展开

关键词

AI帮助大豆产量,降低

斯坦福大学的研究人员最近开发了一种基于深度学习的系统,可以通过卫星图像大豆产量。 研究人员在他们的论文中指出,“在收获季节之前准确发展中国家的作物产量对于防饥荒,改善粮食安全和农业的可持续发展至关重要,现有技术昂贵且难以扩展,因为它们需要收集本地的调查数据。 这个系统的独特之处在于,神经网络了阿根廷和巴西的作物产量,但只接受过来自美国的数据训练。?研究人员表示,“我们的工作在使用深度学习技术阿根廷大豆作物产量方面取得了果。 我们还通过迁移学习方法以较少量的数据巴西大豆收,从而取得了令人满意的结果。” 该团队解释说,“通过使用转移学习提高数据有限地区性能的能力令人兴奋,因为这些地区特别受益于本低,可靠的作物工具。”研究人员将把这种方法的扩展到发展中国家的新区域。

12310

还没期末考试,算法却说我的物理一定挂科

研究人员提出了用 AI 算法,哪些学生物理课有挂科风险,好让老师更好地进行教学指导和调整教育资源的分配。 论文中表示,通过机器学习算法,可以评估物理基础课中学生的毕业,该模型将学生分类为 A、B、C、D、F 和 W(退选)。 算法:参考过往表现,未来 样本抽取 研究人员从来两所大学的抽取了三个样本,来训练学生表现的人工智能算法。 学生的高中、是否有微积分基础等都是考虑的变量 随机森林算法 研究中,采用随机森林机器学习算法,来学生的入门物理学课程最终。 此前,亚马逊的内部 AI 招聘工具,就因为表现出对女性的偏见,而被停用。 因此,人们也担心,这种算法,不仅不能起到提高 STEM 学生保留率,反而会加剧不平等现象。

13320
  • 广告
    关闭

    云加社区有奖调研

    参与社区用户调研,赢腾讯定制礼

  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    谷歌大脑AI飞速解锁雅达利,训练不用两小时:能力“前所未有”

    AI玩个游戏,一定要打几十万上百万局才能学会?谷歌大脑给自家的强化学习AI,建造了一个有的放矢的高效学习环境:基于视频的模拟器SimPLe。团队说,模拟器的能力前所未有,有时可以一帧都不错:? 和许多游戏AI前辈不同,SimPLe的智能体不是在真实游戏里训练的。它的游戏策略,完全是在模拟器里炼的。这里,有个视频模型,会给AI的每个动作一个结果。 这样,随着智能体的策略 (Policy) 变得越来越好用,模拟器的能力也越来越强。 相辅相之间,智能体不用像没头苍蝇随性试错,便能更快解锁游戏技能了。怎样之星拿到这样的,模拟器的居功至伟。团队在AI游戏视频里,发现了许多完美的片段,最长达到50个时间步。? 团队说,把完美的时间再延长,是个很好的研究方向了。也遇到了困难有些游戏里,模型根本生不了有用的

    17620

    开源啦:连DeepMind也捉急的游戏,OpenAI给你攻破第一关的高分算法

    △ 蒙特祖玛的复仇用RND加持的算法打蒙特祖玛的复仇 (最难的雅达利游戏,可称强化学习AI的噩梦),智能体逃出了第一关的全部24个房间,远远超过人类的平均分数 (4.7k) ,以及现有最前沿的算法。 鼓励探索,当然是用高额奖励 RND是一种基于的方法。给每一个备选的动作,一下结果:如果,结果非常容易,奖励分就偏低。结果越难,就表示越“未知”,奖励分也越高。? 是受到了干扰。为了避免这样的干扰,团队定义了误差的三个因素:一号因素,误差很高,器无法从之前看到的例子中泛化。后面的经历会受到高误差的影像。 好奇的宝宝好从最简单的雅达利打砖块开始观察。?△ 砖块排列发生变化,奖励就会达到峰值内在奖励,指探索奖;外在奖励,指游戏中直接体现的奖励,如游戏分值。 最好,当然是24个房间都攻破,顺利通过第一关,得分17.5k。并且,多数情况下,智能体都能解锁20-22个房间,得分14.5k。对比一下,人类平均分是4.7k。

