最近Frontiers in Earth Science期刊组织一个专刊/专题 “复合型极端气候：机器学习，统计方法和动力模拟”。主要关注洪水，干旱，热浪，极端降水，风暴潮，飓风/台风等自然灾害存在同时发生或者依次发生的现象。请见这个专题的链接[1]
最近Frontiers in Earth Science期刊组织一个专刊/专题 “复合型极端气候：机器学习，统计方法和动力模拟”。主要关注洪水，干旱，热浪，极端降水，风暴潮，飓风/台风等自然灾害存在同时发生或者依次发生的现象。
【新智元导读】近期，来自CMU和斯坦福的Zachary C. Lipton和Jacob Steinhardt两位研究员为顶会ICML举办的Machine Learning: The Great Debate发表文章，并指出现在机器学习研究中的四大危机：混淆阐述与推测、无法明确得到较好结果的原因、数学公式堆积以及语言误用。
这篇文章整理出了机器学习、深度学习领域的经典论文。为了减轻大家的阅读负担，只列出了最经典的一批，如有需要，可以自己根据实际情况补充。
《Pattern Recognition》是人工智能领域的国际知名期刊（中科院一区Top、CCF B类期刊），影响因子为8.518; 其现有专刊“Graph Machine Learning for Pattern Recognition on Complex Graphs”征稿, 欢迎大家踊跃投稿！ 1. Aim and Scope Existing works on graph machine learning, especially on graph neural network (GNN), are
The 17th International Conference on Bio-inspired Computing: Theories and Applications (BIC-TA 2022)
机器之心报道 参与：李泽南、路 开放的研究氛围一直是促进人工智能领域发展的关键因素，正是因为学界和业界参与者不断和快速地公开自己的研究结果和代码，人们才能够及时掌相关方向的最新进展，并在学术环境之外开展自己的研究。当开放文化与最为著名的科学期刊《Nature》发生冲突的时候，人工智能领域的学者们选择了反对和抵制后者。 众多学者与工业界人士近日签署了一份声明，声称他们将不会向 Nature 的新期刊《Nature Machine Intelligence》提交论文、提供评审或编辑服务，其中包括了很多我们耳熟能
BigQuant – 你的人工智能量化平台 – 可以无门槛地使用机器学习、人工智能开发量化策略，基于python，提供策略自动生成器
Remote Sensing 特刊"基于多源数据集和云计算的环境监测土地覆盖制图方法及应用"
【新智元导读】2016年度SCI期刊影响因子最新发布，新智元摘取其中有关人工智能、机器学习、计算机视觉、机器人学等领域的期刊，按影响因子排序并做简要介绍，希望对读者选择投稿期刊、阅读前沿技术论文有所裨益。同时，日前谷歌学术列出了 2006 年人工智能论文在过去10年中被引用次数的排名，其中 Hinton 等人的 Reducing the dimensionality of data with neural networks 排名第一，新加坡南洋理工大学黄广斌教授等人的 Extreme learning
Yoshua Bengio近日发表文章，展望深度学习的未来。原文如下： The Promise of Deep Learning Humans have long dreamed of creating machines that think. More than 100 years before the first programmable computer was built, inventors wondered whether devices made of rods and gears might
---- 新智元报道 【新智元导读】今天，Nature旗下新子刊 Nature Machine Intelligence（《自然 - 机器智能》）遭遇包括Jeff Dean、Ian Goodfellow、Yann LeCun、Yoshua Bengio等一众AI大牛的签名抵制，他们表示不会给这个刊物投稿，因它采取付费订阅的形式，而机器学习历来有开放访问的传统。 今天，一则消息经由Twitter、Reddit等国外论坛，在AI学术圈里悄悄蔓延。 Nature Research（自然科研）旗下的新子刊
机器学习(Machine Learning) 📷 解释讲述人工智能领域内的专业词汇和算法，是AI君在2018年最先要做的事情，我们第一个要讲的就是大名鼎鼎的“机器学习”。 机器学习，英文全称Machine Learning，是人工智能领域的一个重要学科，Tom M. Mitchell在其著作《Machine Learning》中指出，机器学习就是指“计算机利用经验自动改善系统自身性能的行为”。简言之，机器学习是指通过计算机学习数据中的内在规律性信息，获得新的经验和知识，以提高计算机的智能性，使计算机能够像人
Remote Sensing 专刊“谷歌地球引擎：基于云的地球观测数据和分析平台"
推荐系统算法常常用到逻辑回归算法，而传统的批量学习算法如 SGD 无法应对大规模、高维的数据集和实时数据流。为了解决这个问题，在线最优化算法如 TG [1]、FOBOS [2]、RDA [3]、FTRL [4,5,6] 应运而生，下面将介绍、对比这些算法。
各位同仁们好，我们最近在2023年IEEE进化计算国际会议（IEEE CEC） 上组织了关于“进化计算机视觉和图像处理” 的Special Session，将接收所有关于进/演化计算算法应用于解决计算机视觉和图像处理问题的论文。
全球数百位学者联手署名反对的事情并不太常见。这次，大名鼎鼎的学术期刊《自然》（Nature）杂志却被机器学习界的朋友们集体抵制了。
