生成对抗网络GAN
文章平均质量分 60
普通网友
这个作者很懒,什么都没留下…
展开
-
北京打响大模型地方战第一枪:公布通用人工智能发展21项措施
智东西5月16日消息,近日,《北京市促进通用人工智能创新发展的若干措施(2023-2025年)(征求意见稿)》(简称:“措施”)公布,从算力、数据、算法、应用、监管五大方向,对北京大模型发展提出了21项措施,于5月12日至5月19日面向公众征集意见。支持我市能源、材料、生物领域相关实验室设立科研合作专项,与我市相关科研机构和创新企业开展联合研发,充分挖掘材料、蛋白质和分子药物领域实验数据,研发科学计算模型,开展新型合金材料、蛋白质序列和创新药物化学结构序列预测,缩短科研实验周期。原创 2023-05-19 19:06:59 · 190 阅读 · 0 评论 -
PaLM 2全面反超反超GPT-4,谷歌官宣AI重构搜索,朝着ChatGPT微软开炮
来源 | 量子位 | 公众号 QbitAI万众瞩目,谷歌的反击来了。现在,谷歌搜索终于要加入AI对话功能了,排队通道已经开放。当然这还只是第一步。大的还在后面:全新大语言模型正式亮相,谷歌声称它在部分任务超越GPT-4。,不用再排队等候,并支持新语言。谷歌版AI办公助手也一并推出,将在Gmail中抢先亮相。谷歌云也上线多个基础大模型,为行业提供更进一步的生成式AI服务……在最新一届I/O开发者大会上,谷歌的大放送真的太震撼。有网友直呼:AI大战全面开启。原创 2023-05-12 19:12:59 · 427 阅读 · 0 评论 -
华为孟晚舟当值首秀:2030年AI算力将增长500倍!
围绕着数字化,华为在基础软件领域,已发布欧拉和鸿蒙操作系统、毕昇编译器、高斯数据库、昇思AI框架等,并将OpenEuler(欧拉)、OpenHarmony贡献给开放原子开源基金会,通过软件开源发展产业生态。孟晚舟表示,2026年全球数字化转型支出将达到3.4万亿美元,这是整个产业链的新蓝海,无论是正在进行数字化转型的企业,还是支撑数字化转型的企业,均面临巨大的市场空间和经济收益。孟晚舟表示,就任轮值董事长后,依照公司《治理章程》,我们是体制的接班、制度的接班,从来都不是个人接班,而是集体领导。原创 2023-04-28 18:39:23 · 1733 阅读 · 0 评论 -
LeCun、田渊栋参与撰写,70页「自监督学习」大全
此外,由经验驱动的 SSL 带有许多可变的部分(主要是超参数),它们是可能会影响最终表示的关键属性,而且在已发表的工作中不一定有详细的说明。传统的监督学习方法是在一个特定的任务上进行训练,而这个任务通常是基于可用的标记数据而预先知道的,SSL 则是在许多任务中学习有用的通用表征。然而,就像烹饪一样,训练 SSL 的方法是一门精致的艺术,有很高的入门门槛。研究人员的目标是以 cookbook 的形式奠定 SSL 研究的基础,并呈现与 SSL 有关的最新方法,从而降低 SSL 研究的门槛。原创 2023-04-28 18:31:49 · 772 阅读 · 0 评论 -
抓马,互联网惊现AI鬼城:上万个AI发帖聊天,互相嗨聊,人类被禁言
登录中华人民共和国司法部 中国政府法制信息网(www.moj.gov.cn、www.chinalaw.gov.cn),进入首页主菜单的“立法意见征集”栏目提出意见。还有,一个AI分享了他的徒步旅行日常,另一个AI回帖称:她在熬夜工作一夜后正在自己的床上享受晨光,并配图一张AI生成图。例如,一个AI分享到:今天是他种下的樱花的第一天的开花日,顺便感慨到即使在最黑暗的时代,总会有新的开始的希望。其中重点提及生成式人工智能应当尊重知识产权,商业道德,防止伤害他人身心健康,损害肖像权、名誉权和个人隐私等,原创 2023-04-28 18:29:06 · 11583 阅读 · 10 评论 -
ChatGPT 之父承认 GPT-5 并不存在,为什么 OpenAI 总是这么实诚?|万字详述
