深度学习

随着人工智能的巨大进步 – 从无人驾驶汽车领域的进步，到掌握扑克和围棋等游戏，以及自动化客户服务交互 – 这项先进技术将为企业带来革命性的变化。但是，AI，机器学习和深度学习这两个术语经常被随意使用，并且可以互换使用，因为每种技术之间存在重大差异。以下是这三种工具之间差异的指南，可帮助您掌握机器智能。 人工智能（AI） 人工智能是思考先进计算机智能的最广泛途径。1956年在达特茅斯人工智能会议上，该技术被描述为：“学习的每一个方面或智能的任何其他特征原则上都可以被精确地描述，以便机器可以被模拟。” 人工智能可以指任何从玩象棋游戏的计算机程序到亚马逊Alexa解释和响应语音的语音识别系统。该技术大致可以分为三类：狭义人工智能，人工智能（AGI）和超智能人工智能。 IBM的Deep Blue在1996年的比赛中击败国际象棋大师Garry Kasparov，或者在2016年击败了Lee Sedol的Google DeepMind的AlphaGo，它们都是狭义AI-AI的例子，它们擅长于一项特定任务。这与人工智能（AGI）不同，后者是人工智能，可以执行一系列任务。 超级智能AI让事情更进一步。正如尼克·博斯特罗姆所描述的那样，这是“在几乎所有领域都比人类最优秀的智慧更聪明的智慧，包括科学创造力，一般智慧和社交技巧。” 换句话说，就是机器超过了我们。 机器学习（ML）

来源：数据Seminar 本文约 3800 字， 建议阅读 7 分钟。 本文列出了 2017 年 GitHub 平台上最为热门的知识库，其中包含了学习资料与工具。 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 平台上最为热门的知识库，其中包含了学习资料与工具。希望对你的学习和研究有所帮助。 1、学习资源 1.1 Awesome Data Science 项目地址 ： github.com/bulutyazilim 该 repo 是数据科学的基本资源。多年来的无数贡献构建了此 repo 里面的各种资源，从入门指导、信息图，到社交网络上你需要 follow 的账号。无论你是初学者还是业内老兵，里面都有大量的资源需要学习。 从该 repo 的目录可以看出其深度。 1.2 Machine Learning / Deep Learning Cheat Sheet 项目地址： github.com/kailashahirw 该项目以 cheatsheet 的形式介绍了机器学习/深度学习中常用的工具与技术，从 pandas 这样的简单工具到深度学习技术都涵盖其中。在收藏或者

​ 机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。 它是人工智能的核心，是使计算机具有智能的根本途径。 2020年，似乎没有哪一个方向能比机器学习还要火热了，即使我们不打算从事算法方向，了解一点机器学习的基础知识也不是什么坏事，这一份书单，将带你入门基础的机器学习知识。 机器学习系列书单 ​ 图解机器学习 　　《图解机器学习》用丰富的图示，从ZUI小二乘法出发，对基于ZUI小二乘法实现的各种机器学习算法进行了详细的介绍。第Ⅰ部分介绍了机器学习领域的概况；第Ⅱ部分和第Ⅲ部分分别介绍了各种有监督的回归算法和分类算法；第Ⅳ部分介绍了各种监督学习算法；第Ⅴ部分介绍了机器学习领域中的新兴算法。书中大部分算法都有相应的MATLAB程序源代码，可以用来进行简单的测试。 作者简介 　　杉山将，1974年生于大阪。东京工业大学计算机工程学博士毕业，现为东京大学教授、日本国立信息学研究所客座教授。主要从事机器学习的理论研究和算法开发，以及在信号和图像处理等方面的应用。2011年获日本信息处理学会长尾真纪念特别奖。著有《统计机器学习》、DensityRatioEstimationinMachineLearning等