    19450

    动态 | 清华 TSAIL 联合腾讯 AI Lab 夺冠 FPS 游戏 AI 竞赛 VizDoom

    Visual Doom AI Competition)上荣获竞赛 Track 1 的赛和决赛冠军,及 Track 2 赛冠军、决赛亚军,为赛事历史上首个中国区冠军。 Track 1 赛及决赛第二个挑战 Track 2 是随机对战模式(Death Match),这是 VizDoom 的传统项目,采用死亡竞赛模式,要求参赛选手在同一个地图里对杀 10 分钟,AI 清华大学和腾讯 AI Lab 去年曾参赛并获得优异。今年的比赛喜迎了 33 个参赛队的 152 个机器人。 决赛有 6 支团队参加,包括赛的前三名、2017 年冠、亚军及 2016 年冠军,TSAIL 最终夺得亚军,远超前两届冠军。 Track 2 赛及决赛 参与 VizDoom 竞赛的意义,首先是探索输入像素级视觉信息,直接输出 AI 控制策略的强化学习算法。

    43710

    AI技术流黑马“出道”,清博AI团队屡获重大赛事奖项

    来 新智元AI朋友圈 和AI大咖们一起讨论吧。近日,虚假新闻检论坛暨2019虚假新闻检挑战赛颁奖仪式在北京中科院计算技术研究所举行。 清博AI团队提出虚假新闻多模态识别模型,实现线上f1达99%具体来说,在此次比赛中,清博AI团队提出了GDBT-based-DenseNet-Bert的GDB虚假新闻多模态识别模型,并通过实验证明基于改模型从多模态角度提取比单领域的特征提取效果更好 ;同时也证明GDB框架识别虚假新闻的优势,最终实现线上的f1达到了99%。 封闭式比赛现场 据清博大数据CTO朱旭琪介绍,清博AI团队是一个非常年轻的队伍,组员都是从公司的研发队伍中遴选出来的,以90后为主,平均年龄只有25岁;能屡次在AI重大赛事上取得优异的,一方面是因为清博 ,同时,也构了我们不断实现技术突破,取得好的坚实基础。”

    26810

    华为软挑开挂指南(附赛题

    ----解析赛题解析来源:华为公司部门轮流出题,基本是公司内部实际业务为背景算法:大部分赛题集中在图算法和最优化,也有一部分涉及AI相关目的:比赛会作为公司产品的一种推广手段,盲猜2018年与华为云有关 ,2019年与5G车联网和AI有关,今年或许会与鲲鹏计算平台或鸿蒙系统有关时间基于新型冠肺炎疫情防控形势,2020华为软挑计会推迟 ,但不会取消举办初赛启动时间可能会在3月底,复赛大概率由线下改为线上比赛 ,决赛举办方式应该会视疫情走势而定赛题为了保持软件竞赛初心和照顾参赛者,会延续前几届的出题方式,今年图算法和最优化相关的可能仍然很大2019年在决赛中首次涉及AI车牌识别,今年AI的比重或许会增加 如果你也是这种情况,强烈推荐用Python,后期拓展AI也容易得多。逆向工程从判题公式出发。 18年的题目是+分配,判题公式是准确率*分配率。 稳一手霸榜稳一手。 如果自己算法达到的霸榜的时,不要急于发出来,尽量苟到正式比赛。你想要霸榜,就要做好被人踢榜的准备。需求更改稳一手。

    95820

    这个网站收集AI‘翻车’案例,所有‘罪证’都不放过

    如今,AI “翻车”数据集网站也被建立起来,名为 AIID(AI 事故数据库,AI Incident Database),网址如下:https:incidentdatabase.ai亚马逊机器人误触“防熊喷雾 因为疫情的影响,美国IB(International Baccalaureate)项目取消了考试,改用算法学生的最终,算法根据的是学生以往的和表现。 这个将决定许多美国学生是否能被大学录取和功获取奖学金,很多学生、家长和老师都认为这些是错误的。他们说,许多学生得到了很难相信的低分。 该基金会发布的统计摘要显示,今年的平均分数略高于去年,而且分布也与去年类似。所学校的数学老师说,IB 应该向外界透露其模型的全部运作情况,以供审查。 他和一个拥有数学博士学位的同事一直对这个设计感到困惑,因为有几个学生因为得到的远远低于他们老师的期而失去了奖学金。