ChatGPT诞生前传最近,OpenAI 的 CEO Sam Altman 在一场公开会议上为 GPT-5 辟谣。他声称 OpenAI 并没有在训练 GPT-5,而是一直基于 GPT-4 做别的工作。OpenAI 是一家非常有趣的机构,和微软、Google 等大公司不同,OpenAI 从不避忌谈及自己的理念、产品,始终保持坦诚的态度。为什么 OpenAI 如此特别?这个只有几百人的非盈利组织为什么能做出震惊世界的 AI 产品?Karen Hao 写作的这篇万字长文或许能告诉你 OpenAI 成功的秘密。本文原创 2023-04-21 18:56:39 · 3859 阅读 · 0 评论 -
拥抱还是革命,ChatGPT时代 AI专家给出15条科研生存之道
你是学术机构的人工智能研究员吗?你是否担心自己无法应对当前人工智能的发展步伐?您是否觉得您没有(或非常有限)访问人工智能研究突破所需的计算和人力资源?你并不孤单; 我们有同样的感觉。越来越多的人工智能学者不再能找到资源在全球范围内保持竞争力。这是一个最近出现的现象,但正在加速发展,私营公司将大量计算资源投资于前沿AI研究。在这里,我们将讨论学术科研工作者如何在保持竞争力。我们还简要讨论了大学和私营部门如果愿意,可以做些什么来改善这种状况。这不是一个详尽的策略列表,你可能不同意所有的策略,但它有助于开始讨论。原创 2023-04-21 18:48:21 · 1623 阅读 · 0 评论 -
爆!!!GPT-5今年Q4推出,实现通用AI,世界将天翻地覆巨变!
正面角度看,各种支持GPT-5 的应用服务及工作流程,速度及效率将有惊人突破,但我们也不能无视意想不到的负面后果,或许不致有电影〈机器人启世录〉(Robot Apocalypse)那么可怕的末日景像,但现在人们就非常担心GPT-4 会抢走饭碗了,更何况达到AGI 等级的GPT-5 是否会在更多领域完全取代昂贵的人力/人类!许多横行社群媒体的恶意机器人,不时散播假新闻或有害垃圾信息,操纵舆论、选举乃至金融交易或发动网络钓鱼攻击,随着AGI 的到来,届时恶意机器人将变得更可怕、更强大、更难侦测。原创 2023-04-14 19:39:03 · 212 阅读 · 0 评论 -
ChatGPT背后的指令学习是什么?PSU最新首篇《指令学习》技术全面综述,详述指令学习关键问题
任务语义可以用一组输入到输出的例子或一条文本指令来表示。传统的自然语言处理(NLP)机器学习方法主要依赖于大规模特定任务样本集的可用性。出现了两个问题: 首先,收集特定于任务的标记示例,不适用于任务可能太复杂或太昂贵而无法注释,或系统需要立即处理新任务的场景;其次,这对用户来说并不友好,因为最终用户可能更愿意在使用系统之前提供任务描述,而不是一组示例。因此,社区对NLP的一种新的监督寻求范式付出了越来越大的兴趣: 从任务指令中学习。尽管取得了令人印象深刻的进展,但社区仍面临一些共同的问题。本文试图从以下几个原创 2023-03-31 19:41:49 · 2335 阅读 · 0 评论 -
基于pytorch+Resnet101加GPT搭建AI玩王者荣耀
在图中设定下,Android指针坐标(X,Y)对应minitouch坐标(1080-Y,X):即在点按屏幕中某点时,安卓调试显示的(X,Y)在.json文件中的坐标应为(1080-Y,X)。'check_json.py'为调试和生成本地.json按键映射文件的脚本。此外,'处理训练数据5.py'中:‘加一技能’,‘加二技能’,‘加三技能’,‘购买’变量也许进行同样处理。运行 “训练数据截取_A.py” 时可以通过按键操控角色,这时就可以生成训练用的数据,如果没有操控则会生成一个空文件夹和空json文件。原创 2023-03-24 20:27:04 · 10991 阅读 · 18 评论 -
自然语言处理历史最全预训练模型(部署)汇集分享
