深度学习

在当前的就业环境下，人工智能工程师的高薪优势凸显，可却有不少人陷入了瓶颈期，不知道该朝着哪个方向发展自己， “掌握理论知识但缺乏实战经验” 成为了求职晋升路上的短板，硬件设备的不足和自主学习的惰性也成为了前进路上的绊脚石。 在总结了不少学员的急迫需求之后，开课吧人工智能学院特此开展 《人工智能项目实战训练营》 ，开设多个 方向课程 ，帮你找到准确定位。与此同时， 独家实训平台+助教陪伴式学习 也帮你解决学习上软硬件的各种问题， 360度无死角 为你的安心学习铺平道路！ 我该如何参加？ ① 扫描下方二维码添加课程顾问 获取实训平台说明书以及更多课程福利待遇 ???????????? ② 根据需求自主选择 适合自己 的课程内容 ③ 一线讲师天团 本课程的老师，均来自国际名校（清华大学、佛罗里达大学、浙江大学等）且均具备世界知名企业（阿里巴巴、商汤科技、IBM中国实验室等）的实际工作经验。 01 02 03 04 05 滑动查看更多 ④ 开通实训平台权限，进行自主训练 独家自研线上教学环境， 免除 学员上课前下载步骤，课上 无需 配置环境，代码驱动，可以 实时跟随老师 的授课思路。同时能够 在线进行编辑运行，随学随用 。 独家在线实验环境，让你的上课过程从“只读”模式，转变为“编辑”模式。 ⑤ 根据所选课程进入相对应的班级群， 实现“ 助教+班主任贴心辅导 ”的高效率学习方式： 专人督促

01 术语整理 本节概述机器学习及其三个分类（监督学习、非监督学习和强化学习）。首先，与机器学习相关的术语有人工智能（Artificial Intelligence，AI）、机器学习（Machine Learning，ML）、强化学习、深度学习等，这里对这些术语进行简单的整理。 AI意味着人工智能，其定义因研究人员而异。从广义上讲，它指“像人类一样具有智能的系统和配备这种系统的机器人”。实现AI的方法之一是机器学习。 机器学习可以简单地描述为“向系统提供数据（称为训练数据或学习数据）并通过数据自动确定系统的参数（变量值）”。相反，基于规则的系统是非机器学习系统的一个例子。在基于规则的系统中，由人类来清楚地定义分支条件的参数，例如实现代码中所存在的if语句等。 另一方面，机器学习自动根据训练数据确定代码中的参数，以使系统运行良好。之所以称为机器学习，正是因为系统能根据训练数据计算和确定系统运行所需的参数。 强化学习是机器学习中的一种。机器学习可分为三大类：监督学习、非监督学习和强化学习。我们稍后会讨论这三个分类，这里只需要认识到强化学习是机器学习的一部分即可。 接下来是深度学习。深度学习是实现机器学习的算法之一。机器学习的算法包括逻辑回归、支持向量机（Support Vector Machine，SVM）、决策树、随机森林和神经网络等。深度学习是神经网络中的一种。 最后是深度强化学习

　　 　　作者 | Mr Bear 　　编辑 | 丛 末 　　近年来，随着图神经网络在各个领域的火热应用，越来越多的学者试图从图论的角度对图神经网络的表达能力进行理论分析，并基于这些理论分析开发出了性能强大的模型。然而，在实际应用中，这些在理论上非常强大的模型的性能往往会受到计算复杂度等因素的限制。 　　本文作者 Michael Bronstei n 是一名来 自帝国理工学院的教授，同时也是 Twitter 图机器学习项目组的负责人。在本文中，他深入浅出地介绍了近年来分析图神经网络表达能力的工作，并介绍了他们对于该领域未来发展方向的思考。 　　 1 　　 图神经网络和 WL 图同构测试之间的关系 　　 　　众所周知，传统的前馈神经网络（多层感知机）是一种通用函数近似器：它们能够以任意的准确率逼近任意的平滑函数。对于近期兴起的图神经网络来说，其表征性质还不太为人所知。在实验中，我们经常可以看到图神经网络在某些数据集上性能优异，但同时又在另一些数据集上表现令人失望。 　　为了探究造成这种现象的根本原因，我们不得不思考一个问题：图神经网络究竟有多强大？ 　　在探究这一问题的过程中，我们所面临的一个挑战是：实际应用场景下使用的图往往是连续结构和离散结构（节点、边特征、连通性）的组合。因此，该问题可以被表述为不同的形式。一种可能的形式化定义是：图神经网络是否能够区分不同类型的图结构。在图论中

