h2

https://zhuanlan.zhihu.com/p/108854348 作者：Josh Krist, Staff Writer, Workday 在商业流行语中，人工智能似乎是最重要的。每个人都在谈论它，但是实际上有多少人理解它呢？阿贾伊·阿格劳瓦尔（Ajay Agrawal）在这一领域取得了令人难以置信的进步。 由Agrawal，Joshua Gans和Avi Goldfarb撰写的2018年一本书 《预测机器：人工智能的简单经济学》为企业领导者提供了有关如何实现人工智能（AI）价值的可行建议。 本书的作者解释说，就像便宜的电和光，得益于电力或便宜计算，那么更好更快更便宜的预测将摆脱业务模型和流程中的不确定性，并导致整个行业的重新构想。归根结底，AI有望成为具有多样性的变革性通用技术。 在2019年福布斯CIO峰会休息期间，我们在加利福尼亚半月湾一个有雾的下午会见了Agrawal ，并聊了他书中的一些主要学习内容。我们的谈话节选如下。 问：大多数企业领导人没有计算机科学背景。对于他们如何利用人工智能的最佳建议是什么？ 答：对于他们来说，我最好的建议是将AI视为降低预测成本。当预测或其他任何东西变得更便宜时，我们将使用更多的预测，并开始以更巧妙的方式使用它。 当我与首席执行官和CIO会面时，他们常常会说：“我们有25,000名员工，而我们从事的是这一行业

https://zhuanlan.zhihu.com/p/112477513 ​ “ 图神经网络火了这么久，是时候掌握它了。 ” 本文包括以下内容，阅读时间10min 图神经网络是什么意思 文本如何构建图 图卷积神经网络 源代码实现 图卷积神经网络最新进展 本文阅读基础 神经网络基础 本文不包含拉普拉斯矩阵的数学推导 01“图神经网络”是什么 过去几年，神经网络在机器学习领域大行其道。比如说卷积神经网络(CNN)在图像识别领域的成功以及循环神经网络(LSTM)在文本识别领域的成功。对于 图像 来说，计算机将其量化为多维矩阵；对于 文本 来说，通过词嵌入(word embedding)的方法也可以将文档句子量化为规则的矩阵表示。以神经网络为代表的深度学习技术在这些规范化的数据上应用的比较成功。但是现实生活中还存在很多不规则的 以图的形式存在的数据 。比如说社交关系图谱中人与人之间的连接关系，又比如说电子商务系统中的人与货物的关系等等，这些数据结构像下面这样： 演员-电影 关系位于neo4j的图数据 图神经网络 (Graph Neural Network, GNN)是指神经网络在图上应用的模型的统称，图神经网络有五大类别：分别是：图卷积网络（Graph Convolution Networks，GCN）、 图注意力网络（Graph Attention Networks）、图自编码器（

https://zhuanlan.zhihu.com/p/104406687 想针对最近几天的延迟返工通知，来谈谈我对远程办公的一些看法和实践。 工作日的一天 起床，坐班车到公司，用阿里邮箱处理未读邮件，打开语雀，完成当天的工作计划和日课，接着按照工作计划的优先级处理事务，通过 Aone 管理任务进度，完成代码的 CR 和部署，不定时处理钉钉消息，通过阿里郎参加线上会议或到会议室参加线下会议，这是我工作日的一天。 由于日常就需要和多个园区、多个城市的同学进行沟通和交流，事实上除了和本团队的同学以外，一直都是远程办公的模式，但是真正在家远程办公，会不会产生新的问题呢？ 答案是肯定的。从团队和协作的角度思考，在这种状态下如何管理团队，如何跟踪项目的进度以及如何保障沟通的时效和准确性，都是绕不过的话题。从个人的角度考虑，如何提高自控力保障效率，如何管理自己的时间，如何高效利用工具完成协作，同样值得探讨。下面从这几方面分别聊聊。 沟通 首先要明确，沟通的目的是为了保证 信息的对齐 ，避免出现大家齐头并进，却向着不同终点奔跑的情况。根据不同的沟通范围，又分为两种情况，团队内沟通和跨团队/跨地域的沟通。 团队内沟通 团队内沟通，很多时候在工位前后吼一嗓子就能解决，实在不济多走两步很快也能说清楚。通常会进行一些团队事务的同步，可能包括手头上在做什么事情，项目进展到什么程度了