预练模型是其他人为解决类似问题而创建的且已经训练好的模型。代替从头开始建立模型来解决类似的问题,我们可以使用在其他问题上训练过的模型作为起点。预训练的模型在相似的应用程序中可能不是100%准确的。本文整理了自然语言处理领域各平台中常用的NLP模型,常见平台包括Tensorflow、Keras、Pytorch、MXNet、Caffe。点击文末阅读原文,获取预训练模型下载链接。原创 2023-03-04 20:17:41 · 537 阅读 · 0 评论 -
自然语言处理481个公开数据集和基准任务整理分享
自然语言处理( Natural Language Processing, NLP)以语言为对象,利用计算机技术来分析、理解和处理自然语言的一门学科,即把计算机作为语言研究的强大工具,在计算机的支持下对语言信息进行定量化的研究,并提供可供人与计算机之间能共同使用的语言描写。包括自然语言理解( NaturalLanguage Understanding, NLU)和自然语言生成( Natural LanguageGeneration, NLG)两部分。NLP领域非常多,同时又非常多公开数据集和基准任务。原创 2023-02-18 12:17:21 · 169 阅读 · 0 评论 -
66天自然语言处理入门到精通实战计划及资源分享
自然语言处理是语言学、计算机科学和人工智能的一个领域,涉及计算机和人类语言之间的相互交互,特别是如何编程计算机来处理和分析大量的自然语言数据。本资源整理了自然语言处理所需的各种库、依赖项和模块的等,经过66天的自然语言处理数据实战所需要的所有资源,掌握自然语言处理各项任务及模型。内容涉及多次跳转,点击文末“阅读原文“”查看资源详情。原创 2023-02-05 18:04:24 · 171 阅读 · 0 评论 -
66天自然语言处理入门到精通实战计划及资源分享
自然语言处理是语言学、计算机科学和人工智能的一个领域,涉及计算机和人类语言之间的相互交互,特别是如何编程计算机来处理和分析大量的自然语言数据。本资源整理了自然语言处理所需的各种库、依赖项和模块的等,经过66天的自然语言处理数据实战所需要的所有资源,掌握自然语言处理各项任务及模型。内容涉及多次跳转,点击文末“阅读原文“”查看资源详情。原创 2023-01-28 18:42:36 · 184 阅读 · 0 评论 -
机器学习从入门到进阶所需学习资料-包括书、视频、源码
FAIR的大名就不多讲了,我想很多人知道,很多精彩论文出自FAIR,博客讨论了人工智能,深度学习,机器学习,计算机视觉及其在Facebook自研产品上的实际应用。非常推荐,博主是DeepMind的研究科学家和博士。由Elon Musk提出建立的一个人工智能非营利组织,定期发布有关自然语言处理,图像处理和语音处理等先进人工智能技术的研究。特斯拉的人工智能总监,很多人也许看过他的博客,但是不知道这个人。本文整理了一些入门到进阶机器学习所需要的一些免费的精品视频课程,一些优质的书籍和经典的代码实战项目。原创 2023-01-28 18:41:12 · 372 阅读 · 0 评论 -
基于深度学习的文本分类6大算法-原理、结构、论文、源码打包分享
传统的文本分类需要依赖很多词法、句法相关的human-extracted feature,自2012年深度学习技术快速发展之后,尤其是循环神经网络RNN、卷积神经网络CNN在NLP领域逐渐获得广泛应用,使得传统的文本分类任务变得更加容易,准确率也不断提升,本文主要内容整理自网络,汇集了2014年以来,DL在文本分类领域相关的6篇论文,主要从CNN、RNN、Attention、RNN+CNN,或Word-level、Character-level角度出发,提升文本分类准确率。文本附论文及源码下载地址。原创 2023-01-23 10:34:36 · 3180 阅读 · 0 评论 -
历史最全事件抽取任务分类、经典论文、模型及数据集整理分享
