-
Achronix：把握市場趨勢，靈活布局產品
疫情已近尾聲，但其積累的不利影響仍需持續(xù)消化。面臨著諸多的不確定性因素，我們度過了不平凡的2022，并將迎來令人期待的2023年。2023年伊始，我們特地邀請到了Achronix中國區(qū)總經理郭道正先生，來參與21ic電子網 “2022回顧及2023年展望”的專題采訪，和我們分享Achronix 2022這一年來的成績，以及對于2023年的趨勢展望。
-
蘇黎世保險集團選擇亞馬遜云科技加速數字化轉型 為客戶提供全新體驗
全球保險領導企業(yè)選擇亞馬遜云科技作為首選云供應商，借助亞馬遜云科技能力及其歐洲(蘇黎世)區(qū)域云服務加快創(chuàng)新、滿足監(jiān)管和安全要求
-
什么是圖神經網絡？未來如何發(fā)展？
圖是一種數據結構，它對一組對象(節(jié)點)及其關系(邊)進行建模。近年來，由于圖結構的強大表現力，用機器學習方法分析圖的研究越來越受到重視。圖神經網絡(GNN)是一類基于深度學習的處理圖域信息的方法。由于其較好的性能和可解釋性，GNN最近已成為一種廣泛應用的圖分析方法。
-
循環(huán)神經網絡 RNN發(fā)展史概述
循環(huán)神經網絡(Recurrent Neural Network, RNN)是一類以序列(sequence)數據為輸入，在序列的演進方向進行遞歸(recursion)且所有節(jié)點(循環(huán)單元)按鏈式連接的遞歸神經網絡(recursive neural network)。對循環(huán)神經網絡的研究始于二十世紀80-90年代，并在二十一世紀初發(fā)展為深度學習(deep learning)算法之一，其中雙向循環(huán)神經網絡(Bidirectional RNN, Bi-RNN)和長短期記憶網絡(Long Short-Term Memory networks，LSTM)是常見的循環(huán)神經網絡。
-
什么是自編碼器？對機器學習有什么影響？
AutoEncoder的基本思想是利用神經網絡來做無監(jiān)督學習，就是把樣本的輸入同時作為神經網絡的輸入和輸出。本質上是希望學習到輸入樣本的表示(encoding)。早期AutoEncoder的研究主要是數據過于稀疏、數據高維導致計算復雜度高。比較早用神經網絡做AutoEncoder的可以追溯到80年代的BPNN和MLP以及當時Hinton推崇的RBM。后來到了2000年以后還堅持在做的只剩下Hinton的RBM了。從2000年以后，隨著神經網絡的快速興起，AutoEncoder也得到快速發(fā)展，基本上有幾條線：稀疏AutoEncoder、噪音容忍AutoEncoder、卷積AutoEncoder、變分AutoEncoder。最新的進展是結合對抗思想的對抗AutoEncoder。
-
簡述卷積神經網絡發(fā)展進程
卷積神經網絡的發(fā)展，最早可以追溯到1962年，Hubel和Wiesel對貓大腦中的視覺系統(tǒng)的研究。1980年，一個日本科學家福島邦彥(Kunihiko Fukushima)提出了一個包含卷積層、池化層的神經網絡結構。在這個基礎上，Yann Lecun將BP算法應用到這個神經網絡結構的訓練上，就形成了當代卷積神經網絡的雛形。
-
什么是深度學習
深度學習是近10年機器學習領域發(fā)展最快的一個分支，由于其重要性，三位教授(Geoffrey Hinton、Yann Lecun、Yoshua Bengio)因此同獲圖靈獎。深度學習模型的發(fā)展可以追溯到1958年的感知機(Perceptron)。1943年神經網絡就已經出現雛形(源自NeuroScience)，1958年研究認知的心理學家Frank發(fā)明了感知機，當時掀起一股熱潮。后來Marvin Minsky(人工智能大師)和Seymour Papert發(fā)現感知機的缺陷：不能處理異或回路等非線性問題，以及當時存在計算能力不足以處理大型神經網絡的問題。于是整個神經網絡的研究進入停滯期。
-
可解釋性的標準是什么？
有一些特定的標準可用于分類模型解釋方法。Christoph Molnar在2018年“可解釋的機器學習，制作黑箱模型可解釋指南”中提到了一個很好的指南。
-
什么是對抗機器學習？為何要對抗機器學習？
