语言（框架）。 为什么开发Edward？ 因为现在的概率编程语言啊， Too Young！Too S
选自arXiv.org 机器之心编译 参与：蒋思源、吴攀 深度学习是一种高效的非线性高维数据处理方法，它可以更自然地解释为一种工程或算法，而本论文希望从贝叶斯的角度将深度学习看作是一种广义线性模型的
深度神经网络（DNNs）是通过学习示例来学习执行任务，而无需事先了解任务的连接系统。它们可以轻松扩展到数百万个数据点，并且可以通过随机梯度下降进行优化。
大数据文摘作品 编译：修竹、笪洁琼、夏雅薇 作者用了一种新奇的方法来训练神经网络。更新权重的分布而不是顺序更新静态权重，得到了更有趣和可靠的结果。贝叶斯方法给了我们一个机会，使得我们可以不手动添加正则项的情况下对神经网络进行正则化，理解模型的不确定性，并尽可能使用更少的数据得到更好的结果。 Hi！又见面啦。去年我推出了几篇基于神经网络的金融预测教程，我认为有些结果还是蛮有趣的，值得应用在实际交易中。 如果你读过那些教程，你一定会注意到，当你试图在“随机”数据上用一些机器学习模型并且希望找到隐藏模式时，你其实
今天我会用略微不同的方法拟合之前的算法。从概率角度进行处理，通过数据本身进行正则化，估计预测的确定性，使用较少的数据，将概率依赖引入到模型中。这里主要讲概况，我会更注重于应用问题，而不会特别深入的讲解贝叶斯模型或变分推断技术或数学细节问题。你可以在这里找到代码。
所谓贝叶斯神经网络，简单来说便是将一般神经网络中的权重和偏置由确定的数值变为一个分布。
贝叶斯推断是概率论和统计学机器学习中的重要组成部分。 它是基于由著名统计学家托马斯贝叶斯给出的贝叶斯定理。 在贝叶斯推断中，随着更多证据或信息的出现，假设概率得到更新。
选自Medium 作者：Alex Honchar 机器之心编译 参与：陈韵竹、李泽南 随着人工智能技术的普及，用机器学习预测市场价格波动的方法最近层出不穷。本文中，Alex Honchar 介绍了利用概率编程和 Pyro 进行价格预测的方法，相较于常规神经网络，新方法对于数据的依赖程度更小，结果更准确。在实验中，作者选择了最近流行的虚拟货币「以太币」作为实例进行价格预测。 去年我曾发表过几篇有关使用神经网络进行金融价格预测的教程，我认为其中有一部分结果至少还挺有意思，并且值得在实际交易中加以应用。如果你阅读
NO.1 人工智能科普类：人工智能科普、人工智能哲学 《智能的本质》斯坦福、伯克利客座教授 30 年 AI 研究巅峰之作 《科学 + 遇见人工智能》李开复、张亚勤、张首晟等 20 余位科学家与投资人共
看过了各式各样的教程之后，你现在已经了解了神经网络的工作原理，并且也搭建了猫狗识别器。你尝试做了了一个不错的字符级RNN。你离建立终端只差一个pip install tensorflow命令了对吗？大错特错。
本文作者：branxu，腾讯 CDG 应用研究员 2018 年和 2019 年腾讯算法广告大赛都可以看做推荐系统问题。这类问题最重要的特征是点击率，最大的难点是冷启动。文本结合 2018 年比赛亚军方案和 2019 年比赛冠军方案中的一部分技巧，提出了一种新的点击率建模方案，试图解决一部分冷启动问题。该方案复杂度很低，实现简单，效果好。 问题介绍 推荐系统和广告算法中，对于新用户或者新内容，记录很少，如果我们直接将历史点击率作为特征，会存在问题。比如 1，新用户 A 有 2 条浏览记录，1 次点击
机器学习是如今人工智能时代背景下一个重要的领域，它应用广泛，如推荐系统，文本分析，图像识别，语言翻译等等。要想学通这个大的领域不是一件容易的事情，所以我打算集大家之长，开通一个“Python快速实战机器学习”系列，用Python代码实践机器学习里面的算法，旨在理论和实践同时进行，快速掌握知识。
1，误差：误差由偏差(bias)、方差(variance)和噪声(noise)组成；
机器之心报道 编辑：杜伟、力元 一直以来，贝叶斯深度学习的先验都不够受重视，这样真的好么？苏黎世联邦理工学院计算机科学系的一位博士生 Vincent Fortuin 对贝叶斯深度学习先验进行了重新审视。 众所周知，先验的选择是贝叶斯推断流程中最关键的部分之一，但最近的贝叶斯深度学习模型比较依赖非信息性先验，比如标准的高斯。 在本篇论文中，来自苏黎世联邦理工学院计算机科学系的博士生 Vincent Fortuin 强调了先验选择对贝叶斯深度学习的重要性，概述了针对（深度）高斯过程、变分自编码器、贝叶斯神经网络
2019 年 12 月 22 日 Carles Gelada 发布的推文。推文链接：https://twitter.com/carlesgelada/status/1208618401729568768
本文转自网络，如涉侵权请及时联系我们 人工智能相关岗位中，涉及到的内容包含： 算法、深度学习、机器学习、自然语言处理、数据结构、Tensorflow、Python 、数据挖掘、搜索开发、神经网络、视觉
《科学+遇见人工智能》李开复、张亚勤、张首晟等20余位科学家与投资人共同解读AI革命
