-
编辑 删除
从概率论到多分类问题：综述贝叶斯统计分类
从贝叶斯学习入门统计分类，我将会提供将贝叶斯定理和概率论应用于统计分类的若干应用实例。本文还将覆盖基础概率论之外的其他重要知识，比如校准与验证（calibration and validation）。 这篇文章虽然针对初学者，但也需要你具备大学一年级和部分二年级的数学知识，尤其…
-
编辑 删除
论文格式排版你真的做对了吗? 常用格式及其LaTeX书写方法介绍
不论中英文, 科技文章通常均使用英文半角标点。中文文章的行内公式和两边正文之间要有空格。例如: 此外, 推荐使用 XeLaTeX 编译器编译中文文章. XeLaTeX 对中文支持较好, 比如它可以自动在行内公式和两边正文之间加空格, 无需人为指定。 英文文章中括号, 以及引用符…
-
编辑 删除
入门 ：概览深度学习中的卷积结构
首先，我们需要定义卷积层的几个参数。 卷积核大小：卷积核决定卷积的视野。2D 卷积的常见卷积核为 3，即 3x3 像素。 stride：stride 决定卷积核遍历图像时的步子大小。默认值通常为 1，我们可以将 stride 设置成 2，对图像进行类似最大池化的下采样。 Pad…
-
编辑 删除
arXiv的优缺点如此明显，未来是否应该引入评论与同行评议？
日前，在最新的 Google Scholar h5-index 排名中，我们可以看到在计算机视觉领域下，arXiv 以 137 分位列第二，仅次于业内顶会 CVPR。除了计算机视觉领域，在「机器学习」下，arXiv Machine Learning 同样位列第二，略低于 ICM…
-
编辑 删除
如何解读决策树和随机森林的内部工作机制？
决策树可以看成为一个 if-then 规则的集合，即由决策树的根节点到叶节点的每一条路径构建一条规则，路径上内部节点的特征对应着规则的条件，而叶节点的类对应于规则的结论。因此决策树就可以看作由条件 if（内部节点）和满足条件下对应的规则 then（边）组成。 决策树的工作方式是…
-
编辑 删除
揭开深度学习黑箱：希伯来大学计算机科学教授提出「信息瓶颈」
一个称为「信息瓶颈」的新想法有助于解释当今人工智能算法的黑箱问题——以及人类大脑的工作原理。 如今「深度神经网络」已经学会对话、驾驶汽车、打视频游戏、玩围棋、绘画并辅助科研，这使其人类构建者很是困惑，并为深度学习算法的成果深感意外。这些学习系统的设计并没有一条明确的原则，除了来…
-
编辑 删除
深度学习 + OpenCV，Python实现实时视频目标检测
在本文中我们将学习如何扩展原有的目标检测项目，使用深度学习和 OpenCV 将应用范围扩展到实时视频流和视频文件中。这个任务会通过 VideoStream 类来完成。 现在，我们将开始把深度学习+目标检测的代码应用于视频流中，同时测量 FPS 处理速度。 为了构建基于 Open…
-
编辑 删除
被Geoffrey Hinton抛弃，反向传播为何饱受质疑？（附BP推导）
现在的深度学习发展似乎已经陷入了大型化、深度化的怪圈，我们设计的模型容易被对抗样本欺骗，同时又需要大量的训练数据——在无监督学习上我们取得的突破还很少。作为反向传播这一深度学习核心技术的提出者之一，Geoffrey Hinton 很早就意识到反向传播并不是自然界生物大脑中存在的…
-
编辑 删除
从贝叶斯定理到概率分布：综述概率论基本定义
在本系列文章中，我想探讨一些统计学上的入门概念，这些概念可能会帮助我们了解机器学习或开拓视野。这些概念是数据科学的核心，并经常出现在各种各样的话题上。重温基础知识总是有益的，这样我们就能发现以前并未理解的新知识，所以我们开始吧。 第一部分将会介绍概率论基础知识。 我们已经拥有十…
-
编辑 删除
深度学习目标检测模型全面综述：Faster R-CNN、R-FCN和SSD
随着自动驾驶汽车、智能监控摄像头、面部识别以及大量对人有价值的应用出现，快速、精准的目标检测系统市场也日益蓬勃。这些系统除了可以对图像中的每个目标进行识别、分类以外，它们还可以通过在该目标周围绘制适当大小的边界框（bounding box）来对其进行定位。这让目标检测技术较传统…
