• 品牌審批沒過？小米“造車”再陷風(fēng)波

    前段時間，某自媒體博主發(fā)文稱“小米造車遇到坎，品牌審批未通過”引發(fā)了網(wǎng)友們的熱議。該博主發(fā)文稱，盡管小米一直想要盡快推出自己的汽車產(chǎn)品，但目前他們?nèi)匀晃茨塬@得品牌的審批通過，其造車之舉也漸漸變了味道，成了類似于“資本無序擴(kuò)張”的模式。

  • 什么是圖神經(jīng)網(wǎng)絡(luò)？未來如何發(fā)展？

    圖是一種數(shù)據(jù)結(jié)構(gòu)，它對一組對象(節(jié)點)及其關(guān)系(邊)進(jìn)行建模。近年來，由于圖結(jié)構(gòu)的強(qiáng)大表現(xiàn)力，用機(jī)器學(xué)習(xí)方法分析圖的研究越來越受到重視。圖神經(jīng)網(wǎng)絡(luò)(GNN)是一類基于深度學(xué)習(xí)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(yīng)用的圖分析方法。

  • 自動駕駛效果一般，小米汽車研發(fā)進(jìn)度一般

    小米旗下電動車小米汽車的開發(fā)專案傳出進(jìn)度不如預(yù)期，最終可能導(dǎo)致產(chǎn)品競爭力下降。

  • 小米裁員6000人，那小米的車還能出來嗎？

    據(jù)多位小米員工在職場社交平臺脈脈爆料稱，小米近期將進(jìn)行大規(guī)模裁員，裁員人數(shù)或高達(dá)6000人，補償方案為N+2。一名小米員工透露，此次裁員規(guī)模較大。據(jù)他了解，手機(jī)部、互聯(lián)網(wǎng)部、中國部等多部門均有涉及，但部門之間裁員力度不盡相同。其中，中國區(qū)個別部門裁員比例高達(dá)75%，互聯(lián)網(wǎng)部也有團(tuán)隊裁員40%。本輪裁員整體力度暫未明確，據(jù)估算或達(dá)15%。

  • 循環(huán)神經(jīng)網(wǎng)絡(luò) RNN發(fā)展史概述

    循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network, RNN)是一類以序列(sequence)數(shù)據(jù)為輸入，在序列的演進(jìn)方向進(jìn)行遞歸(recursion)且所有節(jié)點(循環(huán)單元)按鏈?zhǔn)竭B接的遞歸神經(jīng)網(wǎng)絡(luò)(recursive neural network)。對循環(huán)神經(jīng)網(wǎng)絡(luò)的研究始于二十世紀(jì)80-90年代，并在二十一世紀(jì)初發(fā)展為深度學(xué)習(xí)(deep learning)算法之一，其中雙向循環(huán)神經(jīng)網(wǎng)絡(luò)(Bidirectional RNN, Bi-RNN)和長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory networks，LSTM)是常見的循環(huán)神經(jīng)網(wǎng)絡(luò)。

  • 什么是自編碼器？對機(jī)器學(xué)習(xí)有什么影響？

    AutoEncoder的基本思想是利用神經(jīng)網(wǎng)絡(luò)來做無監(jiān)督學(xué)習(xí)，就是把樣本的輸入同時作為神經(jīng)網(wǎng)絡(luò)的輸入和輸出。本質(zhì)上是希望學(xué)習(xí)到輸入樣本的表示(encoding)。早期AutoEncoder的研究主要是數(shù)據(jù)過于稀疏、數(shù)據(jù)高維導(dǎo)致計算復(fù)雜度高。比較早用神經(jīng)網(wǎng)絡(luò)做AutoEncoder的可以追溯到80年代的BPNN和MLP以及當(dāng)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(jīng)網(wǎng)絡(luò)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(jìn)展是結(jié)合對抗思想的對抗AutoEncoder。

  • 簡述卷積神經(jīng)網(wǎng)絡(luò)發(fā)展進(jìn)程

    卷積神經(jīng)網(wǎng)絡(luò)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(xué)家福島邦彥(Kunihiko Fukushima)提出了一個包含卷積層、池化層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。在這個基礎(chǔ)上，Yann Lecun將BP算法應(yīng)用到這個神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的訓(xùn)練上，就形成了當(dāng)代卷積神經(jīng)網(wǎng)絡(luò)的雛形。

  • 售價26萬，小米一次性研發(fā)了兩臺汽車？

    近期，關(guān)于小米汽車各種傳聞不斷，不僅疑似測試車諜照被曝光，昨晚又有媒體曝光了小米兩款車型的細(xì)節(jié)和定價區(qū)間。從曝光的疑似小米測試車諜照來看，這是一款四門轎車，車頭造型比較扁平，擁有寬體的身姿和雙五輻式的輪圈，以及黃色的多活塞制動卡鉗。據(jù)諜照拍攝者表示，測試車的車尾左側(cè)還配有一個固態(tài)補盲激光雷達(dá)。預(yù)計小米汽車未來將提供較為高階的自動駕駛技術(shù)。