算法、深度学习、机器学习、自然语言处理、数据结构、Tensorflow、Python 、数据挖掘、搜索开发、神经网络、视觉度量、图像识别、语音识别、推荐系统、系统算法、图像算法、数据分析、概率编程、计算机数学、数据仓库、建模等关键词，基本涵盖了现阶段人工智能细分领域的人才结构。
在当今AI时代中，CNN和RNN都被广泛关注，并且有很多相关讨论，而最基础的神经网络DNN，它的研究和曝光度却相对较少。DNN是所有其它神经网络的基础，所以对它有一定了解是必要的。本文为大家详细介绍了传统机器学习的基本概念和神经网络的基本结构，以及如何设计神经网络结构让神经网络表达出朴素贝叶斯和决策树这两大传统算法模型。 我们都知道神经网络很强，但却只有很少人去思考它为什么这么强。在近期AI研习社公开课上，资深Python工程师何宇健为我们分享了如何设计神经网络结构让神经网络表达出朴素贝叶斯和决策树这两大传
本文由LCatro整理 机器学习 机器学习算法原理 https://github.com/wepe/MachineLearning 机器学习实战原书内容与批注 https://github.com/apachecn/MachineLearning 机器学习的Python 实现 https://github.com/lawlite19/MachineLearning_Python#1-%E4%BB%A3%E4%BB%B7%E5%87%BD%E6%95%B0 机器学习算法集锦 https://zhuanla
机器之心整理 参与：路雪、蒋思源 2017年，人工智能技术出现了很多新的技术和发展，在这一年中机器之心发布了很多教程类文章，有适合入门学习者的，有适合已经具备专业知识和实践经验的从业者的；有关于语言的，有关于框架的，有关于硬件配置的，甚至还有关于猫片、漫画的…… 教程那么多，你……看完了吗？ 本文对这一年来机器之心发布的教程进行总结，共分为 What 和 How 两大部分，在两大板块下又进行细分，目录如下： What 概念 机器学习基础 深度模型基础 强化学习基础 数学 How
本文主要介绍了如何学习人工智能相关知识，包括入门基础、进阶和高阶知识。首先，介绍了计算机基础、编程语言和数学基础。其次，介绍了机器学习、深度学习以及深度学习框架。最后，阐述了机器学习、强化学习、迁移学习等方面的知识。
机器学习狭义上是指代统计机器学习，如图 1 所示，统计学习根据任务类型可以分为监督学习、半监督学习、无监督学习、增强学习等。
说起机器学习入门书，大概有成百上千种选择。这些书籍大多是由具备丰富研究经验的学者撰写的，涵盖各种主题。
AI 科技评论按：神经信息处理系统大会（NeurIPS）是人工智能领域最知名的学术会议之一，NeurIPS 2018 （https://nips.cc/Conferences/2018）已于去年 12 月 3 日至 8 日在加拿大蒙特利尔市举办。来自 Zighra.com 的首席数据科学家在参加完此次会议之后，撰写了一篇关于贝叶斯研究的参会总结，AI 科技评论编译整理如下。 此次会议支持现场直播，所有讲座的视频内容均可以在 NeurIPS 的 Facebook 主页上找到，除此之外，NeurIPS 主页上还
Google AI 终于发布了 AutoML 的 beta 版，有人说这项服务将彻底改变深度学习的方式。
http://blog.csdn.net/u011239443/article/details/76360294
专栏《NLP》第一阶段正式完结了。在本专栏中，我们从NLP中常用的机器学习算法开始，介绍了NLP中常用的算法和模型；从朴素贝叶斯讲到XLnet，特征抽取器从RNN讲到transformerXL。这篇文章我们就一起回顾一下这些文章。
【新智元导读】Gamalon的CEO和创始人Ben Vigoda近日放出豪言，说他和他的团队所采用的概率编程的技术， 终将在所有的应用中彻底取代神经网络——这有可能吗？ AI非指一物，它涵盖了数个思想流派。Pedro Domingos在他的专著《终极算法》中，把它们称为AI部落。 如这位华盛顿大学的计算机学家所说，每个部落都采用了看上去非常不同的技术。比如进化论者，相信他们能够在数码世界中重现自然选择。符号论者则一条规则一条规则地把具体的知识编码到计算机中。 眼下，联结主义者吸引了全部眼球。他们培育了深度
假设您的模型是驾驶一辆汽车，帮助一位医生，甚至只是直接与一个(可能很容易被惹恼的)终端用户交互。在这些情况下，您需要确保在对模型做出的预测采取行动之前，您能够对这些预测充满信心。
近来，大规模神经网络彻底改变了生成式模型，使模型具有前所未有的捕捉许多变量之间复杂关系的能力，例如建立高分辨率图像中所有像素的联合模型。
TensorFlow™是一个开源软件库，最初由Google Brain Team的研究人员和工程师开发。TensorFlow使用数据流图进行数值计算。图中的节点表示数学运算，边表示它们之间通信的多维数据数组（张量）。其架构灵活，你可以使用单个API将计算部署到桌面、服务器或移动设备中的一个或多个CPU或GPU。
领取专属 10元无门槛券
手把手带您无忧上云
