近年来，Adobe和Celsys等多媒体制作类软件开发公司一直在尝试将机器深度学习加入数字艺术软件中，希望通过消除耗时的人力工作来加快工作流程，以此给予画师更多时间来实践他们的创意。
未来，构建 ML 产品将更加有趣，并且这些系统会工作得更好。随着 ML 自动化工具的不断改进，数据科学家和 ML 工程师将把更多的时间花在构建优秀的模型上，而花在与生产级 ML 系统相关的繁琐但必要的任务上的时间会更少。
在这篇文章中，我们将简介其中的9篇满分（全8分）论文，它们最终都被接收为Talk 论文，届时论文作者会在大会上做长达十多分钟的演讲报告。
为了深入研究这一问题，来自谷歌的研究人员在NeurIPS上发表了一项对模型在数据集分布漂移情况下不确定性进行评测的工作，细致地分析了前沿的深度学习模型在数据分布漂移和处于分布外数据的作用下的不确定性。
最近，我们构建了一个将机器学习模型部署为 API 的开源平台—— Cortex，我们考虑了很久应该如何选择编程语言。最终的结果是代码库中有 87.5% 用的是 Go。经过一番比较，我们认为：Python 适用于机器学习，而 Go 适用于基础设施。
那么究竟如何衡量 AI 的智能水平？目前所宣传的「在 Dota 2 或围棋等单个游戏竞技项目中击败人类」是否宣示着超级智能 AI 即将出现呢？对超级智能 AI 的恐惧合理吗？
文字识别技术：是目前常用的一种AI能力。通过一个识别系统，把票据通过图像采集设备，然后通过文字识别技术把图像上的文字识别出来，再经过一个数据的结构化，最后输入到财务系统。这样能节约大量的人力物力，也能够提高效率及准确率。
还记得去年圣诞吗，黑镜出了一个特别篇——《黑镜：潘达斯奈基》，尽管黑镜系列被Netflix买下后已走下神坛，但也不能否认他们在技术上的创新。
Artificial Life（人工生命），常简称为 ALife。ALife 是什么？研究它的目的是什么？本文将带您共同回顾 ALife 简史，一起来看看 ALife 与人工智能的关系，共同展望 ALife 的未来。
在刚闭幕不久的 2019 年 NeurIPS 大会上，美国莱斯大学（Rice University）研究员 Anshumali Shrivastava 宣布他们在分布式深度学习方面取得了新的突破——MACH 算法。
在环境中保持稳定是所有生物共同的基本诉求，我们会不断努力追求确定性的环境和未来，并在与环境交互的过程中展现出一系列复杂的行为与能力。
谷歌AI负责人Jeff Dean 近日接受专访，讨论了2020 年机器学习领域趋势，他认为在规模更大的多任务学习和多模式学习方面，AI将取得新的里程碑。
尽管今天的机器人已经变得更加智能，且适应性更强，但运送轻小易碎物件这样的任务，对于双手僵硬的机器来说仍然很困难。
NeurIPS已经于上周末拉开了帷幕，相信小伙伴们已经开始学习各种放出的新论文新方法了。无论有没有去现场参会，这都是一场值得学习的饕餮盛宴。对于各种学术问题的前沿探讨，一定少不了workshop的影子。
公众号/机器之能 正如总裁克里斯蒂亚诺·阿蒙所言，“2020年会是5G走向主流的一年。”从2019年开始全球运 […]
2020，这个看似遥远实则只剩一个月就到来的年份，被不少作者设定为“未来发生年代”，在作者的想象中，这个神奇的年代拥有着高度发达的黑科技，人们也早已过上充满科技感的“未来生活”。
那么对于数据驱动的机器人方法也不仅仅需要发展优秀的强化学习算法，同时也需要建立大规模的机器人学数据。
Return to Top ▲
友情链接