IT思维

公众号/AI报道 人工智能正热。 技术创新是经济增长的根本动力。这些技术中，最重要的就是经济学家提到的“通用技 […]

对于机器人感知来说，RGB图加卷积网络已经变成了感知系统的标配。

为了将最新的计算机视觉模型引入移动设备，Facebook 开发了 QNNPACK，一个针对低强度卷积进行优化的函数库。

近日，著名机器学习教材《Pattern Recognition and Machine Learning》的作者Christopher Bishop教授更新了他的机器学习新书：Model-Based Machine Learning。

在机器人领域，强化学习和控制反馈用于帮助机器人实现特定的目标。

本文将用一个葡萄酒是不是好喝的例子，让你迅速了解整个机器学习的技术过程。

人工智能先驱、贝叶斯网络之父、美国计算机科学家 Judea Pearl 在最近的一篇论文中解释了基于数据统计的机器学习系统的一些局限性。

作为独立于监督和非监督机器学习之外的机器学习重要分支，强化学习在多学科多领域中发挥了重要的决策支持作用。

许多重要的神经网络架构都是在上世纪八十年代中期和九十年代早期完成的。

近年来，深度学习在解决模式识别问题方面发挥了关键作用。

大数据仍然是少数人的游戏——只占 1%。

始机器学习之旅，需要什么层次的数学功底？

As machine learning infiltrates society, scientists are trying to help ward off injustice.随着机器学习对社会各领域的渗透，科学家正努力去防止一些不公平的现象产生。

在斯坦福大学2018年医学健康机器学习大会上发表的一篇论文中，麻省理工学院Media实验室的研究人员详细介绍了一个模型，该模型可以使给药方案毒性更小，但仍然有效。

无监督学习的目标之一是不依靠显式的标注得到数据集的内在结构。自编码器是一种用于达成该目标的常见结构，它学习如何将数据点映射到隐编码中——利用它以最小的信息损失来恢复数据。

美丽的眼睛不仅是我们感受周围世界最主要的器官，而且也是心灵的窗户。

2015年，一位忧心忡忡的父亲向Rhema Vaithianathan提出一个问题，这个问题至今仍然困扰着她。

传统的情感计算模型利用一刀切的思想来训练模型，将在某一数据集上训练描绘不同表情的优化特征作为通用特征用于整个全新的新数据集。

美国2018年二季度GDP增速达4.1%，为4年来最高水平，但这更多的是临时政策刺激下的结果，可持续性不高。本文认为，AI和机器学习技术的大发展才是推动世界范围内生产力和经济增长的强劲、可持续的引擎。

设计新的药物分子需要手工进行，耗时且容易出错。但是麻省理工学院的研究人员已经朝着完全自动化的设计过程向前迈出了一步，这将大大加快设计过程，并获得更好的结果。机器学习模型可以帮助化学家更快地制造出具有更高功效的分子。

这样的能力将为生物学研究带来翻天覆地的变革，无论是癌症研究还是药物开发都将受益于新的观测方式，我们看到的细胞将不是扁平的二维截面，也不再是课本上一成变的图样，而是一个生命充满活力的生生不息！

在数据子集上对深度学习软件进行“训练”后，将深度学习软件应用到整个数据库中。人工智能准确识别晶体的几率大约95 %，据估计，人类发现晶体的正确率只有85 %。

我们所面临的这一次人工智能崛起，来自于数据量的增长和深度学习发展，传感器为智能体打造一个完全结构化的数据世界，再从中抽取规律，让智能体可以自主作业。

那么人工智能呢？ 虽然学者们对AI的细微差别提出了异议，但工业界正在使用这个术语来指代一种特定类型的机器学习。

由于BatchNorm可以加速训练并获得更加稳定的结果，近年来成为了一项在深度学习优化过程中被广泛使用的技巧。