选自sebastianruder.com 作者：Sebastian Ruder 机器之心编译 参与：Jane W、黄小天 近日，自然语言处理方向博士生、AYLIEN 研究科学家 Sebastian Ruder 在其同名博客上发表了一篇长文，从多任务学习 MTL 的背景、现状、动机、方法、机制、实践等方面，全面而详实地对深度神经网络多任务学习（Multi-Task Learning in Deep Neural Networks）进行了深度介绍。机器之心对该文进行了编译，原文链接请见文末。 目录 1.介绍
摘要 JMLR杂志上最近有一篇论文，作者比较了179种不同的分类学习方法（分类学习算法）在121个数据集上的性能，发现Random Forest（随机森林）和SVM（支持向量机）分类准确率最高，在大多数情况下超过其他方法。本文针对“大数据分析到底需要多少种工具？”这一问题展开讨论，总结机器学习领域多年来积累的经验规律，继而导出大数据分析应该采取的策略。 1．分类方法大比武 大数据分析主要依靠机器学习和大规模计算。机器学习包括监督学习、非监督学习、强化学习等，而监督学习又包括分类学习、回归学习、排序学习、匹配
推荐系统算法常常用到逻辑回归算法，而传统的批量学习算法如 SGD 无法应对大规模、高维的数据集和实时数据流。为了解决这个问题，在线最优化算法如 TG [1]、FOBOS [2]、RDA [3]、FTRL [4,5,6] 应运而生，下面将介绍、对比这些算法。 TODO TG L1 正则化在 online 不能产生较好的稀疏性，而稀疏性对于高维特征向量以及大数据集又特别的重要。为解决这个问题，John Langford 等人在 2009 年提出 Truncated Gradient [1]。 SGD 对于传
网上有很多LaTeX软件，在线编辑器推荐Overleaf。但是我个人还是更喜欢离线写东西，所以尝试过各种编辑器，例如VSCode等等，这些编辑器都需要自己搭环境才能用，反正对于我们这种初学者而言门槛较高，而且浪费时间，所以下面介绍一个LaTeX组合可以让你直接上手体验LaTeX，而不需要挣扎在LaTeX的门口。
https://sites.google.com/site/narswang/home/agi-introduction/agi-education
Q-Learning 是最著名的强化学习算法之一。我们将在本文中讨论该算法的一个重要部分：探索策略。但是在开始具体讨论之前，让我们从一些入门概念开始吧。
找资料也是门学问，别抓着机器学习就一拥而上。 作者 | Jason Brownlee 编译 | AI100（ID:rgznai100） 来看个小故事：机器学习火了。 做开发的工程师小张，和做对冲基金的经理老王，都希望在自己的领域加入机器学习。 工程师小张，希望能在自己的软件项目中加入机器学习。而经理老王，则希望在量化交易中，更多借助机器学习的强大，来处理交易，从而占据市场先机。 老王有着多年的编程经验，小张则是多年的开发经验。两人分别让周围的朋友推荐一些书籍，买来自学。 不过，这两人很快就读不下去了，连
在论文写作的过程中，为了体现论文的科学性、严谨性和规范性，我们常常需要引用大量的参考文献来引证自己的观点。参考文献(Reference)往往都是放在论文的最后，记录了所引用论文的标题、作者、期刊或会议、出版时间等信息，文中还需要明确有顺序的进行引用标注。
本期将为大家介绍新加坡国立大学Cognitive AI for Science实验室招收博士研究生、实习生、博士后和访问学者的相关信息。 导师简介 刘钿渤是新加坡国立大学即将入职的助理教授，同时在医学院和电气与计算机工程系 （ECE）任教。他目前是麻省理工学院与哈佛大学布罗德研究所（Broad institute of MIT and Harvard） 的小组负责人。 刘钿渤的研究主要集中在两个方向：1) Cognitively inspired AI, 专注于 discrete structure 和
目标检测和深度学习 入门学习 计算机视觉：让冰冷的机器看懂这个多彩的世界 by 孙剑 [http://www.msra.cn/zh-cn/news/features/computer-vision-2
接下来，我们以潜在空间为基础介绍匹配模型。【1】中找到了搜索中语义匹配的完整介绍。具体来说，我们简要介绍了在潜在空间中执行匹配的代表性搜索方法，包括偏最小二乘（PLS）【2】，潜在空间中的规则化匹配（RMLS）【3】，以及监督语义索引（SSI）【4】【5】。
下图是2018年计算机科学领域的H-index排名前十，相信从中就是小白们也能看到不少熟悉的名字。
其它机器学习、深度学习算法的全面系统讲解可以阅读《机器学习-原理、算法与应用》，清华大学出版社，雷明著，由SIGAI公众号作者倾力打造。
I wanted to make this post for a long time, since not only I wanted to implement different kinds of optimization algorithms but also compare them to one another. And it would be bit boring to only compare the ‘traditional’ optimization so I will add in thr
机器学习是现阶段解决很多人工智能问题的主流方法，作为一个独立的方向，正处于高速发展之中。最早的机器学习算法可以追溯到20世纪初，到今天为止，已经过去了100多年。从1980年机器学习称为一个独立的方向开始算起，到现在也已经过去了近40年。在这100多年中，经过一代又一代人的努力，诞生出了大量经典的方法，在本文中，SIGAI将分有监督学习，无监督学习，概率图模型，深度学习，强化学习4个大方向对历史上出现的经典算法进行整理与总结，帮助大家理清机器学习这100多年来的发展历史，完成对机器学习的寻根问祖之旅。限于篇幅，我们无法对所有算法一一列举，只介绍有代表性的一部分。
作者 | HanQin Cai, Zehan Chao, Longxiu Huang
Machine Learning / Artificial Intelligence for S2S prediction
