本文英文出处:Robbie Allen 翻译/吴楚 校对/田晋阳 机器学习的发展可以追溯到1959年,有着丰富的历史。这个领域也正在以前所未有的速度进化。在之前的一篇文章(https://unsupervisedmethods.com/why-artificial-intelligence-is-different-from-previous-technology-waves-764d7710df8b)中,我们讨论过为什么通用人工智能领域即将要爆发。有兴趣入坑ML的小伙伴不要拖延了,时不我待! 在今年秋季
机器学习的发展可以追溯到1959年,有着丰富的历史。这个领域也正在以前所未有的速度进化。在之前的一篇文章(https://unsupervisedmethods.com/why-artificial-intelligence-is-different-from-previous-technology-waves-764d7710df8b)中,我们讨论过为什么通用人工智能领域即将要爆发。有兴趣入坑ML的小伙伴不要拖延了,时不我待!
机器学习的发展可以追溯到1959年,有着丰富的历史。这个领域也正在以前所未有的速度进化。在今年秋季,开始准备博士项目的时候,精选了一些有关机器学习和NLP的优质网络资源。为了帮助也在经历类似探索过程的童鞋,Robbie Allen把至今发现的最好的教程汇总了一个列表。公众号后台回复:“清单”,获取本文学习清单地址。 本文分成四个部分,机器学习,NLP,Python,和数学基础。在每一小节我会随机引入一些问题。由于这方面学习材料太丰富了,本文并未涵括所有内容。 机器学习 1、机器学习就是这么好玩!(
【新智元导读】本文收集并详细筛选出了一系列机器学习、自然语言处理、Python及数学基础知识的相关资源和教程,数目多达200种!来源既包括斯坦福、MIT等名校,也有Github、Medium等热门网站上的技术教程和资料,筛选原则是内容尽量涵盖精华要点,避免重复。干货满满的一篇教程汇总,强烈建议大家收藏学习!
1. Apple发文讲Hey Siri wake word Personalized Hey Siri 链接:https://machinelearning.apple.com/2018/04/16
1. RL相关 1.1 inverse RL教程,第一部分就是讲Andrew Ng 20年前的奠基论文(我没读原论文,但是惊讶的发现居然全部是用的LP解的)。这个系列值得跟一下,我记得当时看Chelsea Finn的那篇GAN和IRL的论文完全懵逼,希望看完这个系列以后能懂 Inverse Reinforcement Learning pt. I 链接:https://thinkingwires.com/posts/2018-02-13-irl-tutorial-1.html 1.2 www.argmin
Prefrontal cortex as a meta-reinforcement learning system
链接:https://blog.twitter.com/engineering/en_us/topics/insights/2018/twittertensorflow.html
编辑|Vincent,Emily 近日,一位网友在知乎提问:谷歌翻译这几个月的进化速度突然加快是什么原因?问题链接: https://www.zhihu.com/question/55915702/answer/282532687 他描述道:曾经的印象中,谷歌翻译只是用来翻译单词、用来对文段粗解大意的。今天查文献的时候,一时懒得一个个查单词了(几乎都是专业英语),就扔给了谷歌翻译,结果产生了以下效果: 📷 从上图可以看得出,这一段文字不仅翻译通顺,而且句子中的中文语法也更加符合中国人的语言习惯,而并非像原来
图像分割 (Image Segmentation) 专知荟萃 入门学习 进阶论文 综述 Tutorial 视频教程 代码 Semantic segmentation Instance aware segmentation Satellite images segmentation Video segmentation Autonomous driving Annotation Tools: Datasets 比赛 领域专家 入门学习 A 2017 Guide to Semantic Segmentation
