ITPub博客

IBM长文解读人工智能、机器学习和认知计算  人工智能的发展曾经经历过几次起起伏伏，近来在深度学习技术的推动下又迎来了一波新的前所未有的高潮。近日，IBM 官网发表了一篇概述文章，对人工智能技术的发展过程进行了简单梳理，同时还图文并茂地介绍了感知器、聚类算法、基于规则的系统、机器学习、深度学习、神经网络等技术的概念和原理。 人类对如何创造智能机器的思考从来没有中断过。期间，人

 Andrew Ng. 的新书终于出完了。薄薄一百多页的小册子，翻下来其实是一堆实操经验集合。感觉还是有一定借鉴意义的，按照我自己的理解简单地整理如下，也不展开说了。有过实际经验的肯定心里有数。1.    新成果的驱动因素：数据，算力2.    数据集的划分：val & test3.   

机器学习学习中，数学最重要！ 01.机器学习工程师的边界是什么？ 大多数的事物都是有边界的。那机器学习的边界又是什么呢？对，就是数学。掌握了数学这个机器学习的底层基础，不仅可以加深对算法的理解，还能在模型优化阶段更加游刃有余。  02.如何打破边界？希望以下的内容能给你参考思路。 •   机器学习中的数学基础方法建议：

深度学习之迁移学习介绍与使用   迁移学习概述在深度学习领域，通过预训练模型作为检查点开始训练生成神经网络模型实现对新任务的支持，这种方法通常被称为迁移学习，它的好处是不用再重头开始设计与训练一个全新的网络，而是基于已经训练好的网络模型，在其基础上进行参数与知识迁移，只需要很少量的计算资源开销与训练时间就可以实现对新任务的支持。要理解迁移学习的整个过程就是要搞清楚下面

自然语言处理NLP快速入门 https://mp.weixin.qq.com/s/J-vndnycZgwVrSlDCefHZA  【导读】自然语言处理已经成为人工智能领域一个重要的分支，它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。本文提供了一份简要的自然语言处理介绍，帮助读者对自然语言处理快速入门。 作者 | George S

机器学习笔记——特征标准化  数据标准化是在特征处理环节必不可少的重要步骤。数据标准化是为了消除不同指标量纲的影响，方便指标之间的可比性，量纲差异会影响某些模型中距离计算的结果。常见标准化方法主要有归一化、正态化。数据归一化也即0-1标准化，又称最大值-最小值标准化，核心要义是将原始指标缩放到0~1之间的区间内。相当于对原变量做了一次线性变化。其公式为 EX = (x

在中国搞高科技真有那么难？ --- 我看科大讯飞公司光环之覆灭 去年年底以来，笔者对于人工智能行业有了的格外关注，时至今日，已有近一年的时间了。这段时间里，笔者看了大量的人工智能各个领域的技术文章，尤其是机器学习，计算机视觉等领域。当然也不会放过业界知名高校，知名公司，知名大咖的相关动态，什么公司发布了什么革命性的产品，相关公司创始人的故事等等，笔者都有所了解。对于国内人工智能界，笔者有

  http://blog.sina.com.cn/s/blog_cfa68e330102yxh9.html 人工智能方面需要了解的一些重要定义。人工智能不再是定义模糊的流行词汇，已经成为了更为精确的指代，在这样的背景下，理解人工智能领域的术语越来越成为一种挑战。本文就为大家总结一些人工智能领域最重要的术语。A算法（Algorithms）：一组用于人工智能、神经网络或

人工智能各学派简介：符号主义，连接主义，行为主义 http://blog.sina.com.cn/s/blog_cfa68e330102yxh8.html  人工智能学派简介目前人工智能的主要学派有下面三家：(1)符号主义(symbolicism)，又称为逻辑主义(logicism)、心理学派(psychologism)或计算机学派(computerism)，其原理主

SAP MM ME21N 创建PO时报错 - Net price in CNY becomes too large – 之原因分析         昨天笔者在微信公众号里发布了一篇文章《SAP MM ME21N 创建PO时报错 - Net price in CNY becomes too large – 之对策》。文章

SAP MM ME21N 创建PO时报错 - Net price in CNY becomes too large – 之对策 笔者所在的项目上，由于客户尚未正式大规模量产，在现阶段，所有的物料基本都是走费用。财务业务人员说，目前几年都是只有费用预算，而无库存预算。所以项目上将所有物料都定义成无价值物料，等待若干年商业化生产之后，再启动大规模的SAP实施项目，再将所有物料定义成valua