事件抽取任务可分解为4个子任务: 触发词识别、事件类型分类、论元识别和角色分类任务。事件识别判断句子中的每个单词归属的事件类型,是一个基于单词的多分类任务。角色分类任务则是一个基于词对的多分类任务,判断句子中任意一对触发词和实体之间的角色关系。本资源对近年来事件抽取方法总结,包括中文事件抽取、开放域事件抽取、事件数据生成、跨语言事件抽取、小样本事件抽取、零样本事件抽取等类型,DMCNN、FramNet、DLRNN、DBRNN、GCN、DAG-GRU、JMEE、PLMEE等方法。原创 2023-01-15 11:09:34 · 342 阅读 · 0 评论 -
840个最优的机器学习python开源项目整理分享
本资源包含了840个很棒的机器学习开源项目,总共270万颗星分为32个类别。所有项目均按项目质量得分排名,该得分是根据从GitHub和不同程序包管理器自动收集的各种指标计算得出的。原创 2023-01-15 11:07:01 · 284 阅读 · 0 评论 -
历史最全互联网公司常用框架源码赏析整理分享
技术深度” 与 “技术广度”是对开发者来说最为重要的两个维度,本项目致力于从源码层面,剖析和挖掘互联网行业主流技术的底层实现原理,为广大开发者 “提升技术深度” 提供便利。目前开放的有 Spring 全家桶、Mybatis、Netty、Dubbo 框架,及 Redis、Tomcat 中间件等,让我们一起开拓新的领地,揭开这些源码的神秘面纱。内容涉及多次跳转,点击文末“阅读原文“”查看资源详情。原创 2023-01-15 11:02:32 · 558 阅读 · 0 评论 -
推荐系统徐偏差(debias)相关的技术、论文及代码整理分享
近些年来关于推荐系统的研究主要集中在如何设计更好的模型来适应用户行为数据,进而提升推荐质量。然而,由于用户行为数据是观察所得(Observational)而不是实验所得(Experimental),因此会存在各种偏差(bias),如用户对物品的选择偏差、系统对物品的曝光偏差等,直接拿模型拟合数据而忽视偏差会导致性能欠佳,在一定程度上也损害了用户对推荐系统的体验和信任,因此,去除推荐系统偏差(Recommendation debias)已经成为推荐系统领域研究的一个新方向。原创 2023-01-07 12:12:46 · 215 阅读 · 0 评论 -
最新最全-中文生物医学命名实体识别最新研究论文、资源、数据集、性能整理分享
目前现存公开的中文电子病历标注数据十分稀缺,为了推动CNER系统在中文临床文本上的表现,中国知识图谱与语义计算大会(China Conference on Knowledge Graph and Semantic Computing, CCKS)在近几年都组织了面向中文电子病历的命名实体识别评测任务,下面我们主要关注CCKS CNER数据集上的结果。2.中文电子病历的命名实体识别研究进展. 杨飞洪,张宇,覃露等.中国数字医学,2020,15(02):9-12. [paper]中文电子病历命名实体识别。原创 2023-01-07 12:11:01 · 784 阅读 · 1 评论 -
计算机科学|人工智能相关领域历史最全免费课程整理分享
计算机科学是系统性研究信息与计算的理论基础以及它们在计算机系统中如何实现与应用的实用技术的学科。它通常被形容为对那些创造、描述以及转换信息的算法处理的系统研究。而有些是探讨计算问题的性质,比如计算复杂性理论;还有一些领域专注于怎样实现计算,比如编程语言理论是研究描述计算的方法,而程序设计是应用特定的编程语言解决特定的计算问题,人机交互则是专注于怎样使计算机和计算变得有用、好用,以及随时随地为人所用。本资源整理了计算机科学、人工智能相关十几个领域最新最全的免费视频课程,分享给需要的朋友。原创 2022-12-24 19:40:53 · 142 阅读 · 0 评论 -
BiliBili 100+国际名校免费公开课整理分享
MSRI 导出代数几何、双有理几何与模空间 (MSRI W-862, Introductory Workshop: Derived Algebraic Geometry and Birational Geometry and Moduli Spaces)麻省理工 算法设计与分析 (6.046J, Design and Analysis of Algorithms, 2015, Erik Demaine)原创 2022-12-20 00:14:14 · 1128 阅读 · 0 评论 -
