1、Deep Feed-forward Auto-Encoder Neural Network to reduce dimension + Deep Recurrent Neural Network + ARIMA + Extreme Boosting Gradient Regressor
This repository contains the paper list of Graph Out-of-Distribution (OOD) Generalization. The existing literature can be summarized into three categories from conceptually different perspectives, i.e., data, model, and learning strategy, based on their positions in the graph machine learning pipeline. For more details, please refer to our survey paper: Out-Of-Distribution Generalization on Graphs: A Survey.
原文:https://www.analyticsvidhya.com/blog/2017/01/must-know-questions-deep-learning/ 介绍 早在2009年，深度学习只是一个新兴领域。 只有少数人认为它是一个富有成果的研究领域。 今天，它被用于开发一些被认为是难以做到的事情的应用程序。 语音识别，图像识别，数据集中的查找模式，照片中的对象分类，字符文本生成，自驾车等等只是几个例子。 因此，熟悉深度学习及其概念很重要。 在这次技能测试中，我们测试了我们的社区关于深度学习的基本概念
早在2009年，深度学习只是一个新兴领域。只有少数人认为它是一个富有成果的研究领域。今天，它被用于开发一些被认为是难以做到的事情的应用程序。
关于BP神经网络的原理可以参考我的上一篇文章：BP（Back Propagation）神经网络——原理篇
A curated list of papers on Neural Symbolic and Probabilistic Logic. Papers are sorted by their uploaded dates in descending order. Each paper is with a description of a few words. Welcome to your contribution!
Neural architectures trained with back-propagation of errors are susceptible to catastrophic forgetting. In other words, old information acquired by these models is lost when new information for new tasks is acquired. This makes building models that continually learn extremely difficult if not near impossible. The focus of the NAC group's research is to draw from models of cognition and biological neurocircuitry, as well as theories of mind and brain functionality, to construct new learning procedures and architectures that generalize across tasks and continually adapt to novel situations, combining input from multiple modalities/sensory channels. The NAC team is focused with developing novel, neurocognitively-inspired learning algorithms and memory architectures for artificial neural systems (for both non-spiking and spiking neurons). Furthermore, we explore and develop nature-inspired metaheuristic optimization algorithms, ranging from (neuro-)evolution to ant colony optimization to hybrid procedures. We primarily are concerned with the various sub-problems associated with lifelong machine learning, which subsumes online/stream learning, transfer learning, multi-task learning, multi-modal/input learning, and semi-supervised learning.
本项目旨在为自动化研究(特别是轻量级模型)提供信息。有兴趣的同学可以进行收藏或者在Github中推荐/提交项目（论文、项目仓库等）。
近日，清华大学NLP组总结了最近30年来机器翻译领域最重要的论文和学术文献目录，并在Github上公开放出。
根据万能近似定理、反向传播的理论铺垫，我们终于进入了实战阶段，让我们用 JS 写一个跑在浏览器的神经网络吧！
