神经网络

1、数据挖掘定义 把数据库中大量数据背后隐藏的重要信息抽取出来，然后为公司创造很多潜在的利润，针对这种海量数据库中挖掘数据信息的技术称为数据挖掘（DM）。 2、数据挖掘的分类 按照数据库种类：关系型数据库的数据挖掘、数据仓库的数据挖掘、面向对象数据库的挖掘、空间数据库的挖掘、正文数据库和多媒体数据库的数据挖掘。 按知识类别来分：关联、特征描述、分类分析、聚类分析、趋势、偏差分析。 按知识抽象层次：一般文化知识、初级知识、多层次知识。 3、数据挖掘常用技术 人工神经网络：仿照生理神经网络结构的非线性预测模型，通过学习模式识别。 决策树：代表决策集的树形结构。 遗传算法：基于进化理论，并采用遗传结合、遗传变异、以及自然选择等设计方法的优化技术。 紧邻算法：将数据集合中每一个记录进行分类的方法。 规则推导：从统计意义上对数据进行规则寻找和推导。 4、数据挖掘和数据仓库的关系 数据挖掘的关键在于通过访问正确、完整、集成的数据，才能进行深层次的分析，寻求有益的信息。数据仓库是提供数据的源头，并且数据仓库的联机分析功能OLAP还为数据挖掘提供了一个极佳的操作平台。如果两者结合起来可以实现数据的有效联结，可以给数据挖掘带来便利和功能。 5、数据挖掘技术的应用过程 确定挖掘对象：要清晰定义挖掘对象、认清数据挖掘的目标。 准备数据：根据确定的挖掘对象，然后搜索所有与业务对象有关的内部和外部数据

我是一个AI神经元 我是一个AI神经元，刚刚来到这个世界上，一切对我来说都特别新奇。 之所以叫这个名字，是因为我的工作有点像人类身体中的神经元。 人体中的神经元可以传递生物信号，给它输入一个信号，它经过处理后再输出一个信号传递给别的神经元，最终传递到大脑完成对一个信号的决策和处理。 聪明的计算机科学家们受到启发，在代码程序里发明了我： 神经元函数 。 在我们的世界里，我只是普普通通的一员，像我这样的神经元有成百上千，甚至上万个，我们按照 层 的形式，组成了一个庞大的 神经网络 。 很快我和隔壁工位的大白开始混熟了，他比我来得早，对这里要熟悉的多。 听大白告诉我说，我们这个神经网络是一个图像识别的AI程序，只要给我们输入一张狗的照片，我们就能告诉你这是一只柯基，还是泰迪、柴犬、二哈··· 神经元结构 在大白的指引下，我很快就学会了怎么工作。 虽然我们叫神经元，名字听起来挺神秘的，但实际上我就是一个普通函数，有参数，有返回值，普通函数有的我都有： def neuron (a) : w = [...] b = ... ... 我有一个参数 a ，这个参数是一个数组，里面的每一个元素我把它分别叫做a1，a2，a3···用这个a来模拟我这个神经元收到的一组 信号 。 人类的神经元是怎么处理输入的生物信号我不知道，我估计挺复杂的。但在我这里就很简单:我给每一个输入值设定一定的 权重

深度学习DeepLearning（Python）实战培训班 时间地点： 2020年12月18日—2020年12月21日北京 (第一天报到?授课三天；提前环境部署电脑测试) 一、培训方式：（即日起，开始报名！） 1、远程在线（集中时间远程操作培训） 2、作业训练（规定的时间把作业完成） 3、集中答疑（统一时间进行疑难问题答疑） 二、主讲内容: 课程一：Tensorflow入门到熟练： 课程二：图像分类： 课程三：物体检测： 课程四：人脸识别： 课程五：算法实现： 1、卷积神经网络CNN 2、循环神经网络RNN 3、强化学习DRL 4、对抗性生成网络GAN 5、迁移学习TL 三、报名联系方式： 联系人:刘肖肖（老师） 电话：010-56129268 手机：13311241619 官方咨询QQ：2209431734 深度学习网络课程QQ群群号：1057802989（加群备注:刘肖肖邀请） 参加线上的，免费赠送一次线下培训 来源： oschina 链接： https://my.oschina.net/u/4393390/blog/4716849

