線性迴歸 理論 線性迴歸最簡單和最經典的機器學習模型之一。 任何一個機器學習模型都會有如下4個要素： 訓練資料 數學模型 損失函式 計算方法 訓練資料

個人簡介： 經過秦院長這麼多年的實戰經驗，他制定了一套針對於人工智慧 0基礎的程式設計師知識體系。 除了有程式設計基礎，如果懂一點Python那也不錯哦！ 但是我們也是會

首先和大家說一聲對不起，昨天由於平臺安全問題，賬號被黑入，傳送了與本平臺主旨背道而馳的內容，發現問題我們立馬刪除了，在此向大家說一聲抱歉。 我們“計算機視覺戰隊”微信公眾號，之後還會

網站連結：https://okai.brown.edu/zh/index.html OKAI 的設想最初是由馬家駒提出的。在布朗大學和羅德島藝術學院讀雙學位的他，意識到 AI 如火如荼的發展給人們所帶來的除

谷歌人工智慧部門 最近開源了GPipe ，這是一個用於快速訓練大規模深度學習模型的TensorFlow 類庫。 深層神經網路（DNN）主要用於解決自然語言處理和視覺目標識別等人工智

Women in Data Science 與合作伙伴共同發起了 WiDS 資料馬拉松競賽（WiDS datathon）。賽題是建立一個能夠預測衛星影象上油棕種植園存在情況的模型。 Planet 和 Fig

目前，AI早已成為各行業熱點關鍵詞，物理安防行業也不例外，人工智慧也是一股有可能改變和重新塑造行業的重要力量。 廣義的人工智慧（AI）指的是關於機器計算的智慧，而非人類本身。在安防行業，我們所說的AI

DSSM(深度語義匹配模型) 模型原始論文Learning Deep Structured Semantic Models for Web Search using Clickthrough

可靠、穩健、可泛化的 語音識別 是機器學習領域一個持續的挑戰。通常，訓練自然語言理解模型需要包含數千小時語音和數百萬（甚至數十億）單詞文字的語料庫，以及能夠在合理時間內處理這些資料的強大硬體。

紅色石頭之前在某乎上回答“機器學習該怎麼入門”這個問題的時候，曾經給入門學者提過一個建議，就是放棄海量資料。確實，資料不在多而在精！一份優秀的資料完全可以幫助我們快速地入門和進階。 今天給大家推薦一份最近新

我們的世界是一個非線性的世界，我們能否讓機器來學習現實中很多複雜的問題呢？從人類大腦結構中受到的啟發，人們開始在一定程度上模擬大腦的結構。既然大腦能夠理解這個世界，那人工神經網路應該也是可以的。

從去年愛奇藝推出豎屏短劇《生活對我下手了》，到最近Netflix推出動畫短片集《愛，死亡和機器人》，迷你劇的時長、內容和形態各不相同，但越來越多的人開始瞄準這一藍海。 在國外，夢工廠的聯合創始人傑弗裡·卡森

AFM模型(Attentional Factorization Machine) 模型原始論文Attentional Factorization Machines:Learning the W

神經網路學習的目的是找到使損失函式的值儘可能小的引數。這是尋找最優引數的問題，解決這個問題的過程稱為 最優化 。而在深度神經網路中，引數的數量非常龐大，最優化問題也就十分複雜。 之前我們學過 隨機梯度

編者按：本文轉自懂懂筆記，作者木子，創業邦經授權轉載。 對，懂懂筆記說的就是近來風靡一二線城市的“貓咖”。 貓咖不是新鮮事物，一兩年前就已經開始出現，但是其商業模式的“痛點”卻是這