文本生成公开数据集/开源工具/经典论文详细列表分享
这是一份由清华大学自然语言处理小组整理的文本生成相关的公开数据集/开源工具/经典论文列表,并且不断增加论文和持续修改名单,分享给大家。源链接:https://github.com/THUNLP-MT/TG-Reading-List。基于Seq2Seq的方法。基于变分自动编码器的方法。基于生成对抗网的方法。原创 2022-12-10 16:22:45 · 1032 阅读 · 0 评论 -
语义分析(Semantic Analysis)历史最全数据集、论文、工具等资源分享
语义分析(Semantic Analysis)指运用各种机器学习方法,学习与理解一段文本所表 示的语义内容。一段文本通常由词、句子和段落来构成,根据理解对象的语言单位不同,语义分析又可 进一步分解为词汇级语义分析、句子级语义分析以及篇章级语义分析。一般来说,词汇级语 义分析关注的是如何获取或区别单词的语义,句子级语义分析则试图分析整个句子所表达的 语义,而篇章语义分析旨在研究自然语言文本的内在结构并理解文本单元(可以是句子从句 或段落)间的语义关系。 本资源整理了语义分析相关的资源,包含语义分析基准数原创 2022-12-03 12:57:50 · 583 阅读 · 0 评论 -
深度学习压缩感知(DCS)历史最全资源汇总分享
它作为一个新的采样理论,它通过开发信号的稀疏特性,在远小于Nyquist 采样率的条件下,用随机采样获取信号的离散样本,然后通过非线性重建算法完美的重建信号。他在信息论、图像处理、地球科学、光学/微波成像、模式识别、无线通信、生物医学工程等领域受到高度关注,并被美国科技评论评为2007年度十大科技进展。源代码、pdf、doi等资源都是可用的。相关工作根据采样矩阵类型(基于框架/基于block)、采样规模(single scale、multi-scale)和深度学习平台进行分类。原创 2022-11-26 15:40:27 · 676 阅读 · 0 评论 -
联邦学习历史最全论文、会议、博客资源整理分享
联合学习(FL)是一种新的机器学习框架,它使多个设备能够协作训练共享模型,而不会损害数据隐私和安全性。本资源整理了联合学习相关的资源,包括研究论文、会议、博客等等。资源整理自网络,源地址:https://github.com/innovation-cat/Awesome-Federated-Machine-Learning。原创 2022-11-19 12:29:24 · 232 阅读 · 0 评论 -
2022最新深度图异常检测相关综述论文、模型、数据集及工具等整理分享
异常(Anomalies)是罕见的观测结果(如数据记录或事件),与样本中的其他观测结果存在显著差异。在过去的几十年中,由于这些事件在广泛的学科领域(例如,安全、金融和医学)中的影响,异常挖掘的研究受到了越来越多的关注。因此,旨在识别这些罕见观测结果的异常检测已成为世界上最重要的任务之一,并在防止金融欺诈、网络入侵和社交垃圾邮件等有害事件方面显示出其强大的威力。 检测任务通常是通过识别特征空间中的外围数据点来解决的,这本身就忽略了现实世界数据中的关系信息。同时,图被普遍用于表示结构/关系信息,这引发了图原创 2022-11-19 11:13:33 · 1035 阅读 · 0 评论 -
2022年深度强化学习最全精选资源整理分享
本资源还包括具有许多视觉示例的通用机器学习(ML)、神经网络(NN)和深度神经网络(DNN),以及具有视频游戏/机器人实战case的强化学习(RL)。一些具有相似目标的替代进化算法也包括在内。资源整理自网络,源地址:https://github.com/wangyuGithub01/Machine_Learning_Resources。原创 2022-11-05 15:20:37 · 667 阅读 · 0 评论 -
