1. 包容性 ICLR 2019 組織者強調包容性在AI中的重要性，前兩個主要演講——Sasha Rush的開場致辭和Cynthia Dwork的受邀演講——都是有關公平和平等的。以下是一些令人擔憂的統計資

論文：VISUAL SEMANTIC NAVIGATION USING SCENE PRIORS 論文作者：Wei Yang , Xiaolong Wang, Ali Farhadi , A

Single-Agent Policy Tree Search With Guarantees<NIPS2018> https:// arxiv.org/abs/1

栗子 發自 凹非寺 量子位 報道 | 公眾號 QbitAI 能下圍棋、能打刀塔、能玩星際…… 深度強化學習 (DRL) 就快稱霸世界了。 但業界一直有種常見的擔憂： 強化學習 (

郭一璞 發自 凹非寺 量子位 報道 | 公眾號 QbitAI 深度強化學習，可以用來學走路了。 Agility Robotics的雙足機器人 Cassie ，這個沒有上半身的機器人

強化學習是近年來機器學習領域的研究熱點，在遊戲操作、圍棋對弈、多智慧體控制等場景取得了不少令人矚目的進展。在逐步挑戰這些難題的同時，訓練強化學習模型的計算力要求也在大幅度提升。雖然顯示卡裝置經歷了 K40/P4

谷歌提出新演算法以增強深度強化學習效率 該演算法為模擬策略學習，它使用遊戲模型來學習選擇動作的質量策略，主要應用在視訊遊戲領域。 美國兩家化工巨頭再遭LockerGoga勒索攻擊 在新型勒索軟

一、背景介紹 人崗匹配系統是e成HR saas 服務的重要組成部分，主要場景是HR建立職位描述（job description，簡稱jd）後，從人才庫或者使用者主動投遞的簡歷中通過匹配，排序得到最合適該jd

強化學習特別是深度強化學習近年來取得了令人矚目的成就，除了應用於模擬器和遊戲領域，在工業領域也正取得長足的進步。百度是較早佈局強化學習的公司之一。這篇文章系統地介紹強化學習演算法基礎知識，強化學習在百度的應用

數學家阿蘭·圖靈 1950 年的開創性論文引領了人類對人工智慧（AI）的探索，他在這篇論文中提出了一個問題：「機器能否思考？」，那時候唯一已知的能夠進行復雜計算的系統是生物神經系統。因此，毫不奇怪那時候這個新興

近日，谷歌 AI 和 DeepMind 合作建立了深度規劃網路（PlaNet）智慧體，僅基於影象輸入就能學習世界模型，並利用該模型規劃未來。與谷歌一年前提出的 世界模型 相比，PlaNet 的執行不需要策略網

在前面我們討論了基於價值的強化學習(Value Based RL)和基於策略的強化學習模型(Policy Based RL)，本篇我們討論最後一種強化學習流派，基於模型的強化學習(Model Based RL)

論文：https://arxiv.org/pdf/1901.08162.pdf 發現和利用環境中的因果結構是智慧體面臨的一大關鍵挑戰。這裡我們探索了是否可通過元強化學習來實現因果推理（cause

前言 如果沒有機器學習等相關的資料處理技術，或許你根本沒有機會看到人類歷史上的第一張黑洞照片。2017年4月份的從8個臺站記錄了約3500 TB的資料（1TB等於1024GB），量級大到無法用網路，需要

本文來自淘寶 高階前端技術專家 甄焱鯤（甄子 ）在 QCon 2019 全球軟體開發大會的分享 《一個前端智慧化的實踐》 今天小編帶大家一起來深入瞭解一下 。