人工智能 教程 床长:通俗易懂
1. 深度学习
sci-hub 外文下载
谷歌学术镜像
ScienceDirect数据库:收录的多是核心期刊、顶级期刊。
Web of Science :包括SCI、SSCI等引文库,最权威的科学技术文献的索引工具。
文献管理工具-EndNote
文献管理工具-NoteExpress
顶会开源的paper
- 深度学习领域有很多细分方向,例如语音、自然语言处理、视觉、强化学习、纯深度学习理论。
- 如果你喜欢语音交互,熟悉C++,可以选择语音识别、语音合成等研究课题;
- 如果你喜欢研究文本和对话,熟悉Python和爬虫,可以选择自然语言处理方向;
- 如果你喜欢图片与视频,熟悉Python,对算法落地也很感兴趣,可以选择计算机视觉方向;
- 至于强化学习、深度学习理论研究等方向,如果不是自身基础非常扎实或有优秀的师兄师姐指导,建议谨慎入坑。
选好方向之后,下一步的重点是阅读该领域的经典论文,包括传统方法,以及近期热点。如果你和我一样主攻自然语言处理方向,那应该对最早期的神经网络语言模型(2003)、静态词向量word2vec(2013)、动态词向量ELMO(2018)、预训练语言模型BERT、RoBerta、GPT(2018-2020),以及近期流行的prompt训练(2021)都有清晰的认识,明白哪些场景适用哪种方法。
然后再往下细分,选择子领域内的论文阅读。
如果研究对话系统,对于常规的分类、匹配算法应该非常熟悉,同时了解基于神经网络的DST算法,不同召回策略等等。
-
深度学习是多层次的人工神经网络的建立和利用。在最简单的术语中,你可以把它看作是高度非线性的级联模型,例如多层规则和最后的逻辑回归。这是一个非常复杂的体系结构,最后的结果是分类(离散结果)或回归(连续结果)。一般来说,这些模型需要有大数据的支持,并且需要对超参数(hyper parameters)、正则化的大量的精细调节。应用包括基于CNN(convolutional neural networks卷积神经网络)的计算机视觉和图像识别;自动翻译(基于NLP技术,例如长短期记忆模型)。
深度学习主要解决复杂特征场景,如图像识别、文本分析和语音识别这样的场景。 -
深度学习与药物研发数据
-
目前正处在医药产业发展的关键节点,由于新药物靶点和作用机制的发现越来越难,新药研发需要投入更多的资金和精力。提升研发效率和深度挖掘已有数据来发现新的规律是解决该问题的有效途径之一,而 DL 在这 2 个方面都可以有广泛的应用,因此许多制药公司和药物研发机构都将 DL 方法用于辅助药物研发。
作者:AIDD Pro
链接:https://www.zhihu.com/question/460500204/answer/1956481998