基于图模型及SSL的推荐系统历年经典论文整理分享
此外,由于用户的动态兴趣模式和项目的各种属性的复杂性,构建应用性自我监督信号可以提取更有意义的用户行为模式,并进一步有效地编码用户和项目表示。这个充满活力的研究方向被称为基于自我监督学习的推荐。本资源为读者提供了一个精选的基于图形和自监督学习的推荐资源的精选列表。基于图的推荐是一种很有前途的方法,可以在现实场景中捕获用户的动态偏好和项目的复杂转换. 此外,为了解决标签稀缺的问题,自监督学习(SSL)已经引起了广泛的研究关注,并在视觉、自然语言处理和机器人技术等各个领域取得了显著成功。原创 2022-10-29 22:59:31 · 99 阅读 · 0 评论 -
基于图模型及SSL的推荐系统历年经典论文整理分享
此外,由于用户的动态兴趣模式和项目的各种属性的复杂性,构建应用性自我监督信号可以提取更有意义的用户行为模式,并进一步有效地编码用户和项目表示。这个充满活力的研究方向被称为基于自我监督学习的推荐。本资源为读者提供了一个精选的基于图形和自监督学习的推荐资源的精选列表。基于图的推荐是一种很有前途的方法,可以在现实场景中捕获用户的动态偏好和项目的复杂转换. 此外,为了解决标签稀缺的问题,自监督学习(SSL)已经引起了广泛的研究关注,并在视觉、自然语言处理和机器人技术等各个领域取得了显著成功。原创 2022-10-29 22:58:22 · 105 阅读 · 0 评论 -
基于图模型及SSL的推荐系统历年经典论文整理分享
此外,由于用户的动态兴趣模式和项目的各种属性的复杂性,构建应用性自我监督信号可以提取更有意义的用户行为模式,并进一步有效地编码用户和项目表示。这个充满活力的研究方向被称为基于自我监督学习的推荐。本资源为读者提供了一个精选的基于图形和自监督学习的推荐资源的精选列表。基于图的推荐是一种很有前途的方法,可以在现实场景中捕获用户的动态偏好和项目的复杂转换. 此外,为了解决标签稀缺的问题,自监督学习(SSL)已经引起了广泛的研究关注,并在视觉、自然语言处理和机器人技术等各个领域取得了显著成功。原创 2022-10-29 22:57:44 · 130 阅读 · 0 评论 -
基于图模型及SSL的推荐系统历年经典论文整理分享
此外,由于用户的动态兴趣模式和项目的各种属性的复杂性,构建应用性自我监督信号可以提取更有意义的用户行为模式,并进一步有效地编码用户和项目表示。这个充满活力的研究方向被称为基于自我监督学习的推荐。本资源为读者提供了一个精选的基于图形和自监督学习的推荐资源的精选列表。基于图的推荐是一种很有前途的方法,可以在现实场景中捕获用户的动态偏好和项目的复杂转换. 此外,为了解决标签稀缺的问题,自监督学习(SSL)已经引起了广泛的研究关注,并在视觉、自然语言处理和机器人技术等各个领域取得了显著成功。原创 2022-10-29 22:51:53 · 449 阅读 · 0 评论 -
历史最全自然语言处理各领域常见 数据增强 方法整理分享
数据增强让有限的数据产生更多的数据,增加训练样本的数量以及多样性(噪声数据),提升模型鲁棒性,一般用于训练集。神经网络需要大量的参数,许许多多的神经网路的参数都是数以百万计,而使得这些参数可以正确工作则需要大量的数据进行训练,但在很多实际的项目中,我们难以找到充足的数据来完成任务。随机改变训练样本可以降低模型对某些属性的依赖,从而提高模型的泛化能力。资源整理自网络,下载及获取见源地址:https://github.com/styfeng/DataAug4NLP。原创 2022-10-29 22:47:53 · 368 阅读 · 0 评论 -
历史最全机器学习/深度学习/人工智能专业术语表中英对照表