换了个新职位非常忙,我还会每周更新,但是估计是没时间仔细读论文了,所以评论可能就没什么深度了,精力有限,哎。 1. DeepMind新RL学习方式SAC-X,尝试通过auxiliary task来解决
选自Google Research 机器之心编译 参与:路雪 近日,谷歌开放语音命令数据集,发布新的音频识别教程,旨在帮助初学者利用深度学习解决语音识别和其他音频识别问题。 语音命令数据集地址:http://download.tensorflow.org/data/speech_commands_v0.01.tar.gz 音频识别教程地址:https://www.tensorflow.org/versions/master/tutorials/audio_recognition 在谷歌,我们经常被问到如何使
【导读】受大脑的启发,用大量数据训练的深神经网络可以以前所未有的精度解决复杂的任务。这本实用的书提供了一个端到端的TensorFlow实践指导,帮助你构建和计算机视觉训练神经网络,自然语言处理(NLP),语音识别,和一般的预测分析。 作者Tom Hope,Yehezkel Resheff,和Itay Lieder为数据科学家和工程师的学生和研究人员提供一个实用指引教程。你会通过一些基本的例子,然后进阶到更深的主题如神经网络结构,tensorboard可视化,tensorflow抽象库,多线程的输入管道。一旦
在过去的几年里,有不少讲深度学习的书籍。今天给小伙伴们推荐8本关于AI和机器学习的经典书籍,大部分都有完整版PDF下载。
本文介绍AI模型适用于小型本地设备上的方法技术:压缩模型参数量,设计更小的模型结构,知识蒸馏,调整数据格式,数据复用等,并介绍移动小处理设备的类型、适用移动设备的模型框架等。
DM.AI 高级架构师Nishant Shukla最新撰写的机器学习TensorFlow教程实战书籍(2017年12月出版)介绍基于TensorFlow工具来使用机器学习的教程原理和实现工具。 我们生活在一个大数据世界。能够近乎实时的决策变得越来越重要。为了取得成功,我们需要机器学习系统,将大量数据转化为有价值的见解。但是当你刚刚开始在数据科学领域,你如何开始创建机器学习应用程序?答案是TensorFlow,一个来自Google的新的开源机器学习库,他们使用自己的成功产品,如搜索,地图,YouTube,翻译
注意下面很多链接需要科学上网,无奈国情如此 1. Google相关的消息: 1.1 TF发布1.5正式版,跟之前提到的RC差不多,主要是增加了eager和lite,升级了CUDA和cuDNN的支持版本 链接:https://github.com/tensorflow/tensorflow/releases/tag/v1.5.0 1.2 Google和UCSF/Stanford/Chicago合作发的一篇用深度学习从EHR预测医院事件(病亡,住院等)论文。不太懂医学上应用,不过看到不光预测准确率提高了,而且在
: | ---: | ---: | ---: | ---: | ---: | | 0 | S001 | 怠涵 | 女 | 23 | 山东 | | 1 | S002 | 婉清 | 女 | 25 | 河南 | | 2 | S003 | 溪榕 | 女 | 23 | 湖北 | | 3 | S004 | 漠涓 | 女 | 19 | 陕西 | | 4 | S005 | 祈博 | 女 | 24 | 山东 |
新年快乐! 注意下面很多链接都需要访问外国网站,无奈国情如此。 1. RL相关 1.1 DeepMind发布IMPALA算法和新的RL测试环境DMLab-30 📷 IMPALA主要是利用了新提出的V-trace operator进行off-policy学习,还针对TF/cuDNN做了很多优化,最后效果是实现了在Atari 57个游戏任务里面一定程度上的transfer learning 📷 DMLab-30里面有30个新的任务,有些要测试long term memory,
李林 编译整理 量子位 报道 | 公众号 QbitAI Google今天推出了一个语音指令数据集,其中包含30个词的65000条语音,wav格式,每条长度为一秒钟。 这30个词都是英文的,基本是yes
如今有大量的资源可以用来学习计算机视觉技术,那我们如何从众多教程中进行选择呢?哪个值得我们去投入时间呢?