贝叶斯用概率反映知识状态的确定性程度。数据集能够被直接观测到，因此不是随机的。另一方面，真实参数θ是未知或不确定的，因此可以表示成随机变量。在观察到数据前，我们将θ的已知知识表示成先验概率分布(prior probability distribution),p(θ)(有时简单地称为”先验”)。 相对于最大似然估计，贝叶斯估计有两个重要区别：(1)、不像最大似然方法预测时使用θ的点估计，贝叶斯方法使

K-最近邻法(K-Nearest Neighbor, KNN)最初由Cover和Hart于1968年提出，是一个在理论上比较成熟的分类算法。 KNN是一类可用于分类或回归的技术。作为一个非参数学习算法，K-最近邻并不局限于固定数目的参数。我们通常认为K-最近邻算法没有任何参数，而且使用训练数据的简单函数。事实上，它甚至也没有一个真正的训练阶段或学习过程。反之，在测试阶段我们希望在新的测试输入x上产

通常情况下，当我们训练机器学习模型时，我们可以使用某个训练集，在训练集上计算一些被称为训练误差(training error)的度量误差，目标是降低训练误差。机器学习和优化不同的地方在于，我们也希望泛化误差(generalization error)(也被称为测试误差(test error))很低。泛化误差被定义为新输入的误差期望。这里，期望的计算基于不同的可能输入，这些输入采自于系统在现实中遇到

英国科学协会新负责人近期发出警告：相比抗生素耐药性、气候变化和恐怖主义，对于英国的未来，最值得人们恐慌的是人工智能！萨里大学（University of Surrey）物理学教授Jim Al-Khalili表示，人工智能发展速度太快，缺少适当的审查和监管。目前，对人工智能威胁论的说法还不能直接给定结论，但相关的监管政策也应该提上议程。 Jim Al-Khalili教授在英国科学节之前的一

视频操纵中的新AI技术为“talking head”这一表达赋予了新的含义。在今年的美国SIGGRAPH盛会上，一个国际研究小组展示了一项名为Deep Video Portraits（深度视频肖像）的新项目，向我们展示了面部表情合成的最新进展。Deep Video Portraits项目依靠一种被称为生成式对抗网络（GAN）的AI技术，可以实现目标视频在源视频的基础上重新动画。与仅限于面部表情操作

Toby Walsh是澳大利亚新南威尔士大学（CSIRO）的教授，Data61 (CSIRO)研究小组组长，人工智能方面的专家。Walsh教授在悉尼首席信息官峰会上发表主题演讲时说道：CIO（首席信息官）们其实不需要担心人工智能会对未来造成威胁，我们距离生产出与人类大脑高度匹配的机器人还有很远的路程。Walsh教授认为，我们目前造出的机器人虽然执行任务的水平超过人类，但它们只会按照我们的要求去执行

有人说来自语言的数据是“非结构化数据”，事实证明这是一个错误的说法。如果没有特定的语言结构，人们可能无法用语音或者书面语言进行正确交流。语法是语言的结构，它有助于定义语言的含义。大家学习任何一门语言，都要学习该门语言的语法结构。要想推动计算机的快速发展，就要摆脱传统处理计算机的思维，推陈出新，理解自然语言的结构。从平面文件数据库结构到关系型数据库(RDBMS)，这之中经历了数十年的结构化数据发展历

张志华教授：机器学习——统计与计算之恋COS访谈第十九期：张志华教授张志华老师教学之感悟部分共享资料见链接: https://pan.baidu.com/s/1bpGc0nP 密码: 49ei张志华北京大学数学学院教授，北京大数据研究院高级研究员。曾在浙江大学和上海交通大学计算机系任教。主要从事机器学习与应用统计等领域的教学与科研工作。张志华老师主页张志华老师实验室近年来，人工智能的强势崛起，特别

作为一个经常向非专业人士解释机器学习的人，我整理了以下十点内容作为对机器学习的一些解释说明。机器学习意味着从数据中学习；而AI则是一个时髦的词。机器学习并不像天花乱坠的宣传那样：通过向适当的学习算法提供适当的训练数据，你可以解决无数的难题。把它称之为AI吧，如果这有助于销售你的AI系统的话。但你要知道，AI只是一个时髦的词，这只代表了人们对它的期望而已。机器学习主要涉及到数据和算法，但最主要的还是