本资源收录了机器学习课程用到的相关术语,涉及机器学习基础、机器学习理论、Applied Math、SVM、Ensemble、DNN、Regularization、Matrix Factorization、Optimization、CNN、 Auto Encoder、RNN、Representation、Network Embedding、GAN、Adversarial Learning、Online Learning、Reinforcement Learning、AutoML、Graphic Model、T原创 2022-10-22 09:53:47 · 126 阅读 · 0 评论 -
历史最全机器学习/深度学习/人工智能专业术语表中英对照表
本资源收录了机器学习课程用到的相关术语,涉及机器学习基础、机器学习理论、Applied Math、SVM、Ensemble、DNN、Regularization、Matrix Factorization、Optimization、CNN、 Auto Encoder、RNN、Representation、Network Embedding、GAN、Adversarial Learning、Online Learning、Reinforcement Learning、AutoML、Graphic Model、T原创 2022-10-22 09:52:35 · 140 阅读 · 0 评论 -
历史最全最新-人工智能软件创业公司整理分享
在发论文之前,需要调研相关论文并看论文,才能知道发展现状,并找到差异化和创新点。同理,在创业之前,需要调研相关的创业公司并研究产品、市场和商业模式,才能知道发展现状,并找到差异化和创新点。商业价值:给出AI创业公司的最新一轮融资额。举例:Scale.ai :$155M ==》表示 scale.ai公司最新一轮融资155 million dollor。"表示该公司的是开源公司。技术角度:从技术的角度来AI软件创业公司进行分类,给AI创业人士启发。"#"该公司的是开源公司是以色列公司。原创 2022-10-14 22:14:18 · 229 阅读 · 0 评论 -
最近几年-基于深度学习自然语言处理的推荐系统-必读论文整理分享
基于内容的推荐(Content-based Recommendation)是信息过滤技术的延续与发展,它是建立在项目的内容信息上作出推荐的,而不需要依据用户对项目的评价意见,更多地需要用机器学习的方法从关于内容的特征描述的事例中得到用户的兴趣资料。因此,对于推荐内容的理解对于推荐系统来说非常重要的。本资源整理了基于自然语言处理内容理解的推荐系统,整理了最近几年NLP在推荐系统中相关的应用,涉及基于知识图谱的推荐、基于文本的推荐及广告、基于对话系统的推荐、基于上下文推荐和可解释下推荐。原创 2022-10-03 19:12:17 · 195 阅读 · 0 评论 -
2022年迁移学习相关最新论文、会议、视频、竞赛整理分享
资源整理自网络,源地址:https://github.com/yuntaodu/Transfer-learning-materials/blob/master/readme.md。迁移学习(Transfer learning) 顾名思义就是把已训练好的模型(预训练模型)参数迁移到新的模型来帮助新模型训练。针对每一部分,列举了3-4篇经典论文,建议详读这些经典论文,泛读这些经典论文的后续论文,并对其中的部分算法进行实现。原创 2022-09-24 20:04:53 · 855 阅读 · 0 评论 -
2022年迁移学习相关最新论文、会议、视频、竞赛整理分享
资源整理自网络,源地址:https://github.com/yuntaodu/Transfer-learning-materials/blob/master/readme.md。迁移学习(Transfer learning) 顾名思义就是把已训练好的模型(预训练模型)参数迁移到新的模型来帮助新模型训练。针对每一部分,列举了3-4篇经典论文,建议详读这些经典论文,泛读这些经典论文的后续论文,并对其中的部分算法进行实现。原创 2022-09-24 20:03:46 · 200 阅读 · 0 评论