The ISPRS Journal of Photogrammetry and Remote Sensing (P&RS) is the official journal of the International Society for Photogrammetry and Remote Sensing (ISPRS). The Journal provides a channel of communication for scientists and professionals in all countries working in the many disciplines that employ photogrammetry, remote sensing, spatial information systems, computer vision, and related fields. The Journal is designed to serve as a source reference and archive of advancements in these disciplines. The P&RS objective is to publish high quality, peer-reviewed, preferably previously unpublished papers of a scientific/research, technological development or application/practical nature. P&RS will publish papers, including those based on ISPRS meeting presentations*, which are regarded as significant contributions in the above-mentioned fields. We especially encourage papers: of broad scientific interest; on innovative applications, particularly in new fields; of an interdisciplinary nature; on topics that have not been dealt with (or to a small degree) by P&RS or related journals; and on topics related to new possible scientific/professional directions. Preferably, theoretical papers should include applications, and papers dealing with systems and applications should include theoretical background. The scope of the journal is extensive and covers sensors, theory and algorithms, systems, experiments, developments and applications. Topics of interest include but are not limited to: Sensors: • Airborne and spaceborne multispectral and hyperspectral imaging systems • Airborne and terrestrial cameras • Airborne, terrestrial and mobile laser scanning • Range imaging • Active and passive imaging sensor characterisation • Sensor calibration and standardisation • Geosensor networks • Internet of Things Methods and procedures: • Spatial data handling technologies • Integrated sensor calibration and orientation • Surface and object reconstruction, modelling and interpretation • GIS data modelling, representation and structur
The 10th International Joint Conference on Knowledge Graphs (IJCKG 2021, in cooperation with ACM/SIGAI) is an academic forum on Knowledge Graphs. The mission of IJCKG 2021 is to bring together international researchers in the Knowledge Graph community and other related areas to present innovative research results or novel applications of Knowledge Graphs. IJCKG has evolved from the Joint International Semantic Technology Conference (JIST): a joint event for disseminating research results regarding the Semantic Web, Knowledge Graphs, Linked Data and AI on the Web.
