夏乙 问耕 发自 凹非寺 量子位 出品 | 公众号 QbitAI 谁能想到,NIPS这种顶会都能风波乍起。 Ali Rahimi(阿里·拉希米),因为2007年发表的一篇论文,获得今年的“Test o
作者 | Samuel Flender 译者 | 王强 策划 | 刘燕 在实证领域,科学的严谨性是从假设开始塑造的。 业界对机器学习研究的科学严谨性的质疑声越来越多了。在 2017 年 NIPS 会议上的一场 演讲 中,当时就职于谷歌 AI 的 Ali Rahimi 和 Ben Recht 认为 ML 已经成为了一种炼金术,也就是说从业者使用的方法在实践中表现很好,但在理论层面上对这些方法的理解却相当欠缺。类似地,Keras 深度学习库的作者 Francois Chollet 认为当今的 ML 从业者都有“
---- 新智元报道 来源:sciencemag.org 编辑:肖琴 【新智元导读】最近,谷歌的AI研究人员、 "Test of Time Award"得主Ali Rahimi指出,计算机通过尝试错误法(trial and error)进行学习的机器学习算法已经成为“炼金术”的一种形式。Rahimi说,如果不深入了解构建和训练新算法所需的基本工具,研究人员就会像中世纪的炼金术士一样用道听途说的方法来研究人工智能。 去年在NIPS会议上,谷歌的AI研究人员、 "Test of Time Award"得
机器之心报道 参与:路雪、刘晓坤、李泽南 去年的 NIPS 曾因 GAN 引发了一场风波,而今年的 NIPS 同样有着不同思想的碰撞,而这场机器学习「炼金术」讨论竟是从大会颁奖典礼上开始的。 谷歌研究
【导读】最近NIPS 2017 "Test of Time"论文大奖获得者Ali Rahimi 在长滩现场的演讲中把机器学习称为“炼金术”(Alchemy)引起机器学习界的大讨论,不难理解深度学习理论的研究似乎真的陷入了尴尬的境地。与此同时,寂寞的背影,听者寥寥的会场,图灵奖得主同时也是贝叶斯之父 Judea Pearl 的报告似乎并没多少人关心。而报告的题目《机器学习的理论障碍》(Theoretical impediments to machine learning)正是关于Judea Pearl对机器学
本文探讨了机器学习理论在深度学习和人工智能发展中的重要性,作者认为理论是必要的,但过于严格的理论会导致发展停滞。作者认为,局部搜索(如梯度下降)是非常强大的,即使没有完全理解它。作者还提到,当前的深度学习和人工智能发展过于关注计算和架构,而不是寻找正确的计算模型来定义“强”局部搜索空间的结构。
今天,讲堂君接着跟大家同步跟分享11月10日WE大会视频。 第三期分享财讯传媒(SEEC)首席战略官段永朝发表了《天性,互联网的灵性回归》的主题演讲,探讨人类在互联网时代的思维误区。 演讲中主要分享了炼金术的故事: 1、19世纪之前,炼金术尚未被科学证据所否定。 2、炼金术实则孕育了整个现代工业 3、炼金术是一种追求天性和灵性的精神产物 视频内容
大数据文摘作品 编译:冯琛、Aileen 在刚过去的ICLR会议中,谷歌人工智能研究员Ali Rahimi批评了整个机器学习行业对经验法则、试错法和迷信的过分依赖。 去年12月,谷歌公司的人工智能(AI)研究员Ali Rahimi在NIPS大会的演讲中批判了自己的研究领域,他说,计算机通过尝试和错误进行学习的机器学习算法已经成为“炼金术”的一种。 研究人员其实并不知道为什么某些算法行之有效,而其他算法徒劳无益,他们也没有严格的标准来界定AI架构的选择。因此,他获得了现场观众长达40秒的欢呼。 4月30日,
记者 | 周翔 AI科技大本营1月28日消息,《麻省理工科技评论》新兴科技峰会EmTech China在北京召开,营长也受邀参加,会上有多位人工智能领域的重磅大佬出没,Tomoso Poggio 教授就是其中一位。 说起 Tomoso Poggio ,也许很多人不太熟悉,但他的几个学生都已经名满天下。比如:DeepMind 创始人、Alpha Go 之父 Demis Hassabis;艾伦人工智能研究所首席科学家 Christof Koch;Mobileye 创始人兼 CTO Amnon Shashua
