Created with Sketch.
Created with Sketch.
首页
发现
小书
登录
注册
×
注册小专栏
通过微信登录
通过微博登录
通过Github登录
通过邮箱
注册
、
登录
友情提示
Login FAQ
.
×
邮箱登录
通过微信、微博、Github 登录
登录
×
邮箱注册
通过微信、微博、Github 登录
注册
最近更新
热门推荐
人工智能 相关的文章
OldDaddy
in
PM训练营
每日精选 | 围绕AI构建开放平台，vivo开启手机外的第二战场
vivo副总裁、全球AI研究院院长周围在上海举行的“世界人工智能大会”上预测，2年之后的手机，将会迎来一个大的变革，将会成为一个“自学习、自索引、自推荐的智能终端”。vivo是如何理解人工智能的...
leviding
in
掘金翻译计划
[译] 通过集成学习提高机器学习结果
原文地址：Ensemble Learning to Improve Machine Learning Results 原文作者：Vadim Smolyakov 译文出自：掘金翻译计划 本文永久链接：https://github.com/xitu/gold-miner/blob/master/TODO1/ensemble-learning-to-improve-machine-learning-results.md ...
leviding
in
掘金翻译计划
[ 译] 使用递归神经网络（LSTMs）对时序数据进行预测
原文地址：A Guide For Time Series Prediction Using Recurrent Neural Networks (LSTMs) 原文作者：Neelabh Pant 译文出自：掘金翻译计划 本文永久链接：https://github.com/xitu/gold-miner/blob/master/TODO1/time-series-prediction-using-recurrent-...
leviding
in
掘金翻译计划
[译] 在 Keras 中使用一维卷积神经网络处理时间序列数据
原文地址：Introduction to 1D Convolutional Neural Networks in Keras for Time Sequences 原文作者：Nils Ackermann 译文出自：掘金翻译计划 本文永久链接：https://github.com/xitu/gold-miner/blob/master/TODO1/introduction-to-1d-convolutional-ne...
leviding
in
掘金翻译计划
[译] 使用 Pandas 在 Python 中创建一个简单的推荐系统
原文地址：Creating a Simple Recommender System in Python using Pandas 原文作者：Usman Malik 译文出自：掘金翻译计划 本文永久链接：https://github.com/xitu/gold-miner/blob/master/TODO1/creating-a-simple-recommender-system-in-python-using-pa...
leviding
in
掘金翻译计划
[译] 深度学习将会给我们所有人的生活一个教训：工作是为了机器准备的
原文地址：Deep Learning Is Going to Teach Us All the Lesson of Our Lives: Jobs Are for Machines 原文作者：Scott Santens 译文出自：掘金翻译计划 本文永久链接：https://github.com/xitu/gold-miner/blob/master/TODO1/deep-learning-is-going-to-t...
upyun
in
又拍云技术专栏
"人机"对战：电脑太简单了，我是射手 skr~skr~skr
9月17日，2018 世界人工智能大会在上海拉开帷幕。在 SAIL 榜单入围项目中，我看到了小爱同学、小马智行、微软小冰、腾讯觅影等等，这不仅让我大开了眼界，也不禁让我感慨 AI 的发展神速。犹记得去年在...
DeamoV
in
从零开始的机器学习
决策树&ID3,C4.5,CART
1、 前言 之前我们已经说了，机器学习的从线性回归，概率这个出发点发展的算法。这次我们讲从第三个出发点，使用信息熵的算法，决策树。 2、 信息熵 首先我们来介绍什么是信息熵，信息熵是1948年，...
DeamoV
in
从零开始的机器学习
Logistics 回归算法 & SoftMax 回归算法
序言 在上一篇文章中我们介绍了普通最小二乘线性回归算法，并进行了较为详细的推导。同时通过分析其过拟合的问题，推导出了另外三个算法，Ridge回归算法，LASSO回归算法，以及弹性网络。之后简要的...