链接: https://adamj.eu/tech/2020/03/10/django-check-constraints-sum-percentage-fields/
导读:GitHub上一份机器学习完整路线引起了广泛关注,在短短的十个小时里已经收获了一千多个点赞。作者Giacomo回顾了自己三四年间学习机器学习的心路历程,毫无保留的分享出自己收藏的各种学习资源,工程,工具,awosome集合,教程以及各种实践经验。
选自谷歌 机器之心编译 参与:机器之心编辑部 近日,谷歌官方在 Github 开放了一份神经机器翻译教程,该教程从基本概念实现开始,首先搭建了一个简单的NMT模型,随后更进一步引进注意力机制和多层 LSTM 加强系统的性能,最后谷歌根据 GNMT 提供了更进一步改进的技巧和细节,这些技巧能令该NMT系统达到极其高的精度。机器之心对该教程进行简要的描述,跟详细和精确的内容请查看项目原网站。 GitHub 链接:https://github.com/tensorflow/nmt 机器翻译,即跨语言间的自动翻译,
选自THUNLP 机器之心编译 参与:路雪、刘晓坤 清华大学自然语言处理实验室近日发布了 OpenKE 平台,整合了 TransE、TransH、TransR、TransD、RESCAL、DistMult、HolE、ComplEx 等算法的统一接口高效实现,以及面向 WikiData 和 Freebase 预训练知识表示模型。该项目旨在为开发者与研究人员提供便利。 项目链接:http://openke.thunlp.org GitHub:https://github.com/thunlp/OpenKE Op
注意下面很多链接需要科学上网,无奈国情如此 1. TensorFlow开发者峰会昨天召开,我觉得有趣的演讲有 - TF Hub ("一键"transfer learning) - Swift支持 (Chris Lattner原来去Google Brain就是做这个) - tensorflow.js (deeplearn.js升级版) - performance tuning (这个部分我觉得讲的特别好) - TensorBoard Debugger (wow,牛B的工具!) - TF Lite (TF M
相关信息: VMware招聘机器学习和云原生开发工程师 VMware招聘内源开发工程师 VMware招聘应届生开发工程师 《Harbor权威指南》新书发布 1. 背景 ---- GPU作为一种加速器芯片,在机器学习,特别是深度学习中得到广泛的应用。但是,无论是企业、学校、医院或者政府单位,决定在人工智能领域进行投入时,领导却发现: 投入了100万,光买设备就花了80万,工程师还经常抱怨GPU资源不够用 当工程师雄心勃勃打算开始干活,却发现花了一个多星期,IT环境还没有搞好 究其原因,大致有以下三个:
主要包括计算机科学中基本的算法与数据结构,结合算法思想和Leetcode实战,总结介绍。
图像识别 Image Recognition 专知荟萃 入门学习 进阶文章 Imagenet result 2013 2014 2015 2016 2017 综述 Tutorial 视频教程 Datasets 代码 领域专家 入门学习 如何识别图像边缘? 阮一峰 [http://www.ruanyifeng.com/blog/2016/07/edge-recognition.html] CS231n课程笔记翻译:图像分类笔记 [https://zhuanlan.zhihu.com/p/20894041]
大数据文摘作品,转载要求见文末 作者 | 宁云州、钱天培 了解过去一周AI爆点,一篇就够了! 从本周起,大数据文摘将在每周二为你带来AI大事件专栏,总结过去一周中AI届的热点。 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? 就让文摘菌为你盘点上周的AI大事件吧~ 新闻 微软发布深度学习加速平台Brainwave,欲实现实时AI 来源:www.microsoft.com Brainwave是一个基于FPGA的深度学习系统,能够实