  • 什么是深度學(xué)習(xí)

    深度學(xué)習(xí)是近10年機(jī)器學(xué)習(xí)領(lǐng)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(xué)習(xí)模型的發(fā)展可以追溯到1958年的感知機(jī)(Perceptron)。1943年神經(jīng)網(wǎng)絡(luò)就已經(jīng)出現(xiàn)雛形(源自NeuroScience)，1958年研究認(rèn)知的心理學(xué)家Frank發(fā)明了感知機(jī)，當(dāng)時掀起一股熱潮。后來Marvin Minsky(人工智能大師)和Seymour Papert發(fā)現(xiàn)感知機(jī)的缺陷：不能處理異或回路等非線性問題，以及當(dāng)時存在計算能力不足以處理大型神經(jīng)網(wǎng)絡(luò)的問題。于是整個神經(jīng)網(wǎng)絡(luò)的研究進(jìn)入停滯期。

  • 可解釋性的標(biāo)準(zhǔn)是什么？

    有一些特定的標(biāo)準(zhǔn)可用于分類模型解釋方法。Christoph Molnar在2018年“可解釋的機(jī)器學(xué)習(xí)，制作黑箱模型可解釋指南”中提到了一個很好的指南。

  • 為什么需要可解釋性機(jī)器學(xué)習(xí)？

    在工業(yè)界中，數(shù)據(jù)科學(xué)或機(jī)器學(xué)習(xí)的主要焦點是更偏“應(yīng)用”地解決復(fù)雜的現(xiàn)實世界至關(guān)重要的問題，而不是理論上有效地應(yīng)用這些模型于正確的數(shù)據(jù)。機(jī)器學(xué)習(xí)模型本身由算法組成，該算法試圖從數(shù)據(jù)中學(xué)習(xí)潛在模式和關(guān)系，而無需硬編碼固定規(guī)則。因此，解釋模型如何對業(yè)務(wù)起作用總是會帶來一系列挑戰(zhàn)。有一些領(lǐng)域的行業(yè)，特別是在保險或銀行等金融領(lǐng)域，數(shù)據(jù)科學(xué)家通常最終不得不使用更傳統(tǒng)的機(jī)器學(xué)習(xí)模型(線性或基于樹的)。原因是模型可解釋性對于企業(yè)解釋模型所采取的每個決策非常重要。

  • 小米汽車工廠一期項目廠房預(yù)計今年6月完工

    近日，據(jù)相關(guān)媒體報道稱，公開信息顯示，小米汽車工廠項目位于北京亦莊經(jīng)開區(qū)，具體分兩期建設(shè)，一二期產(chǎn)能皆為15萬輛。一期工廠已于2021年4月開工建設(shè)，預(yù)計今年6月竣工。據(jù)悉，該工地總體呈矩形，東西寬度500余米，南北長度超過1公里。工地北邊是合創(chuàng)產(chǎn)業(yè)中心的一排高樓，東邊毗鄰辛房路，與房辛店村隔路相望，南邊和西邊大多為待開發(fā)的荒地。

  • 雷軍啊小米汽車啥時候來？這都2023年了

    2021年3月29日至30日，這場歷時兩天的發(fā)布會對于小米而言，或?qū)⑹菤v史性的一刻。在這場發(fā)布會上最重要的一點是，小米集團(tuán)董事長雷軍表示將要進(jìn)軍智能電動汽車行業(yè)，直接投入高達(dá)100億美元用于制造“新能源汽車”。

  • 什么是可解釋性機(jī)器學(xué)習(xí)

    可解釋性是指人類能夠理解決策原因的程度。機(jī)器學(xué)習(xí)模型的可解釋性越高，人們就越容易理解為什么做出某些決定或預(yù)測。模型可解釋性指對模型內(nèi)部機(jī)制的理解以及對模型結(jié)果的理解。其重要性體現(xiàn)在：建模階段，輔助開發(fā)人員理解模型，進(jìn)行模型的對比選擇，必要時優(yōu)化調(diào)整模型;在投入運行階段，向業(yè)務(wù)方解釋模型的內(nèi)部機(jī)制，對模型結(jié)果進(jìn)行解釋。比如基金推薦模型，需要解釋：為何為這個用戶推薦某支基金。

  • 自動機(jī)器學(xué)習(xí)(AutoML)幾個重要方向匯總

    學(xué)習(xí)器模型中一般有兩類參數(shù)，一類是可以從數(shù)據(jù)中學(xué)習(xí)估計得到，還有一類參數(shù)時無法從數(shù)據(jù)中估計，只能靠人的經(jīng)驗進(jìn)行設(shè)計指定，后者成為超參數(shù)。比如，支持向量機(jī)里面的C,Kernal,game;樸素貝葉斯里面的alpha等。

發(fā)布文章