首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
您找到你想要的搜索结果了吗?
是的
没有找到

卷到纯数学:MyEncyclopedia号主亲历并总结了一份AI工程师的纯数学课程学习之路

在入门机器人视觉和机器人运动后,开始逐步接触到了3D计算机视觉中的高阶数学概念,包括三维物体到二维图片的变换(术语称之为射影几何);三维欧氏空间的物体运动坐标系变换,分为主动变换(active)和被动变换(passive);另外在更高阶的计算机渲染中常会用到Mesh和黎曼曲面;此外,几何深度学习(Geometric Deep Learning)中也涉及到群论,李群等。这些迷之概念使得我对于本科高等数学课程(多元微积分,线性代数,概率论)后面的纯数学感到兴趣。本来一直觉得纯数学会非常难学,但是当我写了很多年代码和阅读了多个AI领域的众多论文之后,总有一些本质问题萦绕在心,得不到解释:

01

2017全球网络安全峰关注人工智能与未来的网络防卫

数字世界正在加速膨胀。在物联网(IoT)、宽带通信、更便宜的云存储和计算能力的帮助下,每个组织、公司和政府部门每时每刻都在产生关于一切事物的数据。虽然这些巨量的数字信息为提高任务的速度、准确性和效率提供了前所未有的机会,但也带来了一些明显的挑战。由于严重的网络拥堵和网路安全行业的落后,面对网络犯罪分子的攻击,各组织机构更加难以保护自己的网络和数据。如何处理由不断膨胀的数据带来的安全问题成为2017年6月14日-16日在乌克兰焦点城市基辅举办的全球网络安全峰会的焦点。 美国国家安全委员会前任网络安全政策主管N

07

Google Earth Engine(GEE)——高度可扩展的时间自适应反射率融合模型(HISTARFM)数据库

高度可扩展的时间自适应反射率融合模型(HISTARFM)数据库 HISTARFM数据库是一个高空间分辨率的月度反射率时间序列,并对云层数据缺口进行修正。该数据集是通过融合陆地卫星和中分辨率成像光谱仪(MODIS)的时间序列,以30米的分辨率创建的。该方法包括使用两个估计器,它们共同作用于消除随机噪声,并使Landsat光谱反射率的偏差最小化。第一个估计器是一个最佳内插器,它使用Landsat历史数据和来自最近的过道的融合MODIS和Landsat反射率生成Landsat反射率估计。融合过程采用了一个像素级的线性回归模型。第二个估计器是一个卡尔曼滤波器,用于纠正第一个估计器产生的反射率中的任何偏差。前言 – 床长人工智能教程HISTARFM提供了改进的反射率值和一个独特而有用的副产品--反射率不确定性,这对现实的误差计算有帮助(例如,计算植被指数或生物物理变量的误差条)。关于HISTARFM算法的更详细解释,请参考Moreno-Martinez等人的2020年手稿。

01

Science | ProteinMPNN : 基于深度学习的蛋白序列设计

本文介绍华盛顿大学的蛋白质设计科学家D. Baker在2022年9月15发表在Science研究工作Robust deep learning–based protein sequence design using ProteinMPNN。研究团队开发了一种基于深度学习的蛋白质序列设计方法 ProteinMPNN,它在计算机和实验测试中均具有出色的性能。天然蛋白质骨架上,ProteinMPNN 的序列恢复率为 52.4%,而 Rosetta 为 32.9%。不同位置的氨基酸序列可以在单链或多链之间偶联,从而能够应用于当前广泛的蛋白质设计任务。研究团队使用 X-ray晶体学、cryoEM 和功能研究通过挽救以前失败的蛋白质单体设计(使用 Rosetta 或 AlphaFold设计的蛋白质单体、环状同源寡聚体、四面体纳米颗粒和靶结合蛋白)证明了 ProteinMPNN 的广泛实用性和高精度,

01
领券