继2017年底在人工智能大会上批评机器学习已成为“炼金术”后,谷歌科研人员Ali Rahimi与其他科研人员一起在“国际学习表征大会”(International Conference on Learning Representations)上发文,列举了机器学习“炼金术”的案例。
来源:陈老师有话说 作者:陈怡然 【新智元导读】有关深度学习炼金术的争论火了。但在国内还有个更加劲爆的——针对“人工智能的进步是由计算能力提升导致的”这个说法,南大教授周志华在微信朋友圈指出,这种观点绝对错误。周志华认为,如果算法没有突破,哪怕研发出量子计算机都没用。计算所包云岗研究员则表示,算法和算力两者相辅相成,缺一不可。还是杜克大学陈怡然教授说得好,“作为一个搞计算平台的研究者,深度学习这个credit少分一些,也无所谓,毕竟饼你还是狠狠吃了一口的”。 最近关于深度学习的辩论有点多。NIPS“Test
梯度下降依赖于试验和错误来优化算法,目标是在三维景观中使其最小化。 图片来源:ALEXANDER AMINI/SCIENCE 加州旧金山谷歌人工智能(AI)研究人员Ali Rahimi去年12月对其所在研究领域进行了一次猛烈的抨击,并获得了40秒的掌声。在一次AI会议上,Rahimi指责机器学习算法,即计算机通过反复试验和纠错来学习已经成为某种形式的“炼金术”。他说,研究人员并不知道为什么有些算法会起作用而另一些则不会,他们在选择一个AI架构而非另一个时也没有严格的标准。在近日于加拿大温哥华举行的关于学习陈
机器学习以其特有的优势逐渐在科学研究中得到大量应用,然而,其内在的“黑箱”特点也带来了一系列问题,有研究者认为正是机器学习的这种不可解释性导致了当下科学研究的“可重复性危机”——如果科学不可重复,那么我们还能称之为真正的科学吗?与此同时,更有研究者声称机器学习已经成为一种“炼金术”。
image.png 演讲摘要 段永朝:天性,互联网的灵性回归 我今天要讲一个故事,故事的主角大家都很熟悉。他就是牛顿。力学三定律、微积分、七色光,都是牛顿给这个世界的贡献。大概很少有人想到牛顿还有另外一面。1936年,牛顿的一个后代把牛顿的一个手稿箱拿去拍卖。按正常思维,手稿箱里面一定充满了关于数学、天文学、物理学的种种计算。但真实的情况不是这样,里面都是一些关于炼金术的文章。为什么一个伟大的头脑会痴迷炼金术将近30年?炼金术在我们的记忆中十分遥远,在最近几百年间销声匿迹。但是我们知道吗,炼金术已
来源: 心有麟熙 作者: Jim 范麟熙 编辑:常佩琦 【新智元导读】斯坦福大学博士生、师从李飞飞教授的Jim Fan(范麟熙)带你一文读懂强化学习的来龙去脉。本文以轻松有趣的方式介绍了强化学习的概念和目的,早期功不可没的宗师泰斗,理解算法所需要的预备知识,还从仿生学和心理学的角度介绍了强化学习的历史背景。 强化学习炼金术 · 背景介绍(上) 欢迎来到《强化学习炼金术》第一讲。手摇芭蕉扇,支起八仙炉,再点上三昧真火。各位炼金术师,你们都准备好了吗? 在这一课里,我会跟大家说说强化学习的概念和目的,早期功不可
商业智能BI(Business Intelligence) 。相比于数据仓库、数据挖掘,它是一个更大的概念。商业智能可以说是基于数据仓库,经过了数据挖掘后,得到了商业价值的过程。所以说数据仓库是个金矿,数据挖掘是炼金术,而商业报告则是黄金。
欢迎来到《Python技术周刊》这是第5期,每周六发布,让我们直接进入本周的内容。由于微信不允许外部链接,你需要点击页尾左下角”阅读原文“,才能访问文中的链接。
作者:Dmytrii S. 翻译:陈之炎 校对:卢苗苗 本文与大家讨论深度学习泛化理论中的一些经验并试图对它做出解释。 我们可以从最新的关于深度学习“炼金术”的悖论研究中了解一二。 动机 深度学习目前正被用于方方面面。但是,人们经常批评它缺乏一个基础理论,能够完全解释其为什么能如此神奇。最近,神经信息处理系统大会(NIPS)的时间测试奖(Test-of-Time)得主将深度学习比作“炼金术”。 尽管解释深度学习泛化理论仍然是一个悬而未决的问题,在这篇文章中,我们将讨论这个领域最新的理论和先进的经验,并试