    16510

    大数据算法或新方式

    通过这样的终结考试试一个学生知识和能力已经为社会普遍接受的方式。美国高校正在尝试一种新的方式,125所学校正悄然采取此项措施,试图利用算法和学生平时表现学生。 比如乔治亚州立大学的数据显示用学生第一门专业课的可以他们是否能够毕业。以政治学专业为例,在第一门专业课中拿到A或者B的学生,他们中有85%将会取得学位。 据协助佐治亚州立大学及其它院校进行项目的美国教育咨询委员会统计,在超过4000多有资格颁发学位的高等教育机构中,仅有125所正在这样使用数据。 专家指出更多的大学会推行项目,因为这个项目不仅可以为学生提供支持,还提高教育的底线。 这笔钱是学校花在学生数据分析的开支的五倍左右。根据曾在去年学校启动学生系统的时候担任教务长的John Nicklow指出,南伊利诺伊大学的返校率则增长了8.3%,至68%。

    60690

    【机器人 AI】2015 进步

    今年,自动驾驶车为商业现实;机器人获得各种各样的新能力;有些人担忧未来超级智能AI给人们带来的生存威胁。机器人并没有在2015年接管世界,但有时它感觉像是我们世界的前进方向。 并且在进一步研发和试被完前,公司被迫通过限制系统能力来循迹调查。谷歌也披露了其原型无人驾驶车遇到了很多事故,虽然它将事故的责任归结为车辆的倾向驾驶形式有时会让路上其他驾驶人员感到困惑。 在过去的几年里,AI领域取得了巨大的进步,这要归功于以海量数据为基础的大型复杂的“深度学习”神经网络的发展,并且这个趋势在2015年进一步得到发展。 我们详述了Facebook团队致力于研发能够分析语法并做出有意义的对话的深度学习AI。最近,Facebook展示了一个名为M个人助手,它的训练使用了人类工作者的过程来完。 想要看到更多的观点,那没有什么比向一位人工智能之父Marvin Minsky询问更好的了,在一次视频采访中,Minsky讲出了他对AI历史的看法,和一些该领域仍需要完的目标。

    38080

    实施AI道德规范的现场实验(CS)

    哪些干措施可以防它们?我们评估了约400位AI工程师对820万个数学性能的算法,每个工程师在随机分配的实验条件下开发了一种算法。 我们的待遇可以改善程序员的动机,培训数据,意识和或AI伦理的技术知识。然后,我们使用算法输入的随机审计操作和20K主题的真实数学性能,从其算法中评估样本外。 我们发现有偏见的主要是由有偏见的训练数据引起的。但是,更好的培训数据所带来的好处的三分之一来自一种新颖的经济机制:当工程师获得更好的培训数据时,他们会付出更大的努力并且对激励措施更加敏感。 我们还根据程序员的人口统计学特征评估其效如何变化,并根据涉及性别和职业的内隐偏见(IAT)的心理验评估其效。我们找不到证据表明女性,少数族裔和低IAT工程师在其代码中表现出较低的偏见或歧视。 但是,我们确实发现,误差在人口统计数据组内是相关的,这通过跨人口统计平均产生了性能提升。最后,我们量化了实际管理或政策干(例如技术建议,简单的提醒以及减少算法偏差的改进激励措施)的收益和取舍。

    7400

    刷脸AI供应商下调业期,苹果股价应声跌掉一个小米

    刷脸AI供应商警外媒路透社将核心原因归结为苹果重要供应商的业警。目前苹果产品中,刷脸AI已是新一代标配,而供应商Lumentum,正是提供刷脸AI方案的核心厂商。 但就在新一季业展望中,Lumentum显得非常焦虑。他们说,最大的客户之一要求该公司在截止12月的第二财季“大幅减少出货量”。于是业里,称可能会减少7000万美元。? 一听这业和近乎点名的合作警,苹果焉能不受影响?于是股价应声大跌5%,市值一日蒸发489亿美元。 郭明錤指出,下调iPhone XR出货量期的理由包括“贸易问题将对消费者信心造负面影响”等。? 查特吉还下调了iPhone的期销量,将iPhone在2018年的期销量从2.16亿部下调到了2.14亿部,将iPhone在2019年的期销量从2.18亿部下调到了2.08亿部。