上一篇文章跟大家分享了因子投资中的事实与误解，今天我们来讨论下“量化金融中机器学习的实验设计和常见陷阱”。一共汇总了三篇非常优秀的论文：
强化学习（Reinforcement Learning, RL）属于机器学习的一个分支，利用智能体（agent）通过状态感知、选择动作和接收奖励来与环境互动。每一步中，智能体都会通过观察环境状态，选择并执行一个动作，来改变其状态并获得奖励。
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 关于数据挖掘 提到收据挖掘（Data Mining， DM），很多想学习的同学大多数都会问我： 什么是数据挖掘？ 怎么培养数据分析的能力？ 如何成为一名数据科学家？ （简称数据挖掘工程师为DMer） 我认为，在学习DM之前你至少需要明白以下几点： 数据初期的准备通常占整个数据挖掘项目工作量的70%左右； 数据挖掘本身融合了统计学、数据库和机器学习等学科，并不是新的技术； 数据挖掘技术更
【导读】昨天 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
的基础上额外加入一个偏置项b，不过只要把x扩展出一维常数分量，就可以把带偏置项的线性函数归并到
AI 科技大本营按：本文节选自微软亚洲研究院机器学习研究团队刘铁岩、陈薇、王太峰、高飞合著的《分布式机器学习：算法、理论与实践》一书。为了让大家更好地理解分布式机器学习，AI科技大本营联合华章科技特别邀请到了本书的作者之一——微软亚洲研究院副院长刘铁岩老师进行在线公开课分享，详情请见文末信息，还有福利哦~~
本文共2434字，建议阅读5分钟。 本文为大家分享了73篇论文，介绍深度学习的方法策略以及关键问题分析。
来源：PaperWeekly 作者：王凌霄 本文共2434字，建议阅读5分钟。 本文为大家分享了73篇论文，介绍深度学习的方法策略以及关键问题分析。 这两天我阅读了两篇篇猛文 A Brief Survey of Deep Reinforcement Learning 和 Deep Reinforcement Learning: An Overview，作者排山倒海的引用了 200 多篇文献，阐述强化学习未来的方向。 论文：A Brief Survey of Deep Reinforcement Lear
导师简介 沈波是新泽西理工学院（New Jersey Institute of Technology）机械与工业工程系的助理教授。主要研究领域为：机器学习, 深度学习, 人工智能, 优化理论，及其在先进制造和医疗健康的应用。 他的论文多次发表 Journal of Machine Learning Research, IEEE Transactions on Automation Science and Engineering, Technometrics等期刊。他是弗吉尼亚理工杰出博士生，参与的工作曾获4
作者：张皓 【新智元导读】深度学习论文众多，而理解的前提是对基础概念的掌握。本文旨在直观系统地梳理深度学习各领域常见概念与基本思想，使读者对深度学习的重要概念与思想有一直观理解，从而降低后续理解论文及实际应用的难度。 引言 深度学习目前已成为发展最快、最令人兴奋的机器学习领域之一，许多卓有建树的论文已经发表，而且已有很多高质量的开源深度学习框架可供使用。然而，论文通常非常简明扼要并假设读者已对深度学习有相当的理解，这使得初学者经常卡在一些概念的理解上，读论文似懂非懂，十分吃力。另一方面，即使有了简单易用的
【导读】主题荟萃知识是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。主题荟萃为用户提供全网关于该主题的精华（Awesome）知识资料收录整理，使得AI从业者便捷学习和解决工作问题！在专知人工智能主题知识树基础上，主题荟萃由专业人工编辑和算法工具辅助协作完成，并保持动态更新！另外欢迎对此创作主题荟萃感兴趣的同学，请加入我们专知AI创作者计划，共创共赢！ 今天专知为大家呈送第一篇专知主题荟萃-深度学习知识资料全集荟萃 （入门/进阶/论文/代码/数据/专家等），请大家查看！专知访问www.zhuan
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
云直播
对象存储