本文探讨了机器学习中一种被称为“炼金术”的现象,以及它如何影响机器学习的发展。作者认为,机器学习中的“炼金术”过于关注数据集和实证结果,而忽略了理论、模型和算法等方面的深入探讨。作者认为,在机器学习的发展过程中,应该更加关注理论、模型和算法等层面的研究,这样才能更好地推动机器学习的发展。"
---- 新智元报道 编辑:Aeneas 好困 【新智元导读】最近,知乎上爆出一张AI投稿群的匿名聊天截图,网友讨论「加群互相bid」,还说3000块就可以买到一个AAAI的「strong accept」。 正值AAAI 2023论文截止提交之际,知乎上突然出现了一张AI投稿群的匿名聊天截图。 其中有人声称,自己可以提供「3000块一个strong accept」的服务。 爆料一出,顿时引起了网友们的公愤。 不过,先不要着急。 知乎大佬「微调」表示,这大概率只是「口嗨」而已。 据「微调」透露,
Monochroma是一个电影拼图游戏,发生在一个具有工业炼金术的设定中。这是关于一个孩子,有一个弟弟,上升,下降和解决一些其他的难题。
Alex 发自 凹非寺 量子位 | 公众号 QbitAI 用月球表面土壤搞太阳能发电?! 你没听错,有人用这种材料做出了太阳能电池,人类朝“在月亮上搞基建”又前进一步。 这个“幕后使者”,既非马斯克的SpaceX,也非NASA,抑或专门的电池能源公司——而是长期被诟病“慢半拍”的贝索斯旗下商业太空公司:蓝色起源。 准确来说,制造电池用的不算真月壤,它是一种与之化学成分相似的材料,名曰“雷石模拟物”(regolith simulants)。 用此材料,不仅能提取出做电池的硅,还能产生人类生存离不开的氧气。
这么多年大家把人工智能比喻成炼金术,一点小火就可以炼丹了,但是要做成产业就要熊熊大火。
图片来源:PCmag.com 十多个小时前,深度学习大神Yann LeCun语出惊人,他宣布放弃“深度学习”这个词。因为媒体对这个词的炒作言过其实,混淆了大家真正的工作,而“可微分编程”才是对此更好的描述: “将各种参数化的函数模块网络组装起来,做成新软件,同时以某种基于梯度的优化再将其训练出来” 这跟普通的编程工作也没多大差别,除了参数化的自动微分,以及对软件训练和优化……LeCun说他回头会给出一个更详细的说法。 话分两头,这就是昨天LeCun用Twitter上“怒怼”过机器人Sophia之后的
原作:inFERENCe 安妮 编译自 inference.vc 量子位 出品 | 公众号 QbitAI 昨天,NIPS大会中“Test of Time”最具时间价值大奖的获得者Ali Rahimi(阿里·拉希米)在演讲时表示,机器学习已经成为了炼金术。此话一出,就引发了大量讨论。 在Reddit上这个话题同样火爆,剑桥大学博士Ferenc Huszár在他的博客inFERENCe阐述了自己的观点,获得了很多人的支持。 他到底说了什么?他怎么看? 像大家一样,我很欣赏阿里在NIPS上的演讲,并且推荐所有人都
作者:王庆法,中国东信CTO 【新智元导读】最近流行佛系XXX,殊不知深度学习里也有佛。本文是继《薛定谔的滚与深度学习中的物理》一文后,笔者又一心力之作。从神秘的钟型曲线,到贝叶斯推理应用于神经网络,再到深度学习的因果推理,带大家来一场从统计到因果的认知修行。 《寻梦环游记》看哭了许多人,小男孩米格踏过花瓣桥,也就踏入了既生又死的状态,出现在他眼前的,是恢弘的亡灵世界。如果人世间没有人再记得,骷髅人也将在亡灵世界烟消云散,这是人存在的本来景象吗?玛雅人祭奠的圣井,真的是通往亡灵世界的入口吗?玛雅人是不是已然
1.理解flash的显示列表 2.理解事件冒泡,理解鼠标事件等 3.理解flash的性能瓶颈和大多数影响性能的地方 4.理解帧跑道模型,知道timer和enterFrame的关联和区别 5.理解RSL(runtime share lib)和loader的applactiondoamin以及多模块开发/运行的优势 6.理解反射,类定义,库链接定义 7.理解常用数学公式 8.理解图形图