今天给大家介绍的文章来自美国基因泰克公司“Deep learning prediction of patient response time course from early data via neural-pharmacokinetic/pharmacodynamic modelling”，基于神经药代动力学/药效学建模的深度学习从早期数据预测患者的反应时间过程。目前，使用药代动力学或药效学 (PK/PD)方法对给药后的患者反应时间进行纵向分析，仍需要大量的人类经验和相关的专业知识。本文提出了一种新的PK/PD神经网络框架，将药理学原理与常微分方程(ODE)相结合，可以模拟患者对未经测试的给药方案的反应。分析了600多名患者组成的临床数据集的药物浓度和血小板反应，实验证明了该模型自动预测分析患者的反应时间过程的潜力。
- Hello Edge: Keyword Spotting on Microcontrollers -
版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/zhangjunhit/article/details/89468474
网址：https://github.com/zzw922cn/awesome-speech-recognition-speech-synthesis-papers
Stock Prediction Models - Gathers machine learning and deep learning models for Stock forecasting, included trading bots and simulations
Android P上介绍了那么多有关AI的功能，但是真正看起来，Android上AI还处于初级阶段，Android 8.0之后的源码中有一个新增目录：frameworks/ml，ml是机器学习的缩写，这个目录的级别非常高，等同于frameworks/base
1 ImageNet Classification with Deep Convolutional Neural Networks
不少人通过知乎或微信给我要论文的链接，统一发一下吧，后续还有DST、DPL、迁移学习在对话系统的应用、强化学习在对话系统的应用、memory network在对话系统的应用、GAN在对话系统的应用等论文，整理后发出来，感兴趣的可以期待一下。
【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十四篇专知主题荟萃-机器翻译知识资料大全集荟萃 （入门/进阶/综述/视频/代码/专家等），请大家查看！专知访问www.zhu
由于微信平台算法改版，公号内容将不再以时间排序展示，如果大家想第一时间看到我们的推送，强烈建议星标我们和给我们多点点【在看】。星标具体步骤为：
在微观拍摄上，这个小小的薄片对物体的还原度居然不逊于一堆透镜叠在一起，甚至画面还要更明亮一些。
Time: 15:00 pm - 18:00 pm, EST, Wednsday, February 3, 2021
最近报名了Udacity的深度学习基石，这是介绍了第二部分神经网络入门，第一篇是线性回归背后的数学. 本文notebook的地址是：https://github.com/zhuanxuhit/nd101/blob/master/1.Intro_to_Deep_Learning/2.How_to_Make_a_Neural_Network/python-network.ipynb
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。
深度神经网络繁多，各自的性能指标怎样？ 实际应用中，在速度、内存、准确率等各种约束下，应该尝试哪些模型作为backbone？
看到好东西，怎么能不分享呢。 第一次在知乎翻译，由于水平有限（不是谦虚的那种有限，是真的有限），有不准确的地方还望包涵，最重要的是，还望大佬们多多指正！ Background To the best of our knowledge, this is the first list of deep learning papers on medical applications. There are couple of lists for deep learning papers in general, o
GNN的研究进入下半场, 大家不再简单的关注结构设计, 而是转向研究fundamental problem, 比如表示能力, 过平湖, 解释性, 彩票假设等等.
图解LSTM LSTM Block Long_Short_Term_Memory Web Page TensorFlow官方LSTM教程（colah大神Blog）：Understanding LSTM
原文链接请点击阅读原文。 There are many deep learning resources freely available online,but it can be confusing knowing where to begin. Go from vague understanding of deep neural networks to knowledgeable practitioner in 7 steps! By Matthew Mayo. Deep learning is a
第五期飞跃计划还有两个名额，联系小编，获取你的专属算法工程师学习计划（联系小编SIGAI_NO2）
1 Neural Style Star：12122 Github：https://github.com/jcjohnson/neural-style 这个项目是对论文“A Neural Algorit
ex4.m %% Machine Learning Online Class - Exercise 4 Neural Network Learning % Instructions % ------------ % % This file contains code that helps you get started on the % linear exercise. You will need to complete the following functions % in this
