长期以来,我一直主张,统计学家(及其他数据科学家)应该精通多门编程语言。15 年前,我说过这样一句话,“性能要求高的场景用 C,交互式数据分析和图表用 R,操作数据文件用 Perl。”现在,我会用 C++ 替换 C,用 Python 或 Ruby 替换 Perl,但基本思想保持不变:使用最合适的语言解决手头的问题。
机器学习虽然能够在很多地方显示出强大的力量,同时也被集成到了很多的商业流程中去,但它依旧有一些不完美的地方,今天我们就通过一些典型的例子来深刻感受一下机器学习的局限性。
Mark Cicero 和 Alexander Bilbily的团队赢得了2017年北美放射学会举办的机器学习挑战赛。
新一代人工智能“新”在哪?将人工智能的“炒作热”真正变成“落地热”,这可能才是未来3-5年中国人工智能发展的主题与核心。
尽管现在人工智能的发展速度达到了令人目眩的地步。但李飞飞依然认为它面临着诸多挑战,人类有责任让人工智能的发展能够帮助人类世界变得更加美好。
如今来自史密斯学会和哥斯达黎加理工学院的研究人员们正致力于更加充分地深入利用这些数据,将大数据分析、计算机数据和GPU计算技术结合起来,希望更深入地理解植物信息学。
“目前,检测一个地方有什么物种的最好方法是坐下来,卷起裤子,看看有什么蚊子咬你。” Sinka说,“但这显然是有一些不足的。”