每年底,人们都会说“寒冬”这个话题,2019年尤甚,广告行业与经济大环境直接相关,因此很早就有人提出了广告行业“增长寒冬”的话题。不过,所谓寒冬可能是一个伪命题。最近云锋基金联合创始人、主席虞锋的一个观点我比较认同:“冬天本来就是一个节气,是周而复始的季节变化中一个自然的阶段。”只不过,淘金时代结束了,炼金时代开启。
目前自然语言处理领域发展的红利都来自于大型的、基于Transformer的语言模型,但这些语言模型的训练成本、推理成本都高到劝退平民炼金术师。
溶剂化自由能是影响各种化学和生物学过程的基本属性,例如反应速率、蛋白质折叠、药物结合和药物的生物利用度等等。本工作中,作者提出了一种基于图网络的深度学习方法,可以准确地预测有机小分子的溶剂化自由能。所提出的深度学习模型包括三个阶段,即信息传递、相互作用和预测,能够预测任何通用有机溶剂中的溶剂化自由能,平均绝对误差为0.16 kcal/mol。在准确性方面,当前模型目前优于所有此前提出的基于机器学习的其他模型。此外,作者对基于机器学习的模型的鲁棒性进行了全面测试,并通过几个示例验证了其解释预测的能力。
【导读】本文原本是为《基于信息理论的机器学习》教程中文注释后记准备的。但是上周我参加NIPS学术会议期间曾受《专知》邀请建议回来后写些会议感言。为简单将这感言与后记内容融合在一起。因为两件事情内容是相
一、引言 莱布尼兹 Leibniz(1646~1716)在1714年发表一篇文章叫做 "Historia et origo calculi differentialis"(即《微分学的历史与根源》),简述他发明微积分的整个故事,开头就这样写着: 对于值得称颂的发明,了解其发明的真正根源与想法是很有用的,尤其是面对那些并非偶然的,而是经过深思熟虑而得的发明。展示发明的根源不光只是作为历史来了解或是鼓舞其他人,更重要的是透过漂亮的发明实例,可以增进吾人发明的艺术,并且发明的方法也可公诸于世。当代最珍贵的发明
flask-sqlalchemy所作的操作只是把模型类转换为sql语句,然后通过数据库驱动访问mysql,在获取到结果后再把数据转换为模型对象
将人工智能用于战争,原以为只存在科幻小说中,亦或只是战略设想,没想到在一次以色列针对哈马斯的战斗中,以色列方面使用了超级计算机和人工智能,对哈马斯的关键设施和人员进行了绝对打击。
呜啦啦啦啦啦大家好呀,又到了本周的AI大事件时间了。过去的一周中AI圈都发生了什么?大佬们互撕了哪些问题?研究者们发布了哪些值得一读的论文?又有哪些开源的代码和数据库可以使用了?文摘菌带你盘点过去一周
不出一个月,另一只团队(主要成员来自DeepMind)表示,已经给出一个通用理论解释——
来源 | medium 编译 | KK4SBB 深度学习可以应用在哪些场合呢?这是大家在理解深度学习和其它人工智能技术时首先想到的问题。我们往往陷入一个误区,认为“人工智能”可以搞定一切。 若要回答这个问题,首先要知道另一个问题的答案,“我们手中是否已经有足够的数据”?然而,这个问题也需要足够的领域知识才能作答。在学术意义上,我们想理解“边界条件”;或者换句话说,我们想理解问题的内在约束条件。那么,深度学习和人工智能问题的“边界条件”究竟是什么呢? 早些时候,笔者讨论过“什么是可知的”和“什么是知识的当前
风口浪尖上的 Facebook 在刚刚结束的 F8 开发者大会上宣布,将组建一个专门的 AI 伦理团队跟公司里各项产品和服务合作,以此来保证 AI 的公正性。
既然是应用程序,那么数据库就是必不可少的一部分。数据库按照一定规则保存程序数据,程序再发起查询取回所需的数据。Web 程序最常用基于关系模型的数据库,这种数据库也称为 SQL 数据库,因为它们使用结构化查询语言。不过最近几年文档数据库和键值对数据库成了流行的替代选择,这两种数据库合称 NoSQL数据库,比如 redis 等等。