    14410

    刷脸AI供应商下调业期,苹果股价应声跌掉一个小米

    刷脸AI供应商警外媒路透社将核心原因归结为苹果重要供应商的业警。目前苹果产品中,刷脸AI已是新一代标配,而供应商Lumentum,正是提供刷脸AI方案的核心厂商。 但就在新一季业展望中,Lumentum显得非常焦虑。他们说,最大的客户之一要求该公司在截止12月的第二财季“大幅减少出货量”。于是业里,称可能会减少7000万美元。? 一听这业和近乎点名的合作警,苹果焉能不受影响?于是股价应声大跌5%,市值一日蒸发489亿美元。 郭明錤指出,下调iPhone XR出货量期的理由包括“贸易问题将对消费者信心造负面影响”等。? 查特吉还下调了iPhone的期销量,将iPhone在2018年的期销量从2.16亿部下调到了2.14亿部,将iPhone在2019年的期销量从2.18亿部下调到了2.08亿部。

    21240

    AI一分钟|倪光南:“中国芯”切勿重硬轻软;阿里达摩院入职95后最年轻科学家,参与无人车研发

    (via.IT时报) ▌阿里达摩院入职 95后最年轻科学家:参与无人车研发 胡晋 “95后”胡晋称得上是“开挂般的人生”:15 岁跳级考上了北京交通大学,19 岁以专业全校前三的,免试推荐攻读浙大博士研究生 (via.快科技)▌AI 终于有可能把无数小动物从药物试中拯救出来了么? 最新发表在 Toxicological Sciences 期刊上的一篇研究结果显示,利用过往实验和已知数据新合物质的特性是可能的。 研究过程中,一个经过训练的 AI 系统可以百上千中未知合物的毒性,而且结果在一些案例中,比动物试更加准确和可靠。 (via.TechWeb)▌AI 算法可扫描人眼并性格特质虽然听起来有种“天方夜谭”的感觉,但在一套先进的机器学习算法的加持下,南澳大利亚大学和斯图加特大学的一个人工智能联合项目,正在努力让它为现实

    14030

    高分选手讲解:如何突破思维圈限,从NLP角度挖掘新的解题思路

    本届赛题提供了用户在90天内的点击行为,从而出用户的年龄与性别。对于此次比赛,我将简单地从NLP的角度解析赛题,从而为大家提供解题思路。 那么剩下的问题就是如何根据这8种文本用户的年龄和性别。在NLP中,文本的类别有许多模型,比如lstm, gru, transformer等。 因此,如果能够很好的解决OOV问题,那么就可以有效的提高,这里主要有两种方法。第一种方法,我们可以截断低频广告,设置unknown,那么对于试集新出现的广告也可以直接设置unknown。 接下来,如果需要取得好的,可能需要进行一些特征工程。祝大家在接下来的比赛中,能够取得好。 收获了神秘大佬的心得分享后,你的解题思路有没有开阔了许多呢? 了解更多 TI-ONE 平台资讯,请关注【腾讯智能钛AI开发者】(ID:TI-ML-AI

    6851511

    AI攻克“蝴蝶效应”背后难题指日可待

    赛场上,来自西安交通大学的swg-lhl团队夺得了本次大赛的冠军,他们研发的AI算法模型在关键指标上达到了44.43分。该超过了2019年发表于《Nature》的最佳果。 1 13个AI 模型超越《Nature》论文根据比赛规则,Top 5 团队将瓜分阿里20万元奖金。本届大赛自启动以来,共有2849支团队报名参赛,400多支队伍提交结果,200多支队伍有。 据阿里达摩院官方透露,本次比赛共有来自全球13支队伍的AI算法结果超过了这篇《Nature》文章的水平,而且部分团队的果将在国家气候中心等机构应用。这些团队为何能够取得如此? 对此,罗京佳教授对AI科技评论表示,他发表在《Nature》上的论文所使用的卷积神经网络是一个相对熟的算法,而非最先进的算法。近几年,越来越多高性能的深度学习算法被提出,这些将有助于提高精度。 虽然这一还远未达到精准的程度,但它刷新了当时行业的最高水平,并证明了深度学习方法在气候中应用的可能性。

    22040

    【参赛经验分享】外部赛道rank3,手打+AI的同时尝试解题

    TL;DRAI与手打同时尝试打分,最后提交的最高是手打,主要思路是尽可能堆高后进行消4,依据序列的情况妥协进行消3.2,通过本地实现一个模拟器提供各种信息来辅助整个流程。 一个是通过AI定制策略去尽可能完更高的分,但相对的,这个结果不一定可控,很难快速知道期效果,第二个则是通过编写模拟器去人工完这一题(10000块也是可以勉强接受的数量),这个方案的好处就是可以很快的得到期分数 正好,之前我就一直计划着编写一个现代方块通用AI平台,虽然完度还不高,但基础设施已经基本搭建完。遇见这次赛题,正好拿出来进行实战。 思路上与内部赛道的139w大佬有一点类似(也是块群AI系列的常用算法)(非常推荐观摩),不过由于各种原因并没有来得及出一个比较好看的。 最终打完了10000块,获得了117.9w分,实际分其实还要高一些,不过人类终究还是有极限的啊.jpg3 比赛总结 最后提交的不是AI算出的其实还是有点遗憾的,靠手打的混到了第三有点不好意思