https://zhuanlan.zhihu.com/p/112477513 ​ “ 图神经网络火了这么久，是时候掌握它了。 ” 本文包括以下内容，阅读时间10min 图神经网络是什么意思 文本如何构建图 图卷积神经网络 源代码实现 图卷积神经网络最新进展 本文阅读基础 神经网络基础 本文不包含拉普拉斯矩阵的数学推导 01“图神经网络”是什么 过去几年，神经网络在机器学习领域大行其道。比如说卷积神经网络(CNN)在图像识别领域的成功以及循环神经网络(LSTM)在文本识别领域的成功。对于 图像 来说，计算机将其量化为多维矩阵；对于 文本 来说，通过词嵌入(word embedding)的方法也可以将文档句子量化为规则的矩阵表示。以神经网络为代表的深度学习技术在这些规范化的数据上应用的比较成功。但是现实生活中还存在很多不规则的 以图的形式存在的数据 。比如说社交关系图谱中人与人之间的连接关系，又比如说电子商务系统中的人与货物的关系等等，这些数据结构像下面这样： 演员-电影 关系位于neo4j的图数据 图神经网络 (Graph Neural Network, GNN)是指神经网络在图上应用的模型的统称，图神经网络有五大类别：分别是：图卷积网络（Graph Convolution Networks，GCN）、 图注意力网络（Graph Attention Networks）、图自编码器（

https://zhuanlan.zhihu.com/p/109125127 《Syntax-Infused Transformer and BERT models for Machine Translation and Natural Language Understanding》简析 Dhanasekar Sundararaman, Vivek Subramanian, Guoyin Wang, Shijing Si, Dinghan Shen, Dong Wang, Lawrence Carin Department of Electrical & Computer Engineering, Duke University Arxiv PDF 简介 有许多的研究认为，在注意力机制的作用下，网络会学习到有用的句法信息，然而显式的句法信息是否真的已经没有价值呢？尽管含注意力机制的模型可以仅通过观察完整的句子对来学到语法特征，但是显示的句法信息（POS等）还是会提高深度学习模型的性能，尤其是在数据量有限的的情况下。本文介绍了Transformer，BERT这两个模型，分别在机器翻译（NMT）和自然语言理解（NLI）任务上利用显式的句法信息的一种方法，并相对于baseline有一定的效果提升。 本文做法对输入到Transformer体系结构中的Embedding进行修改

https://zhuanlan.zhihu.com/p/109125127 《Syntax-Infused Transformer and BERT models for Machine Translation and Natural Language Understanding》简析 Dhanasekar Sundararaman, Vivek Subramanian, Guoyin Wang, Shijing Si, Dinghan Shen, Dong Wang, Lawrence Carin Department of Electrical & Computer Engineering, Duke University Arxiv PDF 简介 有许多的研究认为，在注意力机制的作用下，网络会学习到有用的句法信息，然而显式的句法信息是否真的已经没有价值呢？尽管含注意力机制的模型可以仅通过观察完整的句子对来学到语法特征，但是显示的句法信息（POS等）还是会提高深度学习模型的性能，尤其是在数据量有限的的情况下。本文介绍了Transformer，BERT这两个模型，分别在机器翻译（NMT）和自然语言理解（NLI）任务上利用显式的句法信息的一种方法，并相对于baseline有一定的效果提升。 本文做法对输入到Transformer体系结构中的Embedding进行修改

https://www.cnblogs.com/pgjett/p/12463641.html LeetCode：Z 字形变换 字符串 Z 字形变换的巧妙解法：设立标志位控制迭代方向 No.6 Z 字形变换 题目： 将一个给定字符串根据给定的行数，以从上往下、从左到右进行 Z 字形排列。 示例 1: 比如输入字符串为 "LEETCODEISHIRING" 行数为 3 时，排列如下： L C I R E T O E S I I G E D H N 之后，你的输出需要从左往右逐行读取，产生出一个新的字符串，比如："LCIRETOESIIGEDHN"。 示例 2: 输入: s = "LEETCODEISHIRING", numRows = 3 输出: "LCIRETOESIIGEDHN" 示例 3: 输入: s = "LEETCODEISHIRING", numRows = 4 输出: "LDREOEIIECIHNTSG" L D R E O E I I E C I H N T S G 请你实现这个将字符串进行指定行数变换的函数：string convert(string s, int numRows) 解法： 标志位 每行用一个 StringBuilder 遍历装入，设立一个 flag 标志位控制装入的迭代方向 时间复杂度： \(O(n)\) 空间复杂度： \(O(n)\) class