人工智能
Cynomys
公众号@OpenSourceAI
土拨鼠是一个喜欢开源、热爱AI的团队。主要重心在翻译整理国内外优秀的论文、技术文献以及分享开源项目方面,希望能与大家一起学习和分享Al知识。
展开
-
深度强化学习:Pongs from Pixels
原文: http://karpathy.github.io/2016/05/31/rl/作者:Andrej Karpathy翻译:@Chen Quan这是有关“强化学习”(RL)的早就应该发表的博客文章。RL很热!您可能已经注意到,计算机现在可以自动学习玩ATARI游戏(从原始游戏像素开始!),它们在Go(译者注:Alpha Go)上击败了世界冠军,模拟的四足动物正在学习奔跑和跳跃,机器人正...翻译 2019-11-02 12:24:30 · 1011 阅读 · 0 评论 -
SF BAY ACM TALK:深层神经网络中的大规模自调整
原文:https://calculatedcontent.com/2019/04/01/sf-bay-acm-talk-heavy-tailed-self-regularization-in-deep-neural-networks/,md作者: Charles H Martin, PhD翻译:muzhoubai我的协作者在当地的旧金山湾ACMMeetup上就我们的研究发表了出色的工作。M...翻译 2019-11-02 12:18:32 · 266 阅读 · 0 评论 -
没有反向传播的深度学习
原文: http://iamtrask.github.io/2017/03/21/synthetic-gradients/作者:Andrew Trask翻译:@Chen Quan教程:DeepMind的合成梯度TLDR: 在本博文中,我们将(从头开始)进行原型设计,并了解DeepMind最近提出的使用合成梯度去耦神经接口的论文背后的直觉。第1部分:合成梯度概述通常,神经网络会将其预...翻译 2019-11-02 12:17:06 · 826 阅读 · 0 评论 -
帮助自动驾驶汽车转弯
原文链接: https://news.mit.edu/2019/helping-autonomous-vehicles-see-around-corners-1028原文作者:Rob Matheson | 麻省理工学院新闻办公室翻译者:Qiang He通过检测阴影中的微小变化,新系统可以识别可能引起碰撞的接近物体为了提高自主系统的安全性,麻省理工学院的工程师开发了一种系统,该系统可...翻译 2019-11-02 12:15:27 · 787 阅读 · 0 评论 -
宇宙是随机的吗?
原文: http://iamtrask.github.io/2017/06/19/randomness/作者: Andrew Trask翻译:@Chen Quan关于在日益可预测的世界中不可预测性的几点思考…TLDR: 我最近想知道宇宙是否真的是随机的,我想我会写下一些关于这个问题的想法。请注意,这篇文章更多的是分享我的个人经历,而不是教授技能或工具(与许多其他博客文章不同)。随时在T...翻译 2019-11-02 12:13:13 · 1271 阅读 · 0 评论 -
使用LPCNet的高质量,轻量级和自适应文本语音转换(TTS)
原文: https://www.ibm.com/blogs/research/2019/09/tts-using-lpcnet/作者: Zvi Kons, Slava Shechtman, and Alex Sorin翻译:@Chen Quan深度学习的最新进展通过更有效地学习说话者的语音和说话方式以及更自然地生成高质量的输出语音,极大地改善了语音合成(TTS)系统的开发。然而,为了产生这...翻译 2019-11-02 12:11:13 · 1717 阅读 · 0 评论 -
什么是MAP?
作者: Zygmunt Z. | 2012-08-09 | Kaggle, basics链接: http://fastml.com/what-you-wanted-to-know-about-mean-average-precision翻译: Nansen | 2019-10-30 | Cynomys,MLWhat you wanted to know about Mean Average ...翻译 2019-11-02 12:07:43 · 4631 阅读 · 0 评论 -
XGBoost调优指南
作者: Quan Chen一. XGBoost介绍XGBoost算法可以给预测模型带来能力的提升。它具有很多优势:正则化标准GBM的实现没有像XGBoost这样的正则化步骤。正则化对减少过拟合也是有帮助的。实际上,XGBoost以“正则化提升(regularized boosting)”技术而闻名。并行处理XGBoost可以实现并行处理,相比GBM有了速度的飞跃。xgboos...原创 2019-11-02 12:04:31 · 483 阅读 · 0 评论 -
通过匹配感知特征学习隐式生成模型
原文: https://www.ibm.com/blogs/research/2019/10/learning-implicit-generative-models/作者: Inkit Padhi and Youssef Mroueh翻译:@Chen Quan计算机视觉社区在通过大型数据集上的预训练模型训练深度卷积神经网络(DCNN)方面取得了成功,从而在对象检测,样式转换,视频识别和超分辨...翻译 2019-11-02 12:02:10 · 558 阅读 · 0 评论 -
编译新型Omnipush数据集的关键是构建模块化对象
原文链接: https://news.mit.edu/2019/pushy-robots-learn-fundamentals-object-manipulation-1022原文作者: Rob Matheson翻译人: HeQiang进取的机器人学习对象操纵的基础摘要:系统从新颖的数据集中“学习”,该数据集捕获被推动对象的运动方式,以改善其与新对象的物理交互。麻省理工学院的研究人员已经...翻译 2019-11-02 11:47:20 · 196 阅读 · 0 评论