    583220

    18项冠军的背后,从最新AI基准试读懂智算未来

    , 英伟达获得10项性能第一,两家厂商占据了70%的冠军榜单,浪潮更是创造了中国公司在 MLPerf™ 基准试中最佳。? 可以说,以浪潮为代表的中国厂商在此次MLPerf™ AI基准试取得的极富含金量,标志着中国厂商在AI算力的创新探索和系统产品落地方面走在了业界最前沿。 浪潮NF5488A5卫冕“性能王”而在边缘场景固定任务赛道中,一共有11家厂商提交326项竞赛,竞争同样异常激烈,浪潮NE5260首次亮相就一战名,斩获7项目冠军,在边缘场景21项基准试中,同样获得 此外,参与评的NF5488 M6也收获了同等配置迹象9项最好,居同类服务器性能帮助。 事实上,浪潮此次在MLPerf™ AI基准试取得如此出色的,并不是为了打榜而做的“一蹴而就”行为,背后是其对于AI算力趋势洞察、战略布局、创新投入等长期积累的结果。

    12920

    AI改变标准化考试,2550亿美元教育技术市场

    无论是 SAT、ACT、GMAT、LAST,还是其他考试,我们都曾经坐在桌前狂写,担忧着我们的将会对我们的未来有怎样的影响。 “标准化考试的目的是试你从一年级开始学的所有东西。没有人能有效地检查完所有这么多的材料。AI可以为你提供你需要集中攻克哪些知识点的建议,帮助你功。 通过监控这些变量对学生表现的影响,AI可以识别出学生需要特别关注的方面,以提高。例如,AI可以发现学生最大的弱项是几何问题,但是可以通过更快地解代数题,在整体上得到更多分数。 随着更好的试资源的出现,竞争也越来越激烈,因此这一新的edtech不太可能为进步的金手指(cheat code)。相反,它更有可能功的新基准。 但是,帮助考试准备工作的技术不仅仅能让孩子在标准化考试中取得更好的,它还能鼓舞孩子们的信心,在更高的教育追求中取得功。

    38770

    【极客挑战赛】手打强者竟是这样逆袭TOP3!?

    大佬这样说 AI与手打同时尝试打分,最后提交的最高是手打,主要思路是尽可能堆高后进行消4,依据序列的情况妥协进行消3.2,通过本地实现一个模拟器提供各种信息来辅助整个流程。 一个是通过AI定制策略去尽可能完更高的分,但相对的,这个结果不一定可控,很难快速知道期效果,第二个则是通过编写模拟器去人工完这一题(10000块也是可以勉强接受的数量),这个方案的好处就是可以很快的得到期分数 正好,之前我就一直计划着编写一个现代方块通用AI平台,虽然完度还不高,但基础设施已经基本搭建完。遇见这次赛题,正好拿出来进行实战。 思路上与内部赛道的139w大佬有一点类似(也是块群AI系列的常用算法)(非常推荐观摩),不过由于各种原因并没有来得及出一个比较好看的。 最终打完了10000块,获得了117.9w分,实际分其实还要高一些,不过人类终究还是有极限的啊.jpg 三、比赛总结 最后提交的不是AI算出地其实还是有点遗憾的,靠手打的混到了第三有点不好意思

    12820

    相关产品

    • 智能钛工业 AI 平台

      智能钛工业 AI 平台

      智能钛工业 AI 平台(TI-Insight)是基于智能钛基础功能打造的一站式工业 AI 平台方案,包含 AI 训练系统和 AI 推理系统两个功能组件。本平台提供了包含数据工厂、内置通用/行业算法库、模型迭代训练引擎、基于题库测试的模型评估引擎、多版本模型对比分析、模型微服务管理和部署、硬件资源优化调度与管理等全栈 AI 能力。

    相关资讯

    热门标签

    活动推荐

      运营活动

      活动名称
      广告关闭

      扫码关注云+社区

      领取腾讯云代金券