2018年04月_人工智能爱好者俱乐部

转载干货丨浅析分布式系统（经典长文，值得收藏）

导读　　我们常常会听说，某个互联网应用的服务器端系统多么牛逼，比如QQ、微信、淘宝。那么，一个互联网应用的服务器端系统，到底牛逼在什么地方?为什么海量的用户访问，会让一个服务器端系统变得更复杂?本文就是想从最基本的地方开始，探寻服务器端系统技术的基础概念。　　承载量是分布式系统存在的原因　　当一个互联网业务获得大众欢迎的时候，最显著碰到的技术问题，就是服务器非常繁忙。当每天有1000万个用户访问你

2018-04-12 00:00:00 2445 1

转载业界丨OpenAI 发布通用人工智能研究纲领：以全人类的名义承诺

近期 Facebook 泄露用户数据、针对性影响用户、Uber 无人车事故，以及全球学者联名抵制韩国开发自主武器的事情再次敲响了人工智能安全的警钟。OpenAI 也于昨日发表了一份自己的研究纲领，表明了自己的科研使命和行动法则，希望担负起自己在「让人工智能造福全人类」这一伟大事业中的责任。文中也涵盖了他们在过去两年的研究中逐渐成形的研究策略，以及来自 OpenAI 内外的各种反馈声音。 Open

2018-04-12 00:00:00 1875

转载重磅丨教育部《高校人工智能创新行动计划》权威解读， AI人才缺口竟有500万！

教育部日前印发了《高等学校人工智能创新行动计划》，提出18项重点任务，并制定“三步走规划”：首先到2020年完善学科体系，到2025年取得一批有国际影响力的原创成果，到2030年让高校成为建设世界主要人工智能创新中心的核心力量，为我国跻身创新型国家前列提供科技支撑和人才保障。《行动计划》发布后将对高校和今后中国人工智能发展产生什么影响?本文带来专家权威解读。据西安电子科技大学官网消息，4月2日

2018-04-11 00:00:00 2075

转载福利丨吴恩达机器学习新书免费领！

继今年 2 月 Deep Learning Specialization 最后一课上线之后，吴恩达又捡起了之前荒废已久的项目—— Machine Learning Yearning。这本书此前已经出到了第 14 章，不过因为 Deep Learning Specialization 课程项目而搁置了一段时间了。关注网络大数据(ID:raincent_com) 微信，回复网络大数据微信公众号"吴

2018-04-11 00:00:00 3820

转载干货丨一份机器学习的初学者指南

机器学习: 引言听过人们谈论过机器学习，但对它的概念却是一知半解?想要从零开始机器学习，却被网络上的海量资源冲昏头脑?不用担心，我们给你们提供了机器学习从0到1系列，这个系列可以让你从入门到精通。现在就开始学习吧!· · ·这份指南是为了那些对机器学习感兴趣，但不知如何开始的朋友们准备的。我想大多厌倦在网上搜索大量资料的人都会有挫败感，也放弃了有人能指引他们如何入门的希望。这个系列的目标，就是教会

2018-04-11 00:00:00 2701

转载干货丨机器学习必备：前20名Python人工智能和机器学习开源项目

如今机器学习和人工智能已经变得家喻户晓，有很多爱好者进入了该领域。但是，什么才是能够进入该领域的正确路径呢?如何保持自己跟上该领域的发展步伐呢?为了解决以上两个问题，可以通过利用高级专业人员每天使用的众多开源项目和工具，与社区进行接触。如今，Tensorflow的贡献者人数增长最快，居首位。Scikit-learn下降到第二位，但仍有非常大的贡献者群体。与2016年相比，贡献者人数增长最快的项目是

2018-04-10 00:00:00 964

转载干货丨一文介绍机器学习中基本的数学符号

在机器学习中，你永远都绕不过数学符号。通常，只要有一个代数项或一个方程符号看不懂，你就完全看不懂整个过程是怎么回事了。这种境况非常令人沮丧，尤其是对于那些正在成长中的机器学习初学者来说更是如此。如果你能了解一些基本的数学符号以及相关的小技巧，那你就在看懂机器学习方法的论文或书籍描述上前进了一大步。在本教程中，你将学到机器学习技术描述中遇到的基本数学符号。在学完整个教程后，你会知道：算术符号，包括若

2018-04-10 00:00:00 1559

转载业界丨全球AI人才只有2万多，但仅3000人在求职

都知道AI人才数量稀少，薪酬水涨船高。究竟少到什么程度呢?之前，有两个数字广为流传，一是不到1万人，二是30万人左右。Yoshua Bengio参与创立的加拿大人工智能公司Element AI之前在接受《纽约时报》采访时给了个“10000”的数字;腾讯的《全球人工智能人才白皮书》给出的数字，则是约30万人。这其中的差别，主要因为前者估算的是“能进行严肃人工智能研究”的人才，后者涉及的范围则要广得多

