• 什么是自動機器學習

    自動機器學習(AutoML)旨在通過讓一些通用步驟(如數(shù)據(jù)預處理、模型選擇和調(diào)整超參數(shù))自動化，來簡化機器學習中生成模型的過程。AutoML是指盡量不通過人來設(shè)定超參數(shù)，而是使用某種學習機制，來調(diào)節(jié)這些超參數(shù)。這些學習機制包括傳統(tǒng)的貝葉斯優(yōu)化，進化算法，還有比較新的強化學習。當我們提起AutoML時，我們更多地是說自動化數(shù)據(jù)準備(即數(shù)據(jù)的預處理，數(shù)據(jù)的生成和選擇)和模型訓練(模型選擇和超參數(shù)調(diào)優(yōu))。這個過程的每一步都有非常多的選項，根據(jù)我們遇到的問題，需要設(shè)定各種不同的選項。

  • 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(lǐng)域。對抗機器學習旨在給惡意環(huán)境下的機器學習技術(shù)提供安全保障。由于機器學習技術(shù)一般研究的是同一個或較為穩(wěn)定的數(shù)據(jù)分布，當部署到現(xiàn)實中的時候，由于惡意用戶的存在，這種假設(shè)并不一定成立。比如研究人員發(fā)現(xiàn)，一些精心設(shè)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(jié)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。

  • 機器視覺：深度學習解決零售或教育方面的問題

    在過去的五年或十年里，隨著深度學習的出現(xiàn)，我們對這個問題有了不同的方法。它更多的是數(shù)據(jù)驅(qū)動，而不是代碼或算法設(shè)計驅(qū)動。 深度學習的想法是，我們有一種算法，它是一種學習機器。因此，我們擁有這種通用的學習結(jié)構(gòu)，而不是在算法中規(guī)定步驟來解決特定問題。我們所做的是，我們展示了很多例子。這是一個戴著面具的人;這是一個沒有面具的人。這里有10,000個不同情況和方向的戴著口罩的人;這里有 10,000 人沒有戴口罩。

  • 機器視覺的發(fā)展：能夠感知的機器

    很長一段時間以來，技術(shù)人員一直在開發(fā)能夠感知的機器。我們使用運動探測器已有很長時間了。我們現(xiàn)在擁有如此靈敏的壓力傳感器，以至于我們可以制造出能夠處理雞蛋而不破壞雞蛋的機器人。在音頻領(lǐng)域，我們擁有可以將語音與其他聲音區(qū)分開來的傳感器。

  • 機器視覺：機器學習時代，變得更多地與數(shù)據(jù)相關(guān)

    在最初的幾十年里，我大量參與了音頻和語音處理等領(lǐng)域的數(shù)字信號處理。因此，如果我們倒回 20 或 30 年，想想數(shù)字信號處理和數(shù)字音頻，那時候的技術(shù)處于類似的狀態(tài)。它有效，但它很新，而且它并不是真正可以現(xiàn)成部署的。假設(shè)一家公司生產(chǎn)自動售貨機，他們想為自動售貨機添加語音命令，他們很可能不得不聘請一些 DSP 和語音專家。而且很可能他們必須真正進行一些研究和原創(chuàng)技術(shù)發(fā)明才能為他們的應(yīng)用程序創(chuàng)建一個獨特的解決方案。

  • 什么是生成對抗網(wǎng)絡(luò)

    生成對抗網(wǎng)絡(luò)(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(jīng)網(wǎng)絡(luò)構(gòu)成判別器和生成器構(gòu)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(lǐng)域掀起了一場革命，這場革命產(chǎn)生了一些重大的技術(shù)突破，學術(shù)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(zhì)是無監(jiān)督的，GAN也不需要標記數(shù)據(jù)，這使得GAN功能強大，因為數(shù)據(jù)標記的工作非常枯燥。