今天阅读了《构建之法》第二章 深度学习了第五章内容并完成了5.9.1 5.9.2 5.9.3 5.9.4 课后练习题。 明天开始学习第六章数组内容。 来源： oschina 链接： https://my.oschina.net/u/4364008/blog/4339785

1. Model Log 介绍 Model Log 是一款基于 Python3 的轻量级机器学习(Machine Learning)、深度学习(Deep Learning)模型训练评估指标可视化工具，与 TensorFlow、Pytorch、PaddlePaddle结合使用，可以记录模型训练过程当中的 超参数、Loss、Accuracy、Precision、F1值等，并以曲线图的形式进行展现对比 ，轻松三步即可实现。 GitHub项目地址： https://github.com/NLP-LOVE/Model_Log 通过调节超参数的方式多次训练模型，并使用 Model Log 工具进行记录，可以很直观的进行模型对比，堪称调参神器。以下是使用工具后模型训练时 Loss 的变化曲线图。访问线上体验版： http://mantchs.com/model_log.html 通过上图可以很清晰的看出两个模型的训练效果，而且在表格当中高亮显示修改过的超参数，方便进行模型分析。 2. Model Log 特性 轻量级、无需任何配置、极简API、开箱即用。 只需要把模型的超参数和评估指标数据通过API添加即可，轻松三步即可实现。 高亮显示修改过的超参数，方便进行模型分析。 自动检测和获取正在训练的模型数据，并进行可视化，无需人工参与。 使用 SQLite 轻量级本地数据库存储，可供多个用户同时使用

云栖号资讯：【 点击查看更多行业资讯 】 在这里您可以找到不同行业的第一手的上云资讯，还在等什么，快来！ 图灵的毒苹果 1954年6月7日，艾伦·麦席森·图灵被发现死在家中。剥夺图灵生命的是一只沾有氰化物的苹果，尽管他母亲坚持这是一桩意外——因为图灵的住所常常散落着各种危险化学试剂，但大多数人都认为，这是图灵难以忍受侮辱而做出的选择。 两年前，图灵因同性恋取向而被英国政府定罪，随后在接近长达一年的时间里一直进行着所谓的“荷尔蒙疗法”，即接受雌激素注射，伴之而生的乳房发育等副作用让他饱受折磨、痛苦不堪。* 图灵的早逝无疑是人类历史上的一个巨大损失。作为“计算机之父”、“人工智能之父”，图灵在计算机科学与人工智能领域有诸多贡献，他提出的“图灵机”设想启发了现代计算机的发明，而其更著名的“遗产”，是一种用于判定机器是否具备智能的测试方法，即“图灵测试”。 图片来源于网络 在1950年发表的《机器能思考吗？》一文中，图灵第一次提出“机器思维”的概念，他大胆假定机器将产生思考能力，并给出了测试方法：假如一台机器通过电传打字机与人沟通，如果有超过30%的人无法在特定时间（5分钟）内分辨出与自己交谈的是人还是机器，即可认为该机器具有思考能力。图灵还预言，到2000年时，将出现足够聪明的机器能够通过测试。 这一测试的聪明之处在于，“意识”、“思维”、“智能”都是难以通过定义来阐释的东西

下面这张据说是最多人自拍的照片里面有1000个人。 百度的人脸检测技术成功找到其中880个人。这个的确考验眼神，让人来数的话，估计拿着放大镜也数不清。 这还是2018年底的成绩，估计现在又厉害了一截。这就今天我们讨论的问题。 人脸检测现在应用已经非常普遍，但是背后的技术原理还是很有意思的。比如大家用手机照相时候，应该注意到了相机能够自动检测到人脸。 首先要稍微区分一下人脸检测和人脸识别两个概念，非常相关又略有不同: 人脸检测： 当前照片里，哪些部位是人脸？ 人脸识别: 当前照片里面的人是谁？手机照片自动归类就用到了这个技术。 1. 从人工智能大的方面来说，这两个问题很好统一。其实就是给定输入变量X （照片），模型自动给出结果Y。这个Y可能不同，比如1）是不是人脸？2）谁的人脸？3）这个人年纪多大？）。 简答来说，人工智能模型是解决一个方程： X * W = Y 其中W就是模型要学习的一系列参数。参数学好了，就能成功的把输入变量映射到我们想要的输出变量。 1)对于人脸检测问题来说，X是照片的各个像素值，包括3个通道的颜色。图像在计算机中的存储方式是数字矩阵对应像素点阵，比如1024×768等。而每个像素点是用数值来表示RGB或者黑白灰。而Y就是人脸框框的四个坐标值。 2)对于人脸识别问题，就是判断这个人和谁是同一个人时候，X输入同上，而Y是一长串特征值向量