2018-04-10 00:00:00 743

转载干货丨深度学习和经典机器学习的全方位对比

本文将对比深度学习和经典机器学习，分别介绍这两种技术的优缺点以及它们在哪些问题如何得到最佳使用。深度学习已成为大多数AI问题的首选技术，使得经典机器学习相形见绌。但是，尽管深度学习有很好的性能，经典机器学习方法仍有一些优势，而且在一些特定情况下最好使用经典机器学习方法，例如线性回归或决策树，而不是使用一个大型深度网络。本文将对比深度学习和经典机器学习，分别介绍这两种技术的优缺点。近年来，深度学习

2018-04-09 00:00:00 1721

转载福利丨一门面向所有人的人工智能公开课：MIT 6.S191，深度学习入门

对初学者来说，有没有易于上手，使用流行神经网络框架进行教学的深度学习课程？近日，麻省理工学院（MIT）正式开源了在线介绍性课程「MIT 6.S191：深度学习入门」。该课程包括一系列有关神经网络及其在序列建模、计算机视觉、生成模型和强化学习等方面的基本应用知识。课程链接：http://introtodeeplearning.com/课程视频：https://www.youtube.com/watc

2018-04-09 00:00:00 1209

转载干货丨综述卷积神经网络：从基础技术到研究前景

卷积神经网络（CNN）在计算机视觉领域已经取得了前所未有的巨大成功，但我们目前对其效果显著的原因还没有全面的理解。近日，约克大学电气工程与计算机科学系的 Isma Hadji 和 Richard P. Wildes 发表了论文《What Do We Understand About Convolutional Networks?》，对卷积网络的技术基础、组成模块、当前现状和研究前景进行了梳理，介绍

2018-04-08 00:00:00 1807

原创免费教材丨第58期：机器学习相关汇总资料大放送（中）

小编说上期为大家发放的教材为：经过整理的机器学习相关的经典书籍及经典论文，本期将继续为大家发放哦！本期教材本期为大家发放的教材为：经过整理的机器学习相关的教学视频和讲义，可能会跟之前的有重复，大家可以根据自己的需要阅读哦！领取方式请需要领取本期教程的朋友，在公众号后台回复“0058”获取下载链接哦！（应广大粉丝的要求，教材将存放在百度云盘上，但是为避免因下载人数过

2018-04-07 00:00:00 753

转载干货丨自学成才秘籍！机器学习&深度学习经典资料汇总（一）

《Brief History of Machine Learning》　　介绍:这是一篇介绍机器学习历史的文章，介绍很全面，从感知机、神经网络、决策树、SVM、Adaboost到随机森林、Deep Learning.　　《Deep Learning in Neural Networks: An Overview》　　介绍:这是瑞士人工智能实验室Jurgen Schmidhuber写的最新版本《神经

2018-04-06 00:00:00 1542 1

转载综述丨七场高端报告，带你大视角看人工智能发展

文章来源：雷锋网2018 年 3 月 30 日，AITech 峰会在深圳龙岗区正式召开。本次会议以配合国家新一代人工智能发展规划实施，支撑人工智能产业技术协同创新，加强人工智能领域的国内外技术交流为目的，由深圳市人民政府指导，深圳市龙岗区人民政府、中关村视听产业技术创新联盟、新一代人工智能产业技术创新战略联盟主办，深圳龙岗智能视听研究院承办。雷锋网作为独家战略合作媒体将进行现场内容详细报导。下面我

2018-04-06 00:00:00 857

转载重磅丨2018年中国人工智能行业研究报告（77页PPT）

本篇报告将从人工智能技术、应用、产业等维度进行探讨，其中，人工智能技术包括凡是使用机器帮助、代替甚至部分超越人类实现认知、识别、分析、决策等功能，而产业则指包含技术、算法、应用等多方面的价值体系。广义人工智能指通过计算机实现人的头脑思维所产生的效果，是对能够从环境中获取感知并执行行动的智能体的描述和构建;相对狭义的人工智能包括人工智能产业(包含技术、算法、应用等多方面的价值体系)、人工智能技术(包

2018-04-05 00:00:00 2173 1

转载干货丨从冷战到深度学习：一篇图文并茂的机器翻译史

实现高质量机器翻译的梦想已经存在了很多年，很多科学家都为这一梦想贡献了自己的时间和心力。从早期的基于规则的机器翻译到如今广泛应用的神经机器翻译，机器翻译的水平不断提升，已经能满足很多场景的基本应用需求了。近日，Ilya Pestov 用俄语写的机器翻译介绍文章经 Vasily Zubarev 翻译后发表到了 Vas3k.com 上。机器之心又经授权将其转译成了汉语。希望有一天，机器自己就能帮助我们

2018-04-04 00:00:00 948

转载心得丨在开始第一个机器学习项目之前就了解的那些事儿

这份清单主要是包含一些关于构建机器学习工作流以及Apache Spark相关的具体内容。预测是困难的对于任何未知的事情，很难对其做出一个准确的时间预测，但我们会朝着目标前进。然而随着时间的推移，在努力的过程中逐渐会出现错误，这是由于我们无法预测采用哪种方法就能够得出好的结果，能够做的只有确保项目组可以快速地迭代更新。项目有很大的未知数，请确保团队能够进行快速迭代更新在开始之前验证数据是否完整当开始

