-
成本优化浪潮下重新思考RPA技术
下一次成本优化浪潮正加速到来，如何真正做到降本增效，是当前全球企业亟待解决的问题。为此，人们将目光放在了能够替代人工的自动化、智能化科技上，从桌面自动化发展到机器人流程自动化（RPA），最终将实现智能自动化（RPA+AI）。从RPA到AI、再到RPA从能完成重复性强、规则清晰的工作的传统RPA支持人类使用、提高人类效率，到像人类一样识别、学习、思考和感知（人工智能的结合），最终能做到数据分析、洞察
-
Science：这种算法，也许将创造更公平的人工智能
2019-12-20 14:30:38机器之心转载来源：科研圈斯坦福大学和马萨诸塞大学阿姆赫斯特分校合作团队开发出一种方法，可以将模糊的目标进行量化，帮助机器学习算法更好地完成避免歧视或调节血糖等复杂任务。图片来源：Deboki Chakravarti得益于机器学习算法日益强大的能力，人工智能已进入了主流商业。机器学习算法使计算机能够训练自己完成诸如驾驶汽车，控制机器人或自动化决策等工作。但是随着
-
从ReLU到GELU，一文概览神经网络的激活函数
2019-12-20 13:28:50选自mlfromscratch作者：Casper Hansen机器之心编译参与：熊猫、杜伟激活函数对神经网络的重要性自不必多言，机器之心也曾发布过一些相关的介绍文章，比如《一文概览深度学习中的激活函数》。本文同样关注的是激活函数。来自丹麦技术大学的 Casper Hansen 通过公式、图表和代码实验介绍了 sigmoid、ReLU、ELU 以及更新的 Lea
-
6个你必须知道的机器学习的革命性的教训
2019-12-15 12:15:25作者 | James Warner编译 | ronghuaiyang来源 | 转载自AI公园（ID:AI_Paradise)【导读】机器学习是未来，因为它将广泛应用于计算机和其他领域。尽管如此，开发有效的机器学习应用需要大量的“黑魔法”，这在手册中很难找到。在机器人技术、智能家电、智能零售店、自动驾驶汽车技术等的推动下，我们正步入一个新时期。机器学习是所有这些
-
周志华西瓜书《机器学习》
机器学习是计算机科学与人工智能的重要分支领域. 本书作为该领域的入门教材，在内容上尽可能涵盖机器学习基础知识的各方面。 为了使尽可能多的读者通过本书对机器学习有所了解, 作者试图尽可能少地使用数学知识. 然而, 少量的概率、统计、代数、优化、逻辑知识似乎不可避免. 因此, 本书更适合大学三年级以上的理工科本科生和研究生, 以及具有类似背景的对机器学 习感兴趣的人士. 为方便读者, 本书附录给出了一
-
为什么算法的公平性令人难以捉摸？
2019-12-14 15:14:13算法公平性，从根本上来讲，是一个社会道德问题。作者 | Amber Cazzell译者 | 苏本如，责编 | Elle以下为译文：2016年，谷歌照片将两名非裔美国人的照片归类为“大猩猩”。两年后，谷歌除了从分类数据库中将 “大猩猩”一词删除外，没有做任何更多的事情。数据显示，亚马逊曾在2016年，不成比例地向欧美消费者提供了一天的免费送货服务。在佛罗里达州，
-
机器学习与隐私保护，究竟路在何方？
水调歌头·AI几时有——张忠宝AI几时有，算法大无边。不知智慧未来，爆发在何年。我欲机器学习，又恐信息融合，保护着实难。数据万万千，何处无风险？搞广度，用深度，加上GAN。今日论道，如何便利又安全？既要智能服务，又要隐私保护，此事古难全。但愿此会后，二者可得兼。【智能时代与隐私保护，是左右互搏还是相辅相成】当今，在大数据、人工智能的时代下，用户在获得智能服务带来便利的同时，也面临着极大的隐私泄露风
-
梯度下降背后的数学原理几何？
对于诸位“机器学习儿”而言，梯度下降这个概念一定不陌生，然而从直观上来看，梯度下降的复杂性无疑也会让人“敬而远之”。本文作者 Suraj Bansal 通过对梯度下降背后的数学原理进行拆解，并配之以简单的现实案例，以轻松而有趣的口吻带大家深入了解梯度下降这一在机器学习领域至关重要的方法。敏捷软件开发定义了迭代产品开发的过程，以下步骤可通过这一过程执行。1）市场调研后进行产品构建2）产品商
-
开源 | 全球首个批流一体机器学习平台 Alink
2019-12-06 10:20:44阿里妹导读：Flink 在机器学习领域的进展一直是众多开发者关注的焦点，今年 Flink 迎来了一个小里程碑：机器学习算法平台 Alink 开源，这也宣告了 Flink 正式切入 AI 领域。背景随着大数据时代的到来和人工智能的崛起，机器学习所能处理的场景更加广泛和多样。构建的模型需要对批量数据进行处理，为了达到实时性的要求还需要直接对流式数据进行实时预测，还
-
当前有哪些可用的AutoML平台？
作者&编辑 | 言有三自从Google提出AutoML那天起，工业界和学术界就已经迅速跟进了，经过了几年的发展，那么现在工业界都有了哪些AutoML平台呢？本次简单介绍其中重要的一些。1 Google Cloud AutoML作为AutoML的提出和尝鲜者，Google Cloud AutoML是当前最早也是最成熟的AutoML系统，覆盖了图像分类，文本分类以及机器翻译三大领域，另外也上线
-
