語(yǔ)音識(shí)別正在「入侵」我們的生活。我們的手機(jī)、游戲主機(jī)和智能手表都內(nèi)置了語(yǔ)音識(shí)別。他甚至在自動(dòng)化我們的房子。只需50美元,你就可以買(mǎi)到一個(gè)Amazon Echo Dot,這是一個(gè)可以讓你訂外賣(mài)、收
深度學(xué)習(xí)需要大量的計(jì)算。它通常包含具有許多節(jié)點(diǎn)的神經(jīng)網(wǎng)絡(luò),并且每個(gè)節(jié)點(diǎn)都有許多需要在學(xué)習(xí)過(guò)程中必須不斷更新的連接。換句話說(shuō),神經(jīng)網(wǎng)絡(luò)的每一層都有成百上千個(gè)相同的人工神經(jīng)元在執(zhí)行相同的計(jì)算。因此,
在檢查患者的生物組織樣品后, 病理學(xué)家的報(bào)告通常是許多疾病的黃金診斷標(biāo)準(zhǔn)。特別是對(duì)于癌癥,病理學(xué)家的診斷對(duì)患者的治療具有深遠(yuǎn)的影響。病理切片審查是一個(gè)非常復(fù)雜的任務(wù),需要多年的培訓(xùn)才能做好,豐富
由于具有足夠高的計(jì)算能力和工作效率,深度學(xué)習(xí)在生活中無(wú)處不在。如今,深度學(xué)習(xí)已經(jīng)進(jìn)入自動(dòng)駕駛汽車(chē)、便利店和醫(yī)院等領(lǐng)域。然而,要成為頂尖人才,競(jìng)爭(zhēng)還是十分激烈的,適應(yīng)新的行業(yè)并解決面臨的挑戰(zhàn)仍是個(gè)
我們清楚地認(rèn)識(shí)到人工智能(AI)是一門(mén)科學(xué),機(jī)器學(xué)習(xí)(ML)是目前最主流的人工智能實(shí)現(xiàn)方法,而深度學(xué)習(xí)(DL)則是機(jī)器學(xué)習(xí)(ML)的一個(gè)分支,也是當(dāng)下最流行的機(jī)器學(xué)習(xí)(ML)的一種。
機(jī)器學(xué)習(xí)(ML)在許多目標(biāo)明確的領(lǐng)域有優(yōu)秀的表現(xiàn)。具有明確正誤答案區(qū)分的任務(wù)將有助于訓(xùn)練,而且能讓算法實(shí)現(xiàn)預(yù)設(shè)的目標(biāo),比如準(zhǔn)確地從圖像中識(shí)別物體,或者合理的將語(yǔ)言進(jìn)行翻譯。然而,也有許多領(lǐng)域
【導(dǎo)讀】:現(xiàn)如今人工智能技術(shù)已經(jīng)成為科技領(lǐng)域最前沿的技術(shù),各家科技公司都在這方面花了很多心思,學(xué)者和企業(yè)研究人員的發(fā)現(xiàn)將會(huì)為未來(lái)一年及以后的AI做好準(zhǔn)備,2018年人工智能技術(shù)發(fā)展趨勢(shì)有哪些呢?
