-
编辑 删除
除了深度学习，你需要知道AI技术的23个方向
在即将过去的 2017 年，深度学习技术蓬勃发展，AlphaZero 从「零」开始在多种棋类竞技上快速发展，DeepStack 与 Libratus 在德州扑克中击败人类高手，GAN 衍生出各种变体，语音合成从实验室走向产品，Vicarious 提出全新概率生成模型并击破人类的…
-
编辑 删除
一份数学小白也能读懂的「马尔可夫链蒙特卡洛方法」入门指南
在我们中的很多人看来，贝叶斯统计学家不是巫术师，就是完全主观的胡说八道者。在贝叶斯经典方法中，马尔可夫链蒙特卡洛（Markov chain Monte Carlo/MCMC）尤其神秘，其中数学很多，计算量很大，但其背后原理与数据科学有诸多相似之处，并可阐释清楚，使得毫无数学基础…
-
编辑 删除
从Pix2Code到CycleGAN：2017年深度学习重大研究进展全解读
1. 文本 去年，谷歌宣布上线 Google Translate 的新模型，并详细介绍了所使用的网络架构——循环神经网络（RNN）。 关键结果：与人类翻译准确率的差距缩小了 55-85%（研究者使用 6 个语言对的评估结果）。但是该模型如果没有谷歌的大型数据集，则很难复现这么优…
-
编辑 删除
2017年度盘点：15个最流行的GitHub机器学习项目
GitHub 是计算机科学领域最为活跃的社区，在 GitHub 上，来自不同背景的人们分享越来越多的软件工具和资源库。在其中，你不仅可以获取自己所需的工具，还可以观看代码是如何写成并实现的。 作为一名机器学习爱好者，作者在本文中列出了 2017 年 GitHub 平台上最为热门…
-
编辑 删除
概览深度学习中的五大正则化方法和七大优化策略
近来在深度学习中，卷积神经网络和循环神经网络等深度模型在各种复杂的任务中表现十分优秀。例如卷积神经网络（CNN）这种由生物启发而诞生的网络，它基于数学的卷积运算而能检测大量的图像特征，因此可用于解决多种图像视觉应用、目标分类和语音识别等问题。 但是，深层网络架构的学习要求大量数…
-
编辑 删除
从传统方法到深度学习，人脸关键点检测方法综述
人脸关键点检测也称为人脸关键点检测、定位或者人脸对齐，是指给定人脸图像，定位出人脸面部的关键区域位置，包括眉毛、眼睛、鼻子、嘴巴、脸部轮廓等和人脸检测类似，由于受到姿态和遮挡等因素的影响，人脸关键点检测也是一个富有挑战性的任务。 人脸关键点检测是人脸识别任务中重要的基础环节，人…
-
编辑 删除
一文概述2017年深度学习NLP重大进展与趋势
近年来，深度学习（DL）架构和算法在图像识别、语音处理等领域实现了很大的进展。而深度学习在自然语言处理方面的表现最初并没有那么起眼，不过现在我们可以看到深度学习对 NLP 的贡献，在很多常见的 NLP 任务中取得了顶尖的结果，如命名实体识别（NER）、词性标注（POS tagg…
-
编辑 删除
使用OpenCV+Keras轻松破解验证码
每个人都讨厌 CAPTCHA——这些恼人的图片中包含你必须输入的文字，正确地填写它你才能访问网站。CAPTCHA 全称「全自动区分计算机和人类的公开图灵测试（Completely Automated Public Turing test to tell Computers an…
-
编辑 删除
从零开始：教你如何训练神经网络
I. 简介 本文是作者关于如何「训练」神经网络的一部分经验与见解，处理神经网络的基础概念外，这篇文章还描述了梯度下降（GD）及其部分变体。此外，该系列文章将在在后面一部分介绍了当前比较流行的学习算法，例如： 作者在第一部分以非常简单的神经网络介绍开始，简单到仅仅足够让人理解我们…
-
编辑 删除
NIPS大会最精彩一日：AlphaZero遭受质疑；史上第一场正式辩论与LeCun激情抗辩；元学习&强化学习亮点复盘
Kinds of Intelligence 主要讨论了实现智能的多种途径，吸引了众多参会者前来。不少生物界、心理学界和认知科学界的专家分享了人工智能以外的研究。 DeepMind 的 CEO Demis Hassabis 也是此次研讨会的嘉宾。Hassabis 上台时，现场雷动…