学习过web开发的人也许都知道,在web开发中最常用的数据库就是关系模型数据库,关系型数据库把所有的数据都存储在表中,表用来给应用的实体建模,表的列数是固定的,行数是可变的。查询的语句也是结构化的语言。
2017年已经结束了,还有什么比回顾这一整年中AI的发展历程更激动人心的吗? AI大事件的作者Denny Britz梳理了2017整年的AI大事,人工智能从研究到应用领域的回顾,都在这篇AI超大事件里了。 强化学习在很多游戏上达到了超人表现 今年AI领域最成功的故事可能就是AlphaGo了(Nature论文),AlphaGo是一个强化学习代理,击败了世界上最好的国际象棋棋手。 AlphaGo的第一个版本使用来自人类专家的训练数据进行引导,并通过自我对弈和蒙特卡洛树搜索进一步提升。不久之后,AlphaGo Z
转载请在文章开头附上原文链接地址:https://www.cnblogs.com/Sunzz/p/10979970.html
版权声明:Copyright © https://blog.csdn.net/zzw19951261/article/details/81148625
夏乙 编译整理 量子位 出品 | 公众号 QbitAI Deep Learning est mort. Vive Differentiable Programming! 这句英法混合的话,翻译成汉语,
AI 科技评论按:并行计算是提高计算机系统计算速度和处理能力的一种有效手段。它的基本思想是用多个处理器来协同求解同一问题,即将被求解的问题分解成若干个部分,各部分均由一个独立的处理机来并行计算。在训练 AI 系统的时候,并行是提高计算效率的主要途径。 作为机器学习方面的专家,腾讯 AI Lab 专家研究员、美国罗彻斯特大学助理教授刘霁博士认为,目前并行计算的主要难点在于如何提高并行效率。 因「提出一系列异步并行算法,解决了传统同步并行算法瓶颈问题,设计机器学习中去中心化的并行计算框架,可以极大地减少通讯代价
本文转载自「AI科技评论」,搜索「aitechtalk」即可关注。 编者按:并行计算是提高计算机系统计算速度和处理能力的一种有效手段。它的基本思想是用多个处理器来协同求解同一问题,即将被求解的问题分解成若干个部分,各部分均由一个独立的处理机来并行计算。在训练 AI 系统的时候,并行是提高计算效率的主要途径。 作为机器学习方面的专家,腾讯 AI Lab 专家研究员、美国罗彻斯特大学助理教授刘霁博士认为,目前并行计算的主要难点在于如何提高并行效率。 因「提出一系列异步并行算法,解决了传统同步并行算法瓶颈问题,设
原文:Data Science Simplified Part 1: Principles and Process 译者:杨德杰 2006年,英国数学家、Tesco Clubcard的架构师Clive
一、数据库操作 1,orm orm(object-Relation Mapping),对象-关系映射,主要实现模型对象到关系数据库数据的映射。 优点: - 只需要面向对象编程, 不需要面向数据库编写代码. - 对数据库的操作都转化成对类属性和方法的操作. - 不用编写各种数据库的`sql语句`. - 实现了数据模型与数据库的解耦, 屏蔽了不同数据库操作上的差异. - 不再需要关注当前项目使用的是哪种数据库。 - 通过简单的配置就可以轻松更换数据库, 而不需要修改代码. 缺点: - 相比较
也可以直接在pycharm中输入from flask import Flask后点击安装。
Flask-SQLAlchemy是一个Flask扩展,简化了在Flask应用中使用SQLAlchemy的操作,SQLAlchemy是一个强大的关系型数据库框架,支持多种数据库后台。其安装方式与其他扩展一样使用pip安装即可:pip install flask-sqlalchemy。 在Flask-SQLAlchemy中,指定使用何种数据库是通过URL来实现的,各种主流数据库引擎使用URL格式如下:
领取专属 10元无门槛券
手把手带您无忧上云