网站建设使用阿里云ECS云服务器、轻量应用服务器还是虚拟主机？又或者是阿里云的建站产品？新手站长网分享阿里云建站产品ECS、轻量、虚拟主机及SAAS建站模板优缺点对比及选择方法： 阿里云建站产品选择 阿里云建站应用于Web网站端，可以选择ECS云服务器、轻量应用服务器和云虚拟主机作为基础环境，阿里云还推出建站产品，用户不需要购买云服务器（阿里云建站是一种SAAS服务），可以参考（ 建站产品对比及选择推荐 - 阿里云 ），优缺点对比及选择方法如下： 阿里云建站产品 介绍 优势 适用人群 ECS云服务器 ECS云服务器是虚拟化的服务器，用户可以对云服务器安装操作系统、运行环境、磁盘扩容、公网宽带及ECS升降配等操作 云服务器 ECS拥有传统服务器和虚拟主机无法企及的优势，高可靠性稳定性、容灾备份、弹性扩容等优势，ECS云服务器不仅可以用来建站，还适用于视频弹幕、AI深度学习、科学计算、图片处理等高性能应用场景。 技术能力强的IT创业公司/互联网公司，对服务器有大量资源需求的传统行业企业，PaaS和SaaS的开发者和企业 轻量应用服务器 轻量应用服务器支持一站式的域名、网站、安全、运维、应用管理等服务，降低了入门级用户使用云计算产品的门槛，适用于新手，不支持集群等操作 一键启动应用和服务器，一站式管理应用，运维，各个集成产品的功能及丰富的应用。全产品线使用SSD存储，性能优异，价格低

　　 　　 大数据文摘出品 　　 作者：Christopher Dossman 　　 编译：李雷、Luna、云舟 　　呜啦啦啦啦啦啦啦大家好，本周的AI Scholar Weekly栏目又和大家见面啦！ 　　AI ScholarWeekly是AI领域的学术专栏，致力于为你带来最新潮、最全面、最深度的AI学术概览，一网打尽每周AI学术的前沿资讯。 　　每周更新，做AI科研，每周从这一篇开始就够啦！ 　　 本周关键词 ：推荐系统、3D建模、BERT 　　 本周最佳学术研究 　　 新一代推荐系统实验工具 　　如果你关注推荐系统，那么python版的LensKit推荐系统引擎库（LKPY）可能会引起你的兴趣。这是一个开源工具包，可用于构建、研究及学习推荐系统。 　　2010年LensKit 的Java版本首次发布，目前该工具已经应用于各种研究的发表、小规模生产部署以及线上（MOOC）和线下（传统教室）教育中。 　　在本文中，美国博伊西州立大学的研究人员提出了LensKit for Python项目，将原始工具重新构建为灵活易用的Python插件，用于推荐系统研发。 　　Python版的LensKit（LKPY）使研究人员和学生能够利用强大且不断发展的PyData和Python科学生态圈（包括scikit-learn，TensorFlow和PyTorch），构建健壮、灵活且可重复的实验系统。

1. 背景 以图搜图在生活中有着广泛的应用, 当我们在电视上看到有人穿着一件美丽的裙子或者帅气的球鞋也想拥有时, 我们可以拍张照片然后打开淘宝然后上传照片就可以快速的找到这个商品. 我们看到一张电影截图想知道出处的时候只要将图片粘贴到百度或者谷歌的图搜框中就可以找到相关电影的信息. 以图搜图还可以通过照片在海量的人物相册中快速的找到想要找的目标. 当您在使用百度谷歌等搜索引擎的以图搜图功能的时候的时候是否觉得这种"黑科技"遥不可及呢? 其实通过AnalyticDB提供的深度学习算法和高效向量检索, 我们只需要使用SQL就可以轻松的搭建一套以图搜图系统, 不需要掌握tensorflow, pytorch等深度学习框架, 也不需要学习OpenCV之类的视觉算法库. 本文将介绍如何通过AnalyticDB来快速搭建一套以图搜图系统. 内容 来源： oschina 链接： https://my.oschina.net/u/4381796/blog/4327428

点击上方“ 3D视觉工坊 ”，选择“星标” 干货第一时间送达 今天的内容关注于全景分割（ Panoptic Segmentation ）和视频目标分割（ Video Object Segmentation，VOS ）。 什么是全景分割？ 全景分割 即同时实现对背景的语义分割和前景的实例分割。 这是图像分割领域近来的新趋势，请看下图： 图片来自论文 Panoptic Segmentation ,CVPR 2019 上图中，(b)语义分割的结果是相同语义的对象标成相同的颜色，（c）实例分割是对目标前景分个体的像素级标注来，（d）全景分割结合了语义分割和实例分割的结果。 全景分割在CVPR 2019 被提出，但一年多来已经引起广泛关注，CVPR 2020 总计有 8 篇文章。 什么是视频目标分割？ 对视频中感兴趣的目标进行分割，给定第一帧mask的VOS称为one-shot VOS （单样本VOS），无第一帧目标mask的称为zero-shot VOS（无样本VOS）。（大家可以在下述论文 Learning Video Object Segmentation From Unlabeled Videos 中了解） 下图为实例级视频目标分割的例子： 图片来自论文 Video Object Segmentation with Re-identification,CVPR 2017