继续来给大家分享github上的干货，一个『机器学习领域综述大列表』，涵盖了自然语言处理、推荐系统、计算机视觉、深度学习、强化学习等主题。
机器之心发布 机器之心编辑部 清华大学和字节跳动智能创作语音团队业内首次提出神经网络配音器，让 AI 根据配音脚本，自动生成与画面节奏同步的高质量配音。 影视配音是一项技术含量很高的专业技能。专业配音演员的声音演绎往往让人印象深刻。现在，AI 也有望自动实现这种能力。 近期，清华大学和字节跳动智能创作语音团队业内首次提出了神经网络配音器（Neural Dubber）。这项研究能让 AI 根据配音脚本，自动生成与画面节奏同步的高质量配音。相关论文 Neural Dubber: Dubbing for Vid
尽管机器学习的历史可以追溯到1959年，但目前，这个领域正以前所未有的速度发展。最近，我一直在网上寻找关于机器学习和NLP各方面的好资源，为了帮助到和我有相同需求的人，我整理了一份迄今为止我发现的最好
编辑 | MingMing 尽管机器学习的历史可以追溯到1959年，但目前，这个领域正以前所未有的速度发展。最近，我一直在网上寻找关于机器学习和NLP各方面的好资源，为了帮助到和我有相同需求的人，我整理了一份迄今为止我发现的最好的教程内容列表。 通过教程中的简介内容讲述一个概念。避免了包括书籍章节涵盖范围广，以及研究论文在教学理念上做的不好的特点。 我把这篇文章分成四个部分：机器学习、NLP、Python和数学。 每个部分中都包含了一些主题文章，但是由于材料巨大，每个部分不可能包含所有可能的主题，我将每
近年来，无论是在学术研究还是产业落地层面，关注的焦点都在从智能感知向智能决策阶段过渡。「决策 AI」逐渐成为热点课题，不管是谷歌、微软、IBM 等全球科技巨头，还是国内一众 AI 龙头企业，均积极投身于智能决策的相关研究。 其中，海量 AI 如何在大型开放世界做智能决策，是推动智能决策技术发展、加速社会智能化转型的重要问题，也是人工智能领域的技术难题之一。为深入研究海量 AI 前沿课题，超参数科技联合麻省理工学院、清华大学深圳国际研究生院，以及数据科学挑战平台 Alcrowd 主办了 Neural MMO
【独家编译】基于人工智能的医疗器械公司Neural Analytics获1500万美元B轮融资
【新智元导读】这里是近5年100篇被引用次数最多的深度学习论文，覆盖了优化/训练方法、无监督/生成模型、卷积网络模型和图像分割/目标检测等十大子领域。重要的论文能够超越其应用领域让人获益。新智元在每个领域都选择了一篇论文重点介绍，这将是你纵览深度学习研究绝好的开始。 这里是100篇被引用次数最多的深度学习论文，从海量的相关论文中脱颖而出。无论其应用领域是什么，都值得一读，而在其各自的领域，它们是必读之作。 此前已经有一些很棒的深度学习论文的榜单了，比如说Deep Vision和Awesome Recurre
最近，创业公司Neural Magic带来了一种名叫新的稀疏化方法，可以帮你解决烦恼，让你的深度学习模型效率“一节更比七节强”！
1.Blockwisely Supervised Neural Architecture Search with Knowledge Distillation（该论文在ImageNet数据集进行训练得到了78.4% top-1 accuracy ，比EfficientNet-B0高了2.1%个点）
机器之心报道 编辑：杜伟、陈萍 混合整数规划（MIP）是一类 NP 困难问题，来自 DeepMind、谷歌的一项研究表明，用神经网络与机器学习方法可以解决混合整数规划问题。 混合整数规划（Mixed Integer Program, MIP）是一类 NP 困难问题，旨在最小化受限于线性约束的线性目标，其中部分或所有变量被约束为整数值。混合整数规划的形式如下： MIP 已经在产能规划、资源分配和装箱等一系列问题中得到广泛应用。人们在研究和工程上的大量努力也研发出了 SCIP、CPLEX、Gurobi 和 X
回想一下这两年GNN的发展,貌似我知道的领域全都有GNN的身影. 这让我想起了<国产凌凌漆>中文西那把无所不能的终极杀人武器:夺命3000.
最近清华大学施路平老师团队的“天机”芯片引起了公众的广泛兴趣。我们课题组有幸参与了该项目的部分研究，主要是贡献了用连续吸引子神经网络模型（CANN）来实现自行车的视觉跟踪。很多朋友因而问起了CANN的细节，我正好借此机会介绍一下CANN。CANN及其应用是我课题组在过去20年的重点研究方向。简单说，CANN是大脑编码、储存、运算、及交流信息的正则化的（即普适性的）神经网络计算模型；硬件实现CANN对类脑智能的未来发展具有重要意义。
编译 | 陈彩娴 近日，DeepMind 与 Google Research 团队共同发布了一项工作，用神经网络与机器学习方法来解决混合整数规划（MIP）问题！ 论文地址：https://arxiv.org/pdf/2012.13349.pdf 在解决现实中遇到的大规模混合整数规划（Mixed Integer Programming, MIP）实例时，MIP 求解器要借助一系列复杂的、经过数十年研究而开发的启发式算法，而机器学习可以使用数据中实例之间的共享结构，从数据中自动构建更好的启发式算法。 在这篇工
继续来给大家分享github上的好东西，一个『机器学习领域综述大列表』，涵盖了自然语言处理、推荐系统、计算机视觉、深度学习、强化学习等主题。
摘要： 本文讲的是用深度学习解决自然语言处理中的7大问题，文本分类、语言建模、机器翻译等，自然语言处理领域正在从统计学方法转向神经网络方法。在自然语言中，仍然存在许多具有挑战性的问题。但是，深度学习方
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
即时通信 IM
对象存储