對抗機器學習是一個機器學習與計算機安全的交叉領域。對抗機器學習旨在給惡意環(huán)境下的機器學習技術提供安全保障。由于機器學習技術一般研究的是同一個或較為穩(wěn)定的數據分布，當部署到現實中的時候，由于惡意用戶的存在，這種假設并不一定成立。比如研究人員發(fā)現，一些精心設計的對抗樣本(adversarial example)可以使機器學習模型不能成功地輸出正確的結果。針對模型的攻擊問題，我們主要分為兩大類，就是從訓練階段和推理(inference)階段來進行討論。
-
什么是生成對抗網絡
生成對抗網絡(Generative Adversarial Networks,GAN)是用于無監(jiān)督學習的機器學習模型，由Ian Goodfellow等人在2014年提出。由神經網絡構成判別器和生成器構成，通過一種互相競爭的機制組成的一種學習框架，GAN在深度學習領域掀起了一場革命，這場革命產生了一些重大的技術突破，學術界和工業(yè)界都開始接受并歡迎GAN的到來。GAN最厲害的地方是它的學習性質是無監(jiān)督的，GAN也不需要標記數據，這使得GAN功能強大，因為數據標記的工作非?？菰?。
-
機器學習的經典代表算法總結（二）
從1990到2012年，機器學習逐漸走向成熟和應用，在這20多年里機器學習的理論和方法得到了完善和充實，可謂是百花齊放的年代。代表性的重要成果有：支持向量機(SVM，1995)、AdaBoost算法(1997)、循環(huán)神經網絡和LSTM(1997)、流形學習(2000)、隨機森林(2001)。
-
機器學習的經典代表算法總結（一）
1980年機器學習作為一支獨立的力量登上了歷史舞臺。在這之后的10年里出現了一些重要的方法和理論，典型的代表是：分類與回歸樹(CART，1984)、反向傳播算法(1986)、卷積神經網絡(1989)。
-
機器學習算法分類有哪些
機器學習算法可以按照不同的標準來進行分類。按照訓練樣本提供的信息以及反饋方式的不同，將機器學習算法分為監(jiān)督學習、無監(jiān)督學習和強化學習。
-
機器學習的發(fā)展歷史介紹
機器學習已經成為了當今的熱門話題，但是從機器學習這個概念的誕生到機器學習技術的普遍應用經過了漫長的過程。在機器學習發(fā)展的歷史長河中，眾多優(yōu)秀的學者為推動機器學習的發(fā)展做出了巨大的貢獻。
-
人工智能極簡編年史
近幾年，人工智能一直是學術界和產業(yè)界研究的熱點，對于人工智能將如何改變我們的生活，人們充滿想象與期待。人工智能概念的提出，最早可以追溯到1956年的達特茅斯會議，然而，在那之后，人工智能又是如何一步步發(fā)展起來的呢？
-
誰人不知半導體“聯姻”的苦︱七夕特別版
這話有些偏激，但似乎有點道理。奈何今天題目里的“聯姻”不是指人與人，而是圈內的公司與公司。每每想到半導體公司的聯姻，我都覺得好苦。自由戀愛？不存在的！愛情不是你想買，想買就能買。有時甚至讓你覺得這是一場浩大工程的取經行為，需經歷九九八十一難才能修成正果。
-
人工智能有哪些層次?大佬帶你看人工智能中下游發(fā)展
在這篇文章中，小編將為大家?guī)砣斯ぶ悄艿南嚓P報道。如果你對本文即將要講解的內容存在一定興趣，不妨繼續(xù)往下閱讀哦。
-
我們的生活和產業(yè)發(fā)展越來越離不開物聯網
物聯網(IoT)是日常生活的重要組成部分，其存在于手機、電腦、可穿戴設備、智能汽車、燈泡、路燈、家用電器、心臟監(jiān)測器等中。 物聯網給予我們更多的控制權、自動化以及提高效率。同樣，物聯網技術為企業(yè)提供了許多提高效率的機會。
-
人工智能機器學習計算和存儲同時進行
人工智能 (AI) 應用程序在我們的日常生活中無處不在。隨著傳感器、5G通信、邊緣計算等技術的不斷演進，包括汽車、工廠自動化設備、醫(yī)療保健設備、各種消費電子產品和小型電池供電的物聯網(IoT)在內的大型數據中心)節(jié)點，從數字化、網絡化功能的增加，逐漸演變?yōu)閾碛胁煌瑢哟蔚摹爸悄堋薄?/p>
-
亞馬遜云科技2022 re:Invent創(chuàng)新服務重塑未來 中國巡展活動開啟
北京2022年12月20日 /美通社/ -- 亞馬遜云科技在2022 re:Invent全球大會上發(fā)布了一系列涵蓋底層基礎架構、計算、數據庫、數據分析、AI/ML、安全、行業(yè)應用等新的服務及功能，通過不斷創(chuàng)新幫助全球客戶重塑未來。亞馬遜云科技持續(xù)加速底層技術創(chuàng)新，推出...