本项目是利用YOLOv4进行口罩佩戴检测,使用PyTorch实现。虽然现在国内疫情基本得到有效遏制,但防控仍不可过于松懈,在一些公共场合佩戴口罩还是必不可少的。基于此,自己做了该项目,后续打算继续改进,争取将其运行到边缘设备上。希望本项目能给疫情常态化防控出一份力,也希望真正的新年早日到来。
深度学习,在语音识别、图像识别、自然语言处理方面取得良好的效果,受到工业界的热捧。通往AI(人工智能)的道路是艰难的,深度学习取得的成绩,给AI的研究者带来了一点喜悦。真正实现跟人类一样的智能,还需要更多的突破,深度学习并不是AI的全部。但是,对于智能时代是一个福音,大量的数据积累,传统机器学习有他的不足之处。智能硬件的发展给深度学习插上了翅膀,GPU并行计算,加速了神经网络的计算速度。下面,整理一些业界比较经典的资料,帮助大家对深度学习有一个相对完整的认识。
动辄50万的毕业生年薪,动辄100万起步价的海归AI高级人才,普通员到底应不应该转型AI工程师,普通程序员到底应该如何转型AI工程师? 以下,AI科技大本营精选了三个特别典型的普通程序员成功转型AI的案例,也是知乎上点赞量相当高的案例: 第一案例为普通程序员,经过六个月从接触机器学习到颇有心得的切身体会。 第二个案例为只懂 ACM 竞赛相关算法的普通程序员,误打误撞接触到了数据挖掘,之后开始系统地了解机器学习相关的知识,如今已经基本走上了数据科学家之路的经验分享。 第三个案例为其他行业的普通程序员,具有
之前已经提到过图像卷积的操作和意义,并且用OpenCV中的filter2D函数实现了一些例子。OpenCV中的filter2D函数仅仅是用一个卷积核去卷积单个的图像矩阵,而在TensorFlow中,卷积操作主要用于CNN中的卷积层,所以输入不再仅仅局限与三维或一维的矩阵,卷积核的个数不再是单个,输出的通道数=卷积核的个数,为此TensorFlow提供了tf.nn.conv2d函数实现了一个卷积层的卷积操作。定义如下:
生成对抗网络(GAN)专知荟萃 一、理论学习 二、报告 三、教程 四、综述 五、中文博客资料 六、Github资源以及模型 七、最新研究论文 一、理论学习 训练GANs的技巧 参考链接:[http://papers.nips.cc/paper/6124-improved-techniques-for-training-gans.pdf] Energy-Based GANs 以及Yann Le Cun 的相关研究 参考链接:[http://papers.nips.cc/paper/4824-imagenet
结合不同机器学习模型预测的集成学习在神经网络中得到广泛使用以获得最优性能,它从其悠久历史和理论保证中受益良多,从而在 Netflix Prize 和多项 Kaggle 竞赛等挑战赛中取得胜利。但是,因其训练时间长、机器学习模型的选择要求领域专业知识,它们在实践中并不那么常用。而随着算力、深度学习专用硬件(如 TPU)的发展,机器学习模型将越来越大,集成技术也将越发重要。现在,想象一个工具,它能够自动搜索神经架构,学习将最好的神经架构集成起来构建高质量模型。
编译:ShanLIU、Chloe、笪洁琼、Harry 作者:Seth Weidman 阅读这篇文章的必要性: 无论是作为行业内的从业者还是一个组织,在开始深度学习应用之前,都需要掌握两件事: 1. 知其然:掌握一个基础概念,知道深度学习的最新发展可以实现什么。 2. 知其所以然:训练一个新模型或在生产环境下运行一个已有模型的技术能力 得益于开源社区的优势,我们获得“知其所以然”能力的途径越来越多。网上有大量优质的教程,讲解如何训练、使用深度学习模型的技术细节,例如借助TensorFlow这样的开源软件库来
导读:上一期给大家介绍让你成为优秀数据科学家的42个步骤。深入掌握数据准备,机器学习,SQL数据科学等。今天我们从细节上来把握,七步进入深度学习(文末更多往期译文推荐) 网上有很多的深度学习的免费学习资源,但是可能会对从哪里开始有些困惑。七步内从对深度神经网络的模糊理解到知识渊博的从业者(knowledgeable practitioner)! 深度学习是机器学习的一个分支,拥有很多的相似性,但是却也不同,深度神经网络结构在自然语言处理、计算机视觉、生物信息学和其他领域解决了各种各样的问题。深度学习经历了一
