品味大数据

LSTM长短记,长序依赖可追忆(深度学习入门系列之十四)

08-17
系列文章一入侯门"深"似海,深度学习深几许(入门系列之一)人工"碳"索意犹尽,智能"硅"来未可知(深度学习入门系列之二)神经网络不胜语, M-P模型似可寻(深度学习入门系列之三)"机器学习"三重门,"中庸之道"趋若人(深度学习入门系列之四)Hello World感知机,懂你我心才安息(深度学习入门系列之五)损失函数减肥用,神经网络调权重(深度学习入门系列之六)山重水复疑无路,最快下降问梯度(深度学习入门系列

循环递归RNN,序列建模套路深(深度学习入门系列之十三)

08-14
系列文章一入侯门"深"似海,深度学习深几许(入门系列之一)人工"碳"索意犹尽,智能"硅"来未可知(深度学习入门系列之二)神经网络不胜语, M-P模型似可寻(深度学习入门系列之三)"机器学习"三重门,"中庸之道"趋若人(深度学习入门系列之四)Hello World感知机,懂你我心才安息(深度学习入门系列之五)损失函数减肥用,神经网络调权重(深度学习入门系列之六)山重水复疑无路,最快下降问梯度(深度学习入门系列

激活引入非线性,池化预防过拟合(深度学习入门系列之十二)

08-11
系列文章: 一入侯门"深"似海,深度学习深几许(深度学习入门系列之一) 人工"碳"索意犹尽,智能"硅"来未可知(深度学习入门系列之二) 神经网络不胜语,M-P模型似可寻(深度学习入门系列之三) "机器学习"三重门,"中庸之道"趋若人(深度学习入门系列之四) Hello World感知机,懂你我心才安息 (深度学习入门系列之五) 损失函数减肥用,神经网络调权重(深度学习入门系列之六) 山重水复疑无路,最快下降

AI不可怕,就怕AI会画画——这里有一种你还不知道的‘图’灵测试…

08-07
更多深度文章,请关注云计算频道:https://yq.aliyun.com/cloud 0. 引言 有人说,阿尔法狗,So TM What? 还有人说,AI(人工智能)有什么可怕的?它们不过是做一些人类不愿做的脏活.累活和一些可批量重复操作的活计,而对一些带有原创性质的活,比如艺术创作,AI就不灵光了. 喂,喂,喂,且慢,且慢,先进来看看这里的'图' 灵测试,再说. 目前我们所说的人工智能,在很大程度上,偏向于指基于深度神经网络的机器学习(简称深度学习).深度学习现在非常火,有点甚嚣尘上,它的确

卷地风来忽吹散,积得飘零美如画(深度学习入门系列之十)

08-07
系列文章: 一入侯门"深"似海,深度学习深几许(深度学习入门系列之一)人工"碳"索意犹尽,智能"硅"来未可知(深度学习入门系列之二)神经网络不胜语,M-P模型似可寻(深度学习入门系列之三)"机器学习"三重门,"中庸之道"趋若人(深度学习入门系列之四)Hello World感知机,懂你我心才安息 (深度学习入门系列之五)损失函数减肥用,神经网络调权重(深度学习入门系列之六)山重水复疑无路,最快下降问梯度(深度

BP算法双向传,链式求导最缠绵(深度学习入门系列之八)

08-07
更多深度文章,请关注:https://yq.aliyun.com/cloud 系列文章: 一入侯门"深"似海,深度学习深几许(深度学习入门系列之一)人工"碳"索意犹尽,智能"硅"来未可知(深度学习入门系列之二)神经网络不胜语,M-P模型似可寻(深度学习入门系列之三)"机器学习"三重门,"中庸之道"趋若人(深度学习入门系列之四)Hello World感知机,懂你我心才安息 (深度学习入门系列之五)损失函数减肥

山重水复疑无路,最快下降问梯度(深度学习入门系列之七)

08-07
更多深度文章,请关注:https://yq.aliyun.com/cloud 系列文章: 一入侯门"深"似海,深度学习深几许(深度学习入门系列之一)人工"碳"索意犹尽,智能"硅"来未可知(深度学习入门系列之二)神经网络不胜语,M-P模型似可寻(深度学习入门系列之三)"机器学习"三重门,"中庸之道"趋若人(深度学习入门系列之四)Hello World感知机,懂你我心才安息 (深度学习入门系列之五)损失函数减肥

损失函数减肥用,神经网络调权重(深度学习入门系列之六)

08-07
更多深度文章,请关注云计算频道:https://yq.aliyun.com/cloud 系列文章: 一入侯门"深"似海,深度学习深几许(深度学习入门系列之一) 人工"碳"索意犹尽,智能"硅"来未可知(深度学习入门系列之二) 神经网络不胜语,M-P模型似可寻(深度学习入门系列之三) "机器学习"三重门,"中庸之道"趋若人(深度学习入门系列之四) Hello World感知机,懂你我心才安息 (深度学习入门系列

“机器学习”三重门,“中庸之道”趋若人(深度学习入门系列之四)

08-07
更多深度文章,请关注云计算频道:https://yq.aliyun.com/cloud 系列文章: 一入侯门"深"似海,深度学习深几许(深度学习入门系列之一) 人工"碳"索意犹尽,智能"硅"来未可知(深度学习入门系列之二) 神经网络不胜语,M-P模型似可寻(深度学习入门系列之三) -------------------------------- 在前一个小节中,我们简单地谈了谈什么是"M-P神经元模型",顺便用生活中生动的小案

