講解隨機梯度下降、類別數(shù)據(jù)編碼、Vowpal Wabbit機器學習庫

在數(shù)據(jù)量不大的情況下，上面的數(shù)學效果不錯（我們這里不討論局部極小值、鞍點、學習率選擇、動量等問題，請參考《深度學習》一書的數(shù)值計算那一章）。批量梯度下降...

2018-07-17 標簽：函數(shù)機器學習數(shù)據(jù)集 7k 0

機器學習的發(fā)展近幾年有哪些錯誤的方面?詳細概述

人工智能領域的發(fā)展離不開學者們的貢獻，然而隨著研究的進步，越來越多的論文出現(xiàn)了“標題黨”、“占坑”、“注水”等現(xiàn)象，暴增的頂會論文接收數(shù)量似乎并沒有帶來...

2018-07-16 標簽：人工智能機器學習 3.7k 0

在谷歌大腦不能做真正的機器學習科學研究？

在DeDeo的主頁介紹上寫著，他們的研究方向是：在社會思想實驗室（Laboratory for Social Minds），我們進行實證研究，并建立歷史...

2018-07-16 標簽：谷歌機器學習深度學習 3.7k 0

推薦系統(tǒng)最新入門指南,如何公平地評估推薦系統(tǒng)?

這類系統(tǒng)利用用戶的交互來過濾感興趣物品。我們可以將交互的集合可視化為一個矩陣，其中每一項(i, j)代表用戶i和物品j的交互。有意思的是，我們可以將協(xié)同...

2018-07-16 標簽：神經(jīng)網(wǎng)絡機器學習推薦系統(tǒng) 7.4k 0

機器學習研究中的四大危機是什么？

有缺陷的學術研究可能會誤導大眾，并阻礙學術未來的研究。實際上，這些問題有許多是在人工智能的歷史(更廣泛地說，是在科學研究)中循環(huán)出現(xiàn)的。1976年，Dr...

2018-07-14 標簽：人工智能機器學習 4.2k 0

用人類智商測試題檢驗神經(jīng)網(wǎng)絡的抽象推理能力

既然目的是讓AI做題，我們先得有題啊！當然了，手動搜集整理是不可能的，為了創(chuàng)建題庫，首先我們構建了一個可以自動生成推理題的生成器，它包含一組抽象元素，包...

2018-07-14 標簽：神經(jīng)網(wǎng)絡機器學習數(shù)據(jù)集 9k 0

窺探機器學習學術圈的不良趨勢

對新領域進行探索通常需要基于直覺，但這些直覺并沒有經(jīng)科學驗證形成正式定義。根據(jù)我們的發(fā)現(xiàn)，盡管這些直覺并沒有經(jīng)過科學審查，但一些研究人員還是會直接把它當...

2018-07-14 標簽：人工智能機器學習 3k 0

主成分分析降維方法和常用聚類方法

和分類、回歸方法相比，無監(jiān)督學習算法的主要特性是輸入數(shù)據(jù)是未標注過的（即沒有給定的標簽或分類），算法在沒有任何鋪助的條件下學習數(shù)據(jù)的結構。這帶來了兩點主...

2018-07-13 標簽：聚類降維機器學習 1.6萬 0

如何避免三個常見的機器學習錯誤？

基于云的機器學習和深度學習一再被誤用。這多半都可以輕松解決，當然，基于云的機器學已得到了廣泛的使用。但你要用得巧妙，用得恰當。

2018-07-11 標簽：機器學習深度學習 3.1k 0

圖像分類中的一個常見問題

解決實際應用中此類問題的主要思想就是限制模型的使用場景，這樣對目標物體的預測假設就會匹配訓練數(shù)據(jù)。一種直接的方法是進行產(chǎn)品設計，你可以在用戶界面設計一個...

2018-07-11 標簽：分類器圖像分類機器學習 5.4k 0

“第四屆世界互聯(lián)網(wǎng)大會”開幕：講述第四范式先知3.0的定位

“第四屆世界互聯(lián)網(wǎng)大會”在浙江烏鎮(zhèn)開幕。領先的人工智能技術與服務提供商第四范式受邀參加大會，并發(fā)布了全新升級的“第四范式先知”3.0產(chǎn)品。 “第四范式先...

2018-07-11 標簽：人工智能機器學習 1.8k 0

如何利用機器學習識別三種常見的圖像處理

圖像處理檢測與傳統(tǒng)的語義對象檢測不同，前者更多關注的是篡改痕跡而不是圖像內容，這意味著圖像處理檢測需要學習豐富的特征。我們用四個標準圖像處理數(shù)據(jù)集進行了...

2018-07-10 標簽：圖像處理機器學習 3.2萬 0