　　 刚刚，ICML 2020 公布了本届杰出论文奖和杰出论文荣誉提名奖（各两篇），其中北理工研二学生魏恺轩为一作的论文获得了杰出论文奖，主题为开发用于自动搜索参数的策略网络。另外，来自英伟达、斯坦福等机构的研究者也摘得杰出论文奖。 　　 　　机器学习顶级会议 ICML 2020 于本月 13 日至 18 日以线上形式举行。此次会议共收到 4990 篇论文，接收论文 1088 篇，接收率达 21.8%。与往年相比，接收率逐年走低。 　　刚刚，ICML 2020 大会放出了杰出论文奖和杰出论文荣誉提名奖，一篇发表于 2009 年的论文获得此次大会的时间检验奖。 　　其中，北京理工大学和剑桥大学合作的论文《Tuning-free Plug-and-Play Proximal Algorithm for Inverse Imaging Problems》获得了此次会议的杰出论文奖。我们之前报道过的 OpenAI 新研究《Generative Pretraining From Pixels》获得了杰出论文荣誉提名奖。 　　 杰出论文奖 　　 论文1：On Learning Sets of Symmetric Elements 　　 　　论文地址：https://arxiv.org/pdf/2002.08599.pdf 　　论文作者：Haggai Maron（英伟达研究院）、Or

　　　　在 机器学习中的矩阵向量求导(三) 矩阵向量求导之微分法 中，我们讨论了使用微分法来求解矩阵向量求导的方法。但是很多时候，求导的自变量和因变量直接有复杂的多层链式求导的关系，此时微分法使用起来也有些麻烦。需要一些简洁的方法。 　　　　本文我们讨论矩阵向量求导链式法则，使用该法则很多时候可以帮我们快速求出导数结果。 　　　　本文的标量对向量的求导，标量对矩阵的求导使用分母布局， 向量对向量的求导使用分子布局。如果遇到其他资料求导结果不同，请先确认布局是否一样。 1. 向量对向量求导的链式法则 　　　　首先我们来看看向量对向量求导的链式法则。假设多个向量存在依赖关系，比如三个向量$\mathbf{x} \to \mathbf{y} \to \mathbf{z}$存在依赖关系，则我们有下面的链式求导法则：$$\frac{\partial \mathbf{z}}{\partial \mathbf{x}} = \frac{\partial \mathbf{z}}{\partial \mathbf{y}}\frac{\partial \mathbf{y}}{\partial \mathbf{x}}$$ 　　　　该法则也可以推广到更多的向量依赖关系。但是要注意的是要求所有有依赖关系的变量都是向量，如果有一个$\mathbf{Y}$是矩阵，，比如是$\mathbf{x} \to

点击上方“ 3D视觉工坊 ”，选择“星标” 干货第一时间送达 目前三维点云数据的获取方法相对快捷，同时三维点云数据的采集不受光照影响，也规避了二维图像遇到的光照、姿态等问题，因此基于点云数据的三维物体识别也引起了人们的重视。 三维点云物体识别方法多是通过提取物体的特征点几何属性、形状属性、结构属性或者多种属性的组合等特征进行比对、学习，从而完成物体的识别与分类。可以分为以下四类方法： 1.基于局部特征的目标识别 基于局部特征的物体识别方法主要是通过局部来识别整体。该方法无需对处理数据进行分割，往往通过提取物体的关键点、边缘或者面片等局部特征并进行比对来完成物体的识别。其中，特征提取是物体识别中非常关键的一步，它将直接影响到物体识别系统的性能。基于局部特征的方式对噪声和遮挡有更好的鲁棒性，同时不受颜色和纹理信息缺乏的限制。由于局部特征描述子仅使用参考点邻域信息，所以不对场景进行分割即可处理复杂场景。但是局部特征描述子维度较高，需要消耗更多的内存，同时存在计算复杂度高，实时性差等问题。 点特征直方图(PFH)和快速点特征直方图(FPFH)是Rusu R B等人提出的相对早期的局部特征描述子。采用统计临近点对夹角的方式构造特征描述子，这也是局部特征描述子构造的典型方式，在此基础上形成了基于局部特征匹配的目标识别和位姿估计的经典框架，如下图所示。表１对典型的局部三维描述符进行了总结