人工“碳”索意犹尽,智能“硅”来未可知(深度学习入门系列之二)

08-07
系列文章:一入侯门"深"似海,深度学习深几许(入门系列之一) 在前面的小节中,我们仅仅泛泛而谈了机器学习.深度学习等概念,在这一小节,我们将给出它的更加准确的形式化描述. 我们经常听到人工智能如何如何?深度学习怎样怎样?那么它们之间有什么关系呢?在本小节,我们首先从宏观上谈谈人工智能的"江湖定位"和深度学习的归属.然后再在微观上聊聊机器学习的数学本质是什么?以及我们为什么要用神经网络? 2.1 人工智能的"江湖定位" 宏观上来看, 人类科学和技术

一入侯门“深”似海,深度学习深几许(深度学习入门系列之一)

08-07
更多深度文章,请关注云计算频道:https://yq.aliyun.com/cloud  [导言]目前人工智能非常火爆,而深度学习则是引领这一火爆现场的"火箭".于是,有关"深度学习"的论文.书籍和网络博客汗牛充栋,但大多数这类文章都具备"高不成低不就"的特征.对于高手来说,自然是没有问题,他们本身已经具备非常"深度"的学习能力,如果他们想学习有关深度学习的技术,直接找来最新的研究论文阅读就好了.但是,对于低手(初学者)而言,

全面连接困何处,卷积网络见解深(深度学习入门系列之九)

08-01
系列文章: 一入侯门"深"似海,深度学习深几许(深度学习入门系列之一) 人工"碳"索意犹尽,智能"硅"来未可知(深度学习入门系列之二) 神经网络不胜语,M-P模型似可寻(深度学习入门系列之三) "机器学习"三重门,"中庸之道"趋若人(深度学习入门系列之四) Hello World感知机,懂你我心才安息 (深度学习入门系列之五) 损失函数减肥用,神经网络调权重(深度学习入门系列之六) 山重水复疑无路,最快下降

Hello World感知机,懂你我心才安息 (深度学习入门系列之五)

06-04
更多深度文章,请关注云计算频道:https://yq.aliyun.com/cloud 系列文章: 一入侯门"深"似海,深度学习深几许(深度学习入门系列之一) 人工"碳"索意犹尽,智能"硅"来未可知(深度学习入门系列之二) 神经网络不胜语,M-P模型似可寻(深度学习入门系列之三) "机器学习"三重门,"中庸之道"趋若人(深度学习入门系列之四) 原文再续,书接上回. 5.1 网之初,感知机 我们知道,<

神经网络不胜语, M-P模型似可寻(深度学习入门系列之三)

05-27
系列文章: 一入侯门"深"似海,深度学习深几许(深度学习入门系列之一) 人工"碳"索意犹尽,智能"硅"来未可知(深度学习入门系列之二)   "那些在个人设备里,谦谦卑卑地为我们哼着歌曲的数字仆人,总有一天会成为我们的霸主!" --A.I. winter   在前面的小节中,我们大致了解了机器学习的形式化定义和神经网络的概念,在本小节中,我们将相对深入地探讨一下神经网络中的神经元模型以及深度学习常常用到的激活函数及卷积函数. 3

乾隆会判阿尔法狗死刑吗 ——浅谈当前人工智能的技术进化

05-02
目前,人工智能(AI)非常火爆,有人为之欢呼雀跃,比如说,很多人(特别是程序猿们)纷纷摩拳擦掌去学习AI,以期在未来的职场上分得一碗羹.但也有人心生恐惧,担心AI会逐渐取代人类的工作(比如就有人预言,在未来10年最容易丢掉饭碗的人,反而就是数据攻城狮),并逐渐控制人类. 众所周知,2016年3月,由谷歌的阿尔法围棋(AlphaGo,又称阿尔法狗)以4:1的战胜世界冠军李世石,紧接着,在2016年末至2017年初,AlphaGo的升级版Master(又称大师狗)在围棋快棋对决中,以60场连胜的战绩

开源维护者Lawso:最让人火大的是哪类人?

04-16
更多深度文章,请关注云计算频道:https://yq.aliyun.com/cloud 在物理世界,路与桥等基础设施的建设,人们都非常重视.在思想观念上,比如说"要想富,先修路",已深入人心.在资金保障上,人们也毫不吝啬,比如说,亚投行的建立."一带一路"战略的确立,都是把基础设施的重视,提升到非常显赫的高度. 可是,在数字世界呢? 支撑整个数字世界"纵横捭阖"的各类"基础设施"--软件,特别是占据大半壁江山的开源软件,比如,

HR,你姐姐喊你去看看她是如何进行招聘的?

04-13
当前,大多数公司的技术人员面试流程,都多多少少在扯淡.最终导致的是,老板招不到合适的员工,而求职者也找不到适配的岗位.因此,这中间存在着很大的改进空间.那么,如何改进这一流程呢?来看看Rachel Thomas是怎么说对吧. 这位Rachel姐姐,可不是<老友记>里的那个万人迷瑞秋(Rachel).她是一名数学专业女博士,能写一手好代码,还能提供"传道授业解惑"的培训咨询.目前她就职于http://www.fast.ai/,这是一个技术分享平台,从该公司网站的域名后缀(ai