苹果M1芯片 出众的性能，极其优秀的能耗比 强大的软硬件生态助力 总结与展望 在刚刚举行的苹果秋季活动中，苹果对旗下的Mac产品线进行了更新，发布了全新、 Pro 13以及Mac mini，三款产品的共性就是都搭载苹果自主研发设计的M1芯片。苹果表示，M1芯片专为Mac而设计，拥有强大的性能和惊人的能效表现，让Mac的体验向前跨越出一大步，更开创了一个新世界。 参数方面，M1芯片采用最新的5nm工艺打造（应该是台积电代工），拥有高达160亿个晶体管，集成中央处理器CPU、图形处理器GPU、内存、神经网络引擎、各种连接功能以及其他众多组件，可以说相当于A14芯片的全面增强版，或者也可以理解成A12Z的直系继承者。 出众的性能，极其优秀的能耗比 首先是CPU部分，M1芯片共有8个核心，具体来说为大小核设计，拥有4个高性能大核心与4个高效能小核心，混合运行以协助处理多线程任务（大小核的频率目前还没有公布）；其中，苹果在直播中表示M1的大核心是市面中最强大的（暗指IPC最高？），能带来极强的性能，在多个应用场景下均有出色表现，相比于上一代，配备M1芯片的全新 Air在Final Cut Pro、Xcode、Logic Pro、Adobe Lightroom等专业生产力软件中，都有显著的性能优势。 除了大核心的亮眼表现以外，M1的小核心同样值得关注，苹果表示M1小核心在保证基本性能的同时

简介： 如何根据用户反馈作出快速及时的实时推荐？ 如今的推荐系统，对于实时性的要求越来越高，实时推荐的流程大致可以概括为：推荐系统对于用户的请求产生推荐，用户对推荐结果作出反馈 (购买/点击/离开等等)，推荐系统再根据用户反馈作出新的推荐。这个过程中有两个值得关注的地方： 这可被视为是一个推荐系统和用户不断交互、互相影响的过程。 推荐系统需要对用户反馈作出快速及时的响应。 这两点本篇分别通过强化学习和 Flink 来实现，而在此之前先了解一些背景概念。 强化学习 强化学习领域的知名教材 《Reinforcement Learning: An Introduction》开篇就写道 ： 当我们思考学习的本质的时候，脑中首先联想到的可能就是在与环境不断交互中学习。当一个婴儿在玩耍、挥舞手臂或是旁顾四周时，并没有任何老师教它，但它确实能直接感知到周围环境的变化。 强化学习的主要过程是构建一个智能体，使之在与环境交互的过程中不断学习，以期获得最大的期望奖励。它是一种非常通用的学习范式，可以用于对各种各样问题的建模，比如游戏、机器人、自动驾驶、人机交互、推荐、健康护理等等。其与监督学习的主要不同点在于：强化学习根据延迟的反馈通过不断试错 (trial-and-error) 进行学习，而监督学习则是每一步都有明确的反馈信息进行学习。 下图反映了一个推荐智能体 (recommender agent

文末有福利 问一个很现实的问题，以你目前的薪资，多久能赚到100万？ 在一线城市，年薪10万仅能饱腹，就算熬夜加班苦干10年达到100万，相信也所剩无几。 所以要想多赚钱，就要持续学习、更新能力，抓住行业机遇。 在人工智能时代，无论是科研院所，商业巨头还是初创企业，各行各业都在大力开发或者引进人工智能，导致人工智能人才现在出现巨大缺口。工信部教育考试中心副主任周明透露，中国人工智能人才缺口可能超过500万人。 领英全球AI领域技术人才分布图 人才供不应求，导致领域岗位的薪资也自然水涨船高，给大家看一组最新数据： 2018年最新数据：python、大数据、人工智能从业者薪资表 行业紧俏、薪资诱人，使很多人都想在这股 AI 热潮中，凭借实力和简历脱颖而出。然而，很多人在第一关就被 HR 刷掉了，更别说技术面了。 资深HR说：“ 如果只学过计算机专业，想进入BAT人工智能部门、明星创业公司等其实并没那么容易，因为你没有实操的项目，你对人工智能没有整体性和深度性的把控和学习 。” 但这是不是就意味着你没机会了？ 不。 你可以自学，也可以跟着这方面的专家导师学。 其实人工智能的核心就是机器学习（Machine Learning）和深度学习。而它们的基础，就是编程（Python/c++等）和数学（高等数学/线性代数/概率论等）。 另外，AI是逻辑算法的执行，底层架构是大数据

时隔 15 年，苹果 MacBook 重新用上了自家处理器，4 个小核就能持平上代整块 CPU，能耗还只有 1/10。 机器之心报道，机器之心编辑部。 北京时间 11 月 11 日凌晨，好不容易付清尾款的打工人又迎来了一波新的产品——搭载苹果自研桌面处理器 M1 的三款新 MAC。 一句话来说，M1 的处理器整体性能和英特尔版的双核处理器性能相近，但在功耗和图形处理器性能方面要大幅度领先。 M1 采用台积电 5nm 制程工艺，也是全球首款 5nm 工艺的个人电脑处理器。它封装了近 160 亿个晶体管，将 CPU、GPU、神经网络引擎、各种连接功能以及其他众多组件组件集成到了一起。其中，CPU、GPU 都是 8 核，神经网络引擎是 16 核。 在能耗方面，苹果表示，如果同样在 10W 功率下工作，M1 的性能表现是 PC 平台最新处理器的 2 倍，每瓦性能比前代处理器提升了 3 倍。 由于 M1 芯片与苹果 iPhone 和 iPad 中的芯片具有相同的 ARM 架构，因此为它们创建的应用程序可以在新的 Mac 产品上运行。这使得 MacOS 成为目前应用生态最丰富的桌面操作系统。 借助于 M1 的强大性能，苹果打造了三款新的 MAC 产品——MacBook Pro、MacBook Air、和 Mac mini。 新款 13 英寸 MacBook Pro 是此次发布的最强 Mac