NeurIPS 2019 |自动优化架构，这个算法能帮工程师设计神经网络
2019-12-11 13:15:16机器之心发布机器之心编辑部近日，NeurIPS 2019 近日在加拿大温哥华召开。腾讯 AI Lab 共 14 篇论文入选，位居国内企业前列。这也是腾讯 AI Lab 第四次参加 NeurIPS，会议期间，我们选取了一篇来自腾讯 AI Lab 的优秀论文进行解读。在这篇由腾讯 AI Lab 主导，和华南理工大学合作完成的论文中，作者利用强化学习的方法学习了一种
-
竞技世界首席数据科学家巴川：数据科学，未来或将成为民族核心竞争力
09 月 21 日，CCF TF 第 22 期「数据驱动」主题会议顺利举办。本次会议主席由竞技世界首席数据科学家巴川担任，会议特别邀请了来自学界与业界的多位大咖共同探讨数据驱动技术在生活与生产中的应用与价值。特邀嘉宾包括：清华大学计算机系教授兼软件所所长李国良、河北省大数据计算重点实验室副主任刘晶、京东数科智能城市事业部数据管理平台部负责人鲍捷、滴滴出行高级数据科学家缪莹莹以及饿了么研究员傅周宇。
-
新功能初探 | MySQL 8.0 Multi-Valued Indexes功能简述
顾名思义，索引上对于同一个Primary key, 可以建立多个二级索引项，实际上已经对array类型的基础功能做了支持，并基于array来构建二级索引。 这意味着该二级索引的记录数可以是多于聚集索引记录数的，因而该索引不可以用于通常意义的查询，只能通过特定的接口函数来使用，下面的例子里会说明。关注公众号“阿里数据库技术”，回复“MySQL”获取相关文档。范例摘录自官方文档 *请左右滑动阅览r
-
「干货」22道机器学习常见面试题目
(1) 无监督和有监督算法的区别？有监督学习：对具有概念标记（分类）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标记（分类）预测。这里，所有的标记（分类）是已知的。因此，训练样本的岐义性低。无监督学习：对没有概念标记（分类）的训练样本进行学习，以发现训练样本集中的结构性知识。这里，所有的标记（分类）是未知的。因此，训练样本的岐义性高。聚类就是典型的无监督学习。(2) SVM 的推导，特性？
-
企业营销环节应用RPA的三大典型场景
互联网、新技术的快速发展，使得市场各行业竞争愈发激烈，没有创新性的营销方案将很难吸引客户。精确数据缺乏，传统渠道推广以及品牌运营花费的人力物力成本太高，导致价值不对等，影响着企业的市场竞争力。如何在营销业务找寻新的突破？RPA技术或许将会为企业市场营销人员提供全新的解决方案。RPA如何应用于营销环节？RPA机器人流程自动化技术，被称为人工智能的“先行者”。一方面，RPA技术比AI门槛更低，商业落地
-
机器学习正遭遇“可重复性危机”，或已成“炼金术”？
机器学习以其特有的优势逐渐在科学研究中得到大量应用，然而，其内在的“黑箱”特点也带来了一系列问题，有研究者认为正是机器学习的这种不可解释性导致了当下科学研究的“可重复性危机”——如果科学不可重复，那我们是否还能称之为真正的科学吗？与此同时，更有研究者声称机器学习已经成为一种“炼金术”。本文基于机器学习所带来的“可重复性危机”，从“是什么”“为什么”以及“下一步该如何做”三个层次进行了阐述，为这一危
-
UiBot RPA如何解决系统间集成难题？
随着计算机的发展、信息技术的普及，企业员工为完成工作所使用的软件应用也越来越多。然而，众多的软件系统并没有如期实现办公效率的提升。由此产生了著名的“信息化悖论”：企业部署信息化系统的数量和办公效率成反比。之所以会出现这种情况，主要是因为一般企业的软件系统通常由多家软件供应商逐步完善而成，因而很难有企业能够将多个系统用统一流程来实现。所以，员工在实际工作中，需要在多个系统间通过切换应用，在不同应用间
-
一文详解知识图谱到底有什么用 -KGB知识图谱的产生背景，技术特色和应用场景概览
知识图谱是将客观世界中概念，实体和相互关系用结构化形式表述出来，通过学习人类认识世界的方式，增强互联网对海量信息的管理、组织和理解能力。知识图谱主要包括对实体，概念和属性的三种节点的示意图。
-
分析自家150个ML模型后，这家全球最大旅行网站得出了6条经验教训
在许多媒体文章中，我们都能看到「机器学习赋能 XX 行业」的字眼，但这种「能量」究竟体现在哪些方面，企业在引入机器学习模型的过程中要注意哪些问题，很多文章都没有说清楚。在今年的 KDD 大会接收论文中，全球最大的线上旅行代理网站 Booking.com（缤客网）贡献了一篇论文，分析了他们面向客户的 150 个成功的机器学习应用以及从中得到的六条经验教训。本文是对这篇论文的简短总结。「150 suc
-
害怕部署机器学习模型？这里有一篇手把手教程
导语：机器学习模型的部署可能会让初学者感到害怕，甚至对那些有经验的人来说也是如此。照片由 Franck V 发布在 Unsplash 上阅读本文后，你将能够部署机器学习模型，并用你想要的编程语言进行预测。没错，你可以坚持使用 Python，也可以通过 Java 或 Kotlin 直接在你的 Android 应用程序中进行预测。另外，你可以直接在你的 web 应用程序中使用该模型——你有很多很多选择