-
编辑 删除
读懂概率图模型：从基本概念和参数估计开始
机器学习领域内很多常见问题都涉及到对彼此相互独立的孤立数据点进行分类。比如：预测给定图像中是否包含汽车或狗，或预测图像中的手写字符是 0 到 9 中的哪一个。 事实证明，很多问题都不在上述范围内。比如说，给定一个句子「I like machine learning」，然后标注每…
-
编辑 删除
计算机视觉这一年：2017 CV技术报告Plus之卷积架构、数据集与新趋势
近期，ConvNet 架构在计算机视觉之外也有很多新的应用。但是，它们的架构在速度、准确率和任务训练方面都有进步，仍然主导着计算机视觉领域。因此，整体而言，ConvNet 架构对计算机视觉至关重要。下面列出了 2016 年以来一些优秀的 ConvNet 架构，其中很多从 Res…
-
编辑 删除
计算机视觉这一年：这是最全的一份CV技术报告
计算机视觉是关于研究机器视觉能力的学科，或者说是使机器能对环境和其中的刺激进行可视化分析的学科。机器视觉通常涉及对图像或视频的评估，英国机器视觉协会（BMVA）将机器视觉定义为「对单张图像或一系列图像的有用信息进行自动提取、分析和理解」。 对我们环境的真正理解不是仅通过视觉表征…
-
编辑 删除
论文结果难复现？教你实现深度强化学习算法DQN
过去几年来，深度强化学习逐渐流行，因为它在有超大状态空间（state-spaces）的领域上要比先前的方法有更好的表现。DQN 几乎在所有的游戏上超越了之前的强化学习方法，并在大部分游戏上比人类表现更好。随着更多的研究人员用深度强化学习方法解决强化学习问题，并提出替代性算法，D…
-
编辑 删除
Titan XP值不值？教你如何挑选深度学习GPU
即将进入 2018 年，随着硬件的更新换代，越来越多的机器学习从业者又开始面临选择 GPU 的难题。正如我们所知，机器学习的成功与否很大程度上取决于硬件的承载能力。在今年 5 月，我在组装自己的深度学习机器时对市面上的所有 GPU 进行了评测。而在本文中，我们将更加深入地探讨：…
-
编辑 删除
代码优化指南：人生苦短，我用Python
第一部分请查看从环境设置到内存分析。以下是 Python 代码优化的第二部分，主要从 Python 脚本与 Python 解释器两个方面阐述。在这一部分中我们首先会关注如何追踪 Python 脚本的 CPU 使用情况，并重点讨论 cProfile、line_profiler、p…
-
编辑 删除
即将放弃Python 2.7的不止有Numpy，还有pandas和这些工具
Python 核心团队计划在 2020 年停止支持 Python 2。NumPy 自 2010 年以来同时并行支持 Python 2 和 Python 3，但是由于资源有限，支持 Python 2 变成了一个日渐加重的负担；因此，我们计划最终停止支持 Python 2。现在我们…
-
编辑 删除
从遗传算法到OpenAI新方向：进化策略工作机制全解
我尽量简化了公式，如果读者想理解更多的细节，我提供了原始文章的链接。这是这一系列文章的第一篇，在文章中，我将展现如何将这些算法应用到诸如 MNIST、OPENAI Gym、Roboschool 和 PyBullet 等多种环境中。 神经网络模型具有高度的表达性和灵活性。如果能找…
-
编辑 删除
良心GitHub项目：各种机器学习任务的顶级结果（论文）汇总
该 GitHub 库提供了所有机器学习问题的当前最优结果，并尽最大努力保证该库是最新的。如果你发现某个问题的当前最优结果已过时或丢失，请作为问题提出来（附带：论文名称、数据集、指标、源代码、年份），我们会立即更正。 这是为所有类型的机器学习问题寻找当前最优结果的一次尝试。我们都…
-
编辑 删除
斯坦福大学秋季课程《深度学习理论》STATS 385开讲
深度学习最近的成就很大程度上基于经验，不过，学者们总是在试图在理论层面上解释发展背后的原因。在斯坦福大学新推出的课程《Theories of Deep Learning》中，我们将从讲师 Bruna、Mallat、Mhaskar、Poggio、Papyan等人那里，试图建立神经…