基于Xilinx Zynq Z7045 SoC的CNN的视觉识别应用 由 judyzhong 于 星期三, 08/16/2017 - 14:56 发表 作者：stark 近些年来随着科学技术的不断进步，人工智能（AI）正在逐步从尖端技术变得普及。人工智能的发展涉及物联网、大规模并行计算、大数据以及深度学习算法等领域，深度学习是人工智能进步最重要的因素，它也是当前人工智能最先进、应用最广泛的核心技术。作为人工智能技术理想的应用领域，自动驾驶以及智能交通系统受到了人们广泛的关注。很多汽车企业都加入自动驾驶汽车的研究，比如特斯拉的自动辅助驾驶系统、百度阿波罗计划等。 图1：自动驾驶汽车需要具备识别道路交通情况的能力 自动驾驶面临的首个问题就是如何识别道路上的行人、汽车等其他物体，因此需要开发可靠的视觉识别系统集成到汽车的车载系统中，卷积神经网络（Convolutional Neural Network，CNN）是目前图像识别技术中最炙手可热的算法模型，来自韩国的ATUS（Across The Universe，穿越苍穹）组织推出了基于CNN的汽车视觉识别系统，该公司专注于数字媒体和FPGA嵌入式平台技术的研究。 图2：ATUS基于CNN的视觉识别系统采用Zynq Z7045 SoC器件 该系统采用 Xilinx ZC706开发板卡 ，集成的是Zynq Z7045 SoC器件

音频分类前置知识 音频 音频常常被表示为波形图，其中横轴为时间，纵轴为幅值。音频多种多样，分类中一般分为语音、音乐、噪音、静音和环境音等。 采样频率 每秒从模拟信号中采集的样本个数，基本单位为 Hz 。信号的采样频率一般遵循奈奎斯特采样定理，即采样频率必须大于被采样信号最高频率的两倍。一般而言： 8000Hz 为电话信号使用的采样率； 11025Hz 通话音质更高，可分辨出通话人； 16000Hz 可覆盖几乎所有的乐器和人声频率，也是大多数成年人能够听到的声音频率； 22050Hz 为无线电广播长采用的频率； 32000Hz 为 VCD 等多媒体数据文件所使用的采样率； 44100Hz 为CD音频使用的采样率； 192000Hz 为蓝光音轨和高清晰度DVD音轨的采样率。 采样位数 每一个采样点所使用的二进制位数，即计算机对声音信号的解析度。通常使用的采样位数有8位，16位和24位。 音频的构成要素 声学三要素：声音的音调、音色和响度。 音调：也称音高，对应音频信号的频率。音频信号的音调越高月能够给人以明亮和尖锐的感觉，音调越低越是给人厚重和低沉的感觉。 音色：也称音品，对应音频信号的相位。主要由音频信号波形的包络和信号谐波的频谱，包含不同包络和不同谐波的音频信号的内容也不同。音频信号频谱的基频所产生的能量最大的音称为基音，相应的各次谐波所发出的声音一般被称为泛音

「AI Drive」是由 PaperWeekly 和 biendata 共同发起的学术直播间，旨在帮助更多的青年学者宣传其最新科研成果。我们一直认为，单向地输出知识并不是一个最好的方式，而有效地反馈和交流可能会让知识的传播更加有意义，从而产生更大的价值。 网络是建模真实世界中复杂数据的一种常用模式， 网络嵌入（网络表示学习）已经成为当前学术界与工业界处理网络的重要手段之一。 本期 AI Drive，我们邀请到北京邮电大学计算机学院助理教授王啸，为大家带来 网络嵌入的最新进展：结构、性质和应用 的专题直播。对本期主题感兴趣的小伙伴，11 月 10 日（周二）晚 7 点，我们准时相约 PaperWeekly B 站直播间。 直播信息 网络嵌入的一个基本问题是如何在嵌入过程中考虑网络的结构与性质，本次报告将首先探讨同质图卷积神经网络中节点的属性结构及异质图中的元路径结构所带来的影响，进而介绍动态环境下如何有效刻画同质图的演化过程和异质图嵌入的增量学习过程，最后介绍其在推荐系统和深度聚类中的应用。 本次分享的具体内容有： 多通道图卷积神经网络； 异质图注意力网络； 时序图嵌入模型； 动态异质图增量学习模型； 推荐系统和深度聚类应用 嘉宾介绍 王啸 / 北京邮电大学助理教授 王啸，现任北京邮电大学计算机学院助理教授 ，研究方向为网络嵌入、图神经网络、数据挖掘与机器学习