本文作者朱鵬飛,天津大學(xué)機(jī)器學(xué)習(xí)與數(shù)據(jù)挖掘?qū)嶒?yàn)室副教授,碩士生導(dǎo)師。分別于2009和2011年在哈爾濱工業(yè)大學(xué)能源科學(xué)與工程學(xué)院獲得學(xué)士和碩士學(xué)位,2015年于香港理工大學(xué)電子計(jì)算學(xué)系獲得博士學(xué)
Data Science Central網(wǎng)站主編、有多年數(shù)據(jù)科學(xué)和商業(yè)分析模型從業(yè)經(jīng)驗(yàn)的Bill Vorhies曾撰文指出,過(guò)去一年人工智能和深度學(xué)習(xí)最重要的發(fā)展不在技術(shù),而是商業(yè)模式的轉(zhuǎn)變&m
我們都知道,人類(lèi)認(rèn)知能力會(huì)隨年齡增長(zhǎng)而下降。 神經(jīng)科學(xué)家早就知道,這種下降與大腦的解剖結(jié)構(gòu)變化相關(guān)。 因此,很容易想到利用大腦的核磁共振成像(MRI)來(lái)辨識(shí)衰老的跡象,甚至還可以確定&ldquo
微軟和瑞士國(guó)家計(jì)算中心(CSCS)的科學(xué)家們?nèi)〉昧酥卮笸黄?,將超?jí)計(jì)算機(jī)上深度學(xué)習(xí)的訓(xùn)練時(shí)間縮減到數(shù)分鐘。訓(xùn)練時(shí)間的縮短,再加上超級(jí)計(jì)算機(jī)技術(shù)的引入,或能夠解決現(xiàn)在在圖像、視頻和語(yǔ)音識(shí)別,自然語(yǔ)
想挑戰(zhàn)馮·諾依曼,就必須從三個(gè)要素入手:基本操作,例如加減乘除;邏輯流程控制,例如if-else-then,for,while;設(shè)存儲(chǔ)器,內(nèi)存和硬盤(pán)的尋址。DeepMind團(tuán)隊(duì)認(rèn)為
本文作者薛云峰,主要從事視頻圖像算法的研究,于浙江捷尚視覺(jué)科技股份有限公司擔(dān)任深度學(xué)習(xí)算法研究員。 相信很多小伙伴和我一樣使用了很長(zhǎng)時(shí)間的Caffe深度學(xué)習(xí)框架,也非常希望從代碼層次理解
Yann LeCun在很多演講中反復(fù)提到一個(gè)著名的“蛋糕”比喻: 如果人工智能是一塊蛋糕,那么強(qiáng)化學(xué)習(xí)( Reinforcement Learning)是蛋糕上的
當(dāng)你向Facebook上傳了一張你朋友的照片后,這張照片就進(jìn)入了一個(gè)復(fù)雜的幕后處理過(guò)程。算法迅速行動(dòng)并分析照片的每一個(gè)像素,直到將朋友的名字和這張照片匹配起來(lái)。這類(lèi)型的前沿技術(shù)也被用在了自動(dòng)駕駛
深度學(xué)習(xí)是一種基于對(duì)數(shù)據(jù)進(jìn)行表證學(xué)習(xí)的機(jī)器學(xué)習(xí)方法,近些年不斷發(fā)展并廣受歡迎。 作為一個(gè)相對(duì)較新的概念,對(duì)于無(wú)論是想要進(jìn)入該領(lǐng)域的初學(xué)者,還是已經(jīng)熟知方法的老手來(lái)說(shuō),觸手可及的學(xué)習(xí)資源太
深度學(xué)習(xí)主要強(qiáng)調(diào)的是特征,強(qiáng)化學(xué)習(xí)主要強(qiáng)調(diào)的是反饋,而遷移學(xué)習(xí)主要強(qiáng)調(diào)的是適應(yīng)。 之前介紹過(guò)人工智能之機(jī)器學(xué)習(xí)算法有前5大類(lèi)內(nèi)容,具體請(qǐng)參見(jiàn)相關(guān)文章。今天我們重點(diǎn)探討一下第6
前面幾篇文章講到了卷積神經(jīng)網(wǎng)絡(luò)CNN,但是對(duì)于它在每一層提取到的特征以及訓(xùn)練的過(guò)程可能還是不太明白,所以這節(jié)主要通過(guò)模型的可視化來(lái)神經(jīng)網(wǎng)絡(luò)在每一層中是如何訓(xùn)練的。我們知道,神經(jīng)網(wǎng)絡(luò)本身包含了一系
深度學(xué)習(xí)(Deep Learning),又名深度神經(jīng)網(wǎng)絡(luò),前身是一只感知機(jī)。生于達(dá)特茅斯會(huì)議次年的ta,注定與人工智能有著不解之緣。人工智能中的各種機(jī)器學(xué)習(xí)方法,從初期的符號(hào)學(xué)習(xí)到后來(lái)統(tǒng)計(jì)學(xué)習(xí)再
英偉達(dá)近期在GAN相關(guān)研究和應(yīng)用方面進(jìn)展迅猛,在前一陣的成果展示中,通過(guò)利用生成對(duì)抗網(wǎng)絡(luò)(GAN)及無(wú)監(jiān)督學(xué)習(xí)兩種深度學(xué)習(xí)技術(shù),實(shí)現(xiàn)了場(chǎng)景間的四季轉(zhuǎn)換,通俗來(lái)說(shuō),就是去除路旁的積雪或是為干枯的樹(shù)