-
编辑 删除
Docker Compose + GPU + TensorFlow 所产生的奇妙火花
Docker 很棒——越来越多的人在开发与分布中使用它。Docker 有很多优势：即时环境设置、独立于平台的 app、现成的解决方案、更好的版本控制、简化的维护。 但是在数据科学和深度学习方面，使用 Docker 有一些阻碍。你必须记住所有的 Docker 标志，以在主机和容器…
-
编辑 删除
从三大神经网络，测试对比TensorFlow、MXNet、CNTK、Theano四个框架
如果我们对 Keras 在数据科学和深度学习方面的流行还有疑问，那么考虑一下所有的主流云平台和深度学习框架的支持情况就能发现它的强大之处。目前，Keras 官方版已经支持谷歌的 TensorFlow、微软的 CNTK、蒙特利尔大学的 Theano，此外，AWS 去年就宣布 Ke…
-
编辑 删除
面向工程师的机器学习简介：理论、算法、概念全覆盖
选自arXiv机器之心编译参与：Panda、蒋思源、黄小天 人工智能技术已经成为当前技术变革的主要推动力之一，从计算机科学到工程学等许多科学技术领域都在竭尽全力想用自动化的方法创造更大的价值。要想做到这一点，工程师当然必须要对当前最具潜力的机器学习方法有一个大致了解。伦敦国王学院…
-
编辑 删除
堆叠解卷积网络实现图像语义分割顶尖效果
选自arXiv机器之心编译参与：路雪 本文介绍了一种堆叠解卷积网络（Stacked Deconvolutional Network），它可用于高效的图像语义分割。该方法堆叠多个浅层解卷积网络，采用层级监督帮助网络优化，在多个数据集上实现了顶尖效果。机器之心对该论文进行了介绍。 链…
-
编辑 删除
爆款论文提出简单循环单元SRU：像CNN一样快速训练RNN（附开源代码）
近日，一篇题为《Training RNNs as Fast as CNNs》的 arXiv 论文通过有意简化状态计算并展现更多的并行性而提出了一个替代性的 RNN 实现，这一循环单元的运算和卷积层一样快，并且比 cuDNN 优化的 LSTM 快 5-10x。该实现在诸如分类、问题…
-
编辑 删除
想入门机器学习？机器之心为你准备了一份中文资源合集
机器之心整理参与：机器之心编辑部机器学习日益广为人知，越来越多的计算机科学家和工程师投身其中。不幸的是，理论、算法、应用、论文、书籍、视频等信息如此之多，很容易让初学者迷失其中，不清楚如何才能提升技能。本文作者依据自身经验给出了一套快速上手的可行方法及学习资源的分类汇总，机器之心…
-
编辑 删除
如何使用TensorFlow中的高级API：Estimator、Experiment和Dataset
近日，背景调查公司 Onfido 研究主管 Peter Roelants 在 Medium 上发表了一篇题为《Higher-Level APIs in TensorFlow》的文章，通过实例详细介绍了如何使用 TensorFlow 中的高级 API（Estimator、Exper…
-
编辑 删除
最全的DNN概述论文：详解前馈、卷积和循环神经网络技术
选自arXiv机器之心编译本论文技术性地介绍了三种最常见的神经网络：前馈神经网络、卷积神经网络和循环神经网络。且该文详细介绍了每一种网络的基本构建块，其包括了基本架构、传播方式、连接方式、激活函数、反向传播的应用和各种优化算法的原理。本文不仅介绍了这三种神经网络的基本原理与概念，…
-
编辑 删除
自动驾驶汽车测试新方法 DeepTest：可自动测试深度神经网络驾驶系统
自动驾驶汽车是一种对安全性有极高要求的人工智能应用，但软件都有漏洞，寻找那些可能导致致命危险的漏洞是至关重要的。近日，来自弗吉尼亚大学和哥伦比亚大学的几位研究者提出了一种自动测试深度神经网络自动驾驶汽车的方法 DeepTest，可以对自动驾驶系统进行更加全面的测试评估。机器之心对…