  • 機器學習的經(jīng)典代表算法總結(jié)（二）

    從1990到2012年，機器學習逐漸走向成熟和應(yīng)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(jīng)網(wǎng)絡(luò)和LSTM(1997)、流形學習(2000)、隨機森林(2001)。

  • 機器學習的經(jīng)典代表算法總結(jié)（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(xiàn)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(jīng)網(wǎng)絡(luò)(1989)。

  • 人工智能和物聯(lián)網(wǎng) (AIoT) 的結(jié)合創(chuàng)造了“智能”設(shè)備

    人工智能 (AI) 是使物聯(lián)網(wǎng)更加有用的下一個合乎邏輯的步驟。智能可以內(nèi)置到物聯(lián)網(wǎng)終端設(shè)備中，使它們不僅可以收集和共享數(shù)據(jù)，還可以分析數(shù)據(jù)、從中學習、做出決策并采取行動，而無需任何人為干預。人工智能和物聯(lián)網(wǎng) (AIoT) 的結(jié)合創(chuàng)造了“智能”設(shè)備，這些設(shè)備可以從生成的數(shù)據(jù)中學習并使用這些洞察力做出自主決策。新的 AI 技術(shù)使邊緣智能成為可能，并顯著降低了對云分析的需求和相關(guān)成本。

  • 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(jīng)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(shù)的普遍應(yīng)用經(jīng)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。

  • 新型可拉伸生物相容性材料幫助AI更好理解手部動作

    在Nature Electronics雜志剛剛發(fā)表的一篇論文中，研究人員描述了一種新型可拉伸生物相容性材料，它可以噴在手背上，就像防曬噴霧一樣。網(wǎng)格中集成了一個微型電子網(wǎng)絡(luò)，可以感知皮膚的拉伸和彎曲，并且使用人工智能，研究人員可以根據(jù)手部動作和手勢解釋無數(shù)的日常任務(wù)。研究人員表示，它可能在游戲、體育、遠程醫(yī)療和機器人技術(shù)等廣泛領(lǐng)域產(chǎn)生應(yīng)用和影響。

  • 只是按計劃進行年度產(chǎn)線維保工作！特斯拉上海工廠不是停產(chǎn)

    據(jù)路透社此前報道，特斯拉上海工廠已經(jīng)于12月24日暫停了生產(chǎn)，并告知所有員工可以放假。同時該報道還援引消息人士的話稱，特斯拉和供應(yīng)商的員工幾乎多數(shù)都確診，對工廠運作帶來巨大挑戰(zhàn)。對此傳聞，特斯拉今天正式回應(yīng)稱，相關(guān)報導并不準確，特斯拉上海工廠并未停產(chǎn)。按照官方說法，這只是圣誕節(jié)放假搭配年度產(chǎn)線維修保養(yǎng)，并不是真的停工。但同樣是圣誕節(jié)，去年的 12 月底，特斯拉上海工廠就沒有放長假。事實上，每季的最后一周，通常都是特斯拉上海廠員工火力全開，沖刺交車數(shù)量的時候。

  • 交付量創(chuàng)新高，特斯拉2022年交付了131.39萬輛電動車

    2023年1月3日，特斯拉發(fā)布了2022年第四季度及全年生產(chǎn)和交付數(shù)據(jù)。2022年第四季度，特斯拉全球生產(chǎn)了超過43.97萬輛汽車，交付了超過40.53萬輛汽車(2021年同期為30.86萬輛)，創(chuàng)下交付新高，但仍稍低于華爾街此前所預期的42.9萬輛交付量。

  • 終于大降價了，國產(chǎn)特斯拉Model 3最低22.99萬元起！

    特斯拉官方宣布，旗下所有車型改款上市，售價也大幅下調(diào)。其中，新款Model 3共推出2款車型，售價區(qū)間為22.99-32.99萬元;新款Model Y共推出3款車型，售價區(qū)間為25.99-35.99萬元。這也創(chuàng)下國產(chǎn)特斯拉歷史上的最低價格，現(xiàn)在預訂交付周期為1-4周。

發(fā)布文章