01 概念介绍 CUDA(Compute Unified Device Architecture 统一计算设备架构) CUDA(Compute Unified Device Architecture),是英伟达公司推出的一种基于新的并行编程模型和指令集架构的通用计算架构,它能利用英伟达GPU的并行计算引擎,比CPU更高效的解决许多复杂计算任务。 使用CUDA的好处就是透明。根据摩尔定律GPU的晶体管数量不断增多,硬件结构必然是不断的在发展变化,没有必要每次都为不同的硬件结构重新编码,而CUDA就是提供了一
前文《使用Python实现神经网络》和《TensorFlow练习1: 对评论进行分类》都是简单的Feed-forward Neural Networks(FNN/前向反馈神经网络) 。而RNN(Recurrent Neural Networks)循环神经网络要相对复杂,它引入了循环,能够处理数据有前后关系的问题,常用在自然语言处理上。
编译 | AI科技大本营(rgznai100) 参与 | 史天 聊天机器人到底是什么呢?说白了,就是计算机程序通过听觉或文本方法进行对话。 当今最流行的四个对话机器人是:苹果的Siri、微软Cortana、谷歌助理、亚马逊的Alexa。他们能够帮你查比分、打电话,当然,偶尔他们也会出错。 本文,我们主要会详细介绍聊天机器人在文本方面的运作。 在这篇文章中,我们将看到如何使用深度学习模型训练聊天机器人用我们所希望的方式在社交媒体上进行对话。 意图&深度学习 如何训练一个高水平的聊天机器人呢? 高水平的工作
因为我这里只是判断 【人没有带安全帽】、【人有带安全帽】、【人体】 3个类别 ,基于 data/coco128.yaml 文件,创建自己的数据集配置文件 custom_data.yaml
IT派 - {技术青年圈} 持续关注互联网、大数据、人工智能领域 动辄50万的毕业生年薪,动辄100万起步价的海归AI高级人才,普通员到底应不应该转型AI工程师,普通程序员到底应该如何转型AI工程师? 以下,精选了三个特别典型的普通程序员成功转型AI的案例,也是知乎上点赞量相当高的案例: 第一案例为普通程序员,经过六个月从接触机器学习到颇有心得的切身体会。 第二个案例为只懂 ACM 竞赛相关算法的普通程序员,误打误撞接触到了数据挖掘,之后开始系统地了解机器学习相关的知识,如今已经基本走上了数据科学家之路的
本文经AI新媒体量子位(公众号 ID: QbitAI)授权转载,未经允许不得二次转载
AI“脑补”能力一流,现在甚至已经能画出艺术品。热爱H漫的死宅们灵光一闪,AI是否也可以把马赛克阻挡的内容也画出来呢?
原文标题:15 Trending Data Science GitHub Repositories you can not miss in 2017 作者:SUNIL RAY 翻译:杨金鸿 校对:闵黎 本文长度为3400字,建议阅读5分钟 本文为你分享2017年最热门的GitHub项目列表。 简介 GitHub最初的只是一个控制软件版本的工具,如今已经发展成为由来自不同背景的GitHub使用者共享他们自己开发的工具/库,甚至是有用代码库。 GitHub是一座蕴藏了丰富资源的知识宝库,您不仅可以看到最优
【导读】当地时间 10月 22 日到10月29日,两年一度的计算机视觉国际顶级会议 International Conference on Computer Vision(ICCV 2017)在意大利威尼斯开幕。Google Brain 研究科学家 Ian Goodfellow 在会上作为主题为《生成对抗网络(Generative Adversarial Networks)》的Tutorial 最新演讲, 介绍了GAN的原理和最新的应用。昨天我们介绍了此内容,请查看 【干货】Google GAN之父Ian
注意下面很多链接需要科学上网,无奈国情如此 1. sentiment analysis的survey文章,前面略显累赘,后面还行 链接:https://arxiv.org/pdf/1801.07883.pdf 2. 微软用AirSim模拟器训练自驾车的教程,可以配合MIT自驾车的课一起学 链接:https://github.com/Microsoft/AutonomousDrivingCookbook/tree/master/AirSimE2EDeepLearning 3. Ali Rahimi(NIPS
领取专属 10元无门槛券
手把手带您无忧上云