2018-04-04 00:00:00 539

转载干货回顾丨机器学习笔记-----AP（affinity propagat）算法讲解及matlab实现

在统计和数据挖掘中，亲和传播（AP）是基于数据点之间"消息传递"概念的聚类算法。与诸如k-means或k-medoids的聚类算法不同，亲和传播不需要在运行算法之前确定或估计聚类的数量。类似于k-medoids，亲和力传播算法发现"样本"，输入集合的成员，输出聚类结果。一算法描述2.1基本介绍我们让(x1,…xn)作为一系列的数据点，然后用矩阵S代表各个数据点之间的相似度，一般相似度的判断有欧

2018-04-03 00:00:00 1061

转载干货回顾丨深度学习应用大盘点

当首次介绍深度学习时，我们认为它是一个要比机器学习更好的分类器。或者，我们亦理解成大脑神经计算。第一种理解大大低估了深度学习构建应用的种类，而后者又高估了它的能力，因而忽略了那些不是一般人工智能应用的更现实和务实的应用。最好最自然的理解应该是从人机交互角度来看待深度学习应用。深度学习系统似乎具备近似于生物大脑的能力，因此，它们可以非常高效地应用于增强人类或者动物已经可以执行的任务上。此外，需要重视

2018-04-03 00:00:00 676

转载干货回顾丨TensorFlow四种Cross Entropy算法的实现和应用

交叉熵介绍交叉熵（Cross Entropy）是Loss函数的一种（也称为损失函数或代价函数），用于描述模型预测值与真实值的差距大小，常见的Loss函数就是均方平方差（Mean Squared Error），定义如下：平方差很好理解，预测值与真实值直接相减，为了避免得到负数取绝对值或者平方，再做平均就是均方平方差。注意这里预测值需要经过sigmoid激活函数，得到取值范围在0到1之间的预测值。平方

2018-04-03 00:00:00 730

转载干货回顾丨深度学习性能提升的诀窍

Pedro Ribeiro Simoes拍摄原文： How To Improve Deep Learning Performance作者： Jason Brownlee你是如何提升深度学习模型的效果？这是我经常被问到的一个问题。有时候也会换一种问法：我该如何提高模型的准确率呢？ ……或者反过来问：如果我的网络模型效果不好，我该怎么办？通常我的回答是“具体原因我不清楚，但我有一些想法可以试试”。然

2018-04-03 00:00:00 438

转载深度丨《主算法》作者 Pedro Domingos 谈机器学习十大误解

【导读】机器学习热潮掀起，关于机器学习的误读也随之盛行。为此，机器学习专家、《主算法》作者、华盛顿大学计算机科学教授 Pedro Domingos 日前撰文，指出当下对于机器学习最为常见的十大误解。结合他以前写的文章《机器学习那些事》，能让你更准确地理解机器学习。“机器学习比我们想像的更强大，也更弱小。如何应用它们是我们的任务——前提是我们对其要有准确的认识。”机器学习过去常常在背后发挥作用：亚马

2018-04-02 00:00:00 691

转载干货丨机器学习指南（学习笔记哦，值得一看）

作者：小土刀这里是我学习机器学习时候的一些笔记和总结，文章比较长，但是应该是比较全面的。基本概念主要是基本概念的辨析，都是最最基础和常规的监督学习与非监督学习应用领域：企业数据监督学习需要标注数据(KNN, NB, SVM, DT, BP, RF, GBRT)，这类算法必须知道预测什么，即目标变量的分类信息。对具有标记的训练样本进行学习，以尽可能对训练样本集外的数据进行分类预测。非监督学习(KME

2018-04-02 00:00:00 529

转载科普丨深度神经网络与生命的意义

几周前，我正从工作中的一个项目逐渐交接过度到另一个项目里。这为我提供了一个非常好的空档期，去阅读一些与我感兴趣而且目前科技还没有完全解决的主题相关文章。机器学习就是我最想看的主题之一。这个领域已经深深地融入到了当今世界的科学技术当中，但我一点都不了解它是怎么运作的。从那之后的几周里，我阅读了许多浅显的文章（还玩了一些机器学习工具）。我所了解到的知识让我确信，我们人类正在加速地走向通用人工智能的时代

2018-04-01 00:00:00 713

转载干货丨11位机器学习大牛最爱算法全解

1 来源：Quora译者：朱焕【导读】“你最喜欢的机器学习算法是什么？”这个问题有些像“你最喜欢的颜色是什么？”说不重要吧，细究起来，颇有深意。本文摘选一些机器学习大牛在 Quora 的回答，看看他们爱用的算法和原因。Yann LeCun，Facebook AI研究总监，纽约大学教授Backprop。Carlos Guestrin，机器学习 Amazon 教授，Dato CEO和看电影一样，没有哪

2018-04-01 00:00:00 985

人工智能爱好者俱乐部