　　 大数据文摘出品 　　 　　 作者：刘俊寰、牛婉杨 　　昨天，一个“修复老北京街道”的视频刷屏全网。一段由加拿大摄影师在 100年前的北京 被AI修复后，活灵活现地展现在人们面前，一百年前人们打招呼的方式、使用的乐器、交通工具，在这段视频中，都清晰可见。配上颇合时宜的音乐， 24小时内，已经有了将近50万的点赞量，10万多次的转发，接近3万的留言 ，看来周六大家也有在好好工作啊。 　　 　　这个视频来自一位名叫“大谷Spitzer”的博主，据他所说， 接触老片修复是一个偶然，整个项目也只花了7天时间就顺利完成了 。 　　先来一起看看这惊人的修复效果。 　　老视频 　　 　　修复后效果 　　 　　修复后的视频把当时的北京城演绎的活灵活现，下边的片段中，左下角小哥呆呆的看着镜头，连细微的表情都清晰可见，青涩中带有一点可爱，想象一下这位憨厚的小哥来自一百年前，还是让文摘菌感慨万千。 　　 　　怪不得网友们纷纷赞叹。有网友表示，不仅 整体氛围没话说 ，连 细节部分也分毫毕显 ，“每个人脸上都是新奇又不敢接近的表情”。 　　甚至有网友留言表示， “博物馆应该收藏你的作品” ！ 　　 　　链接指路： 　　https://weibo.com/tv/v/J0ZsQnP6a?fid=1034:4502352820895785 　　博主在视频最开始就说道，想用技术为社会做一些有意义的事情

　　选自Google AI Blog 　　 机器之心编译 　　 参与：Panda 　　 你是否曾在看视频时呼唤过计数君？近日，谷歌和 DeepMind 公布的一篇 CVPR 2020 论文利用机器学习方法打造了一种机器计数君，可以非常便利地统计视频中重复过程的出现次数；尤其值得注意的是，谷歌不仅公布了论文，还发布了演示视频、代码、模型以及一个新构建的相关数据集 Countix。本文为谷歌 AI 博客对这项研究的解读介绍。 　　 　　项目： https://sites.google.com/view/repnet 　　论文： http://openaccess.thecvf.com/content_CVPR_2020/papers/Dwibedi_Counting_Out_Time_Class_Agnostic_Video_Repetition_Counting_in_the_CVPR_2020_paper.pdf 　　Countix 数据集： https://storage.googleapis.com/deepmind-media/Datasets/countix.tar.gz 　　Colab Notebook：https://colab.research.google.com/github/google-research/google-research/blob/master

最近在学习机器学习，看到了这份笔记，介绍的非常详细，记录一下作为学习。 作者 梁劲（Jim Liang） ，来自 SAP （全球第一大商业软件公司）。 书籍特点 条理清晰，含图像化表示更加易懂，对公式有详细的注解等。 内容概要 主要分为基本概念、常用算法和其他三部分。 为什么会这样？ 首当其冲就是数学，涉及统计学、微积分、概率、线性代数等，大家虽然都学过高等数学，但如果你还记得里面的细节，算你牛。更可能的情况是，多数人都对高等数学忘记了，面对各种算法里的大量公式，感到厌恶，甚至恐惧。 其次因为机器学习本身是一个综合性学科，而且是一个快速发展的学科，知识点散乱，缺乏系统性。 市面上的机器学习/深度学习书籍、文章、教程，遍地开花，但能以清晰的方式表达、循序渐进地讲解的教程，其实不多，大量的教程没有考虑到学习者的基础，使得初学者感到挫败和困惑。 正是对机器学习的过程中的痛苦有切身体会，作者Jim Liang希望能做一份教程，以浅显易懂的方式去讲解它，降低大家的学习门槛。为此花费了数月时间，经常做到深夜，把自己的学习笔记整理成了这份教程。 Part 1 介绍了基本概念，包括： 机器学习的流程 数据处理 建模 评估指标（如 MSE、ROC 曲线） 模型部署 过度拟合 正则化等 在第一部分，作者先介绍了如今应用普遍的机器学习：从自动驾驶、语音助手到机器人。其中有些思想，也是众多读者们了解过的