機器學習

我要報錯

  • Achronix：把握市場趨勢，靈活布局產(chǎn)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(jīng)理郭道正先生，來參與21ic電子網(wǎng) “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(shù)字化轉(zhuǎn)型 為客戶提供全新體驗

    全球保險領(lǐng)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(wù)加快創(chuàng)新、滿足監(jiān)管和安全要求

  • 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)進行建模。近年來，由于圖結(jié)構(gòu)的強大表現(xiàn)力，用機器學習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(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(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(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？對機器學習有什么影響？

    AutoEncoder的基本思想是利用神經(jīng)網(wǎng)絡(luò)來做無監(jiān)督學習，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)上是希望學習到輸入樣本的表示(encoding)。早期AutoEncoder的研究主要是數(shù)據(jù)過于稀疏、數(shù)據(jù)高維導致計算復雜度高。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算法應用到這個神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的訓練上，就形成了當代卷積神經(jīng)網(wǎng)絡(luò)的雛形。

  • 什么是深度學習

    深度學習是近10年機器學習領(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。深度學習模型的發(fā)展可以追溯到1958年的感知機(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(xiàn)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(jīng)網(wǎng)絡(luò)的問題。于是整個神經(jīng)網(wǎng)絡(luò)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(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。

  • 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?？菰?。

  • 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)。

  • 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。

  • 人工智能極簡編年史

    近幾年，人工智能一直是學術(shù)界和產(chǎn)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(lián)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(lián)姻”不是指人與人，而是圈內(nèi)的公司與公司。每每想到半導體公司的聯(lián)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(jīng)行為，需經(jīng)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(guān)報道。如果你對本文即將要講解的內(nèi)容存在一定興趣，不妨繼續(xù)往下閱讀哦。

  • 我們的生活和產(chǎn)業(yè)發(fā)展越來越離不開物聯(lián)網(wǎng)

    物聯(lián)網(wǎng)(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(shè)備、智能汽車、燈泡、路燈、家用電器、心臟監(jiān)測器等中。 物聯(lián)網(wǎng)給予我們更多的控制權(quán)、自動化以及提高效率。同樣，物聯(lián)網(wǎng)技術(shù)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(shù)的不斷演進，包括汽車、工廠自動化設(shè)備、醫(yī)療保健設(shè)備、各種消費電子產(chǎn)品和小型電池供電的物聯(lián)網(wǎng)(IoT)在內(nèi)的大型數(shù)據(jù)中心)節(jié)點，從數(shù)字化、網(wǎng)絡(luò)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(wù)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(chǔ)架構(gòu)、計算、數(shù)據(jù)庫、數(shù)據(jù)分析、AI/ML、安全、行業(yè)應用等新的服務(wù)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(shù)創(chuàng)新，推出...