DeamoV
in
从零开始的机器学习
机器学习系列（序章）
机器学习系列（序章）序言 机器学习&人工智能&深度学习，这三个是现在经常听到的词语。一旦提到了这些都会给人一种高大上的感觉，感觉会是一种很难学会的技术。表示在下血本（突然脑抽）的...
龙幽
in
大前端开发之路
tensorflow学习之Anaconda开发环境搭建
tensorflow的开发环境有很多，可以在Docker上搭建，也可以使用Anaconda管理工具搭建，也可以直接在本机中安装tensorflow。在这里为了工具包的方便管理，我选择使用Anaconda搭建。 环境搭建 下载并安装Anaconda 下...
tigerneil
in
踏踏实实学AI系列
Multi armed bandits 多臂老虎机
Multi armed bandits 多臂老虎机 首先来定义模型（model）： $n$ 个臂（arms）：$1,...,n$，对每个臂 $i$ 有 $\mathscr{D}_i$，其中 $\mathscr{D}_i \in [0,1]$ 对参与人未知： $$\mu_i = \mathbb{E} \mathscr{D}_i$$ 不失一般性，假设：$\...
leviding
in
掘金翻译计划
[译] 在浏览器里使用 TenserFlow.js 实时估计人体姿态
原文地址：Real-time Human Pose Estimation in the Browser with TensorFlow.js 原文作者：Dan Oved 译文出自：掘金翻译计划 本文永久链接：https://github.com/xitu/gold-miner/blob/master/TODO1/real-time-human-pose-estimation-in-the-browser-with-...
tigerneil
in
踏踏实实学AI系列
Ray 中使用基于策略梯度的强化学习方法
这里给出如何进行基于策略梯度方法的强化学习的代码. 参看： dode for this example ... import numpy as np import pickle import tensorflow as tf from tensorflow.python import debug as tf_debug import ray from ray.tune.result import TrainingResul...
tigerneil
in
踏踏实实学AI系列
结合 TensorFlow 使用 Ray
本文档描述结合 TensorFlow 使用 Ray 的最佳实践. 想要看到更多相关的样例，参看 hyperparameter optimization, A3C, ResNet, Policy Gradients, and LBFGS. 如果你在分布式的设置上训练一个深度神经网络，那么你可能需要将网...
tigerneil
in
踏踏实实学AI系列
生成式对抗网络 Generative Adversarial Networks(Section 3)
3 GANs 如何工作？ 我们现在已经看过了几种其他的生成式模型，并解释了 GANs 与他们的不同原理。但是 GANs 是如何工作的呢？ 3.1 GAN 框架 GANs 的基本思想是设置两个参与人的博弈。其中一个是生成器(generator...
tigerneil
in
踏踏实实学AI系列
生成式对抗网络 Generative Adversarial Networks(Section 2)
2 生成式模型如何工作？比较 GANs 和其他生成式模型有何不同？ 我们现在了解了生成式模型能做什么以及为何有必要来构建生成式模型。现在我们要问：生成式模型如何工作的？尤其是，相比于其他的生成...
熊猫大侠
in
100offer
2017年，程序员在人工智能领域的薪资有多高？
「100offer 大咖说」是我们策划的一版全新栏目。 每期，我们会邀请一位在互联网圈有一定知名度的大咖，给大家分享自己的职场经验、成长故事或干货知识。 本期，我们邀请到了在互联网技术领域有着...
木头_Brooks
in
木头的AI之旅
深度学习笔记——04深层神经网络
深度学习：一类通过对多层&非线性变换对高复杂性数据建模算法的集合。 在很多问题中，都不是线性问题，不是直线可以划分的。所以深度学习所面对的复杂问题，需要用到非线性的手段。 激活函...
tigerneil
in
踏踏实实学AI系列
Generative Adversarial Networks(Section 0&1)
本报告总结了 NIPS 上 Ian Goodfellow 的 生成式对抗网络课程。其内容有：（1）为何生成式建模是值得学习的话题；（2）生成式模型如何工作，GAN 与其他生成式模型的比较；（3）GAN 工作原理；（4）GAN 的研...
Created with Sketch.
top
Created with Sketch.
