神经网络

注：文末附【深度学习与自然语言处理】交流群，最近赶ACL，比较忙，很多同学加了没有回过期了，可以重新加一下，备注好的一定会回复，敬请谅解。 1月11日-13日，IJCAI2020在线上将正式举办。深度神经网络（DNNs）在计算机视觉、计算语言学和人工智能等领域已经巨大的成功。然而，DNNs成功的基本原理、DNNs的可信性等方向仍然很大程度上缺乏。 于是张拳石和朱占星老师一起带来了这个可解释性的talk，旨在将关注人工智能可解释性、安全性和可靠性的研究人员、工程师以及行业从业人员聚集在一起。也对对当前可解释人工智能算法的优点和局限性的批判性讨论提供了新的前瞻性研究方向。 大纲如下： 完整ppt和资料地址如下： IJCAI Tutorial on Trustworthiness of Interpretable Machine Learning ​ ijcai20interpretability.github.io 机器学习/深度学习算法/自然语言处理交流群 已建立机器学习算-自然语言处理微信交流群！想要进交流群进行学习的同学，可以直接加我的微信号： HIT_NLP 。加的时候备注一下： 知乎+学校+昵称 （不加备注不会接受同意，望谅解） ，即可。然后我们就可以拉你进群了。群里已经有非得多国内外高校同学，交流氛围非常好。 强烈推荐大家关注 机器学习算法与自然语言处理 账号和

《Deep Learning with Python》 作者介绍 弗朗索瓦 · 肖莱（Francios Chollet），Keras之父，TensorFlow机器学习框架贡献者， Kaggle竞赛教练，个人Kaggle竞赛全球排名曾获得第17名。目前任职于Google，从事人工智能研究，尤其关注计算机视觉与机器学习在形式推理方面的应用。 译者介绍 张亮（hysic），毕业于北京大学物理学院，爱好机器学习和数据分析的核安全工程师，译有《Python数据处理》《Python机器学习基础教程》等。 适用对象 本书的目标读者是那些 具有 Python 编程经验 ，并且想要开始上手机器学习和深度学习的人。 但本书对以下这些读者也都很有价值。 如果你是熟悉机器学习的数据科学家，你将通过本书全面掌握深度学习及其实践。深度学习是机器学习中发展最快、最重要的子领域。 如果你是想要上手Keras 框架的深度学习专家，你会发现本书是市面上最棒的Keras 速成教程。 如果你是研究深度学习的研究生，你会发现本书是对你所受教育的实践补充，有助于你培养关于深度神经网络的直觉，还可以让你熟悉重要的最佳实践。 有技术背景的人，即使不经常编程，也会发现本书介绍的深度学习基本概念和高级概念非常有用。 使用 Keras 需要具有一定的 Python 编程水平。另外，熟悉 Numpy 库也会有所帮助，但并不是必需的

随着人工智能技术的发展与普及，Python超越了许多其他编程语言，成为了机器学习领域中最热门最常用的编程语言之一。有许多原因致使Python在众多开发者中如此受追捧，其中之一便是其拥有大量的与机器学习相关的开源框架以及工具库。根据 http:// builtwith.com 的数据显示，45%的科技公司都倾向于使用Python作为人工智能与机器学习领域的编程语言。 使Python如此受欢迎主要由于： Python从设计之初就是为效率而生，以使项目从开发到部署再在运维都能保持较高的生产力； 坊间有大量的基于Python的开源框架及工具库； Python易于上手，可以说是编程小白的福音； 相比起C、Java、C++来讲，Python的语法更简单，更高级，只需要更少行数的代码便能实现其他编程语言同样的功能； Python的跨平台能力； 正是由于Python简单易用以及高开发效率，吸引了大量的开发者为其创建更多新的机器学习工具库；而又因为大量的机器学习工具库的出现，使得Python在机器学习领域变得如此流行。 下面我们就来探索一下机器学习领域中最受欢迎的十大框架或工具库： Tensorflow 如果你正在使用Python来从事机器学习项目，那么你一定听说过其中一个著名的框架——Tensorflow。Tensorflow框架主要由Google大脑团队开发，主要用于深度学习计算

©PaperWeekly 原创 · 作者｜孙裕道 学校｜北京邮电大学博士生 研究方向｜GAN图像生成、情绪对抗样本生成 背景介绍 BP（反向传播）是有 Geffrey Hinton 在 1988 年发表的论文《Learning representations by back-propagating errors》 中首次被提出来。 该论文从题目到内容到参考文献一共 2 页半，Hinton 也借此工作荣获 2018 年的图领奖。在深度学习领域，BP 的重要程度在怎么强调也不为过，本文会从矩阵的视角对 BP 进行详细推导，为了更好地理解 BP 的工作原理，本文也画了大量的示意图帮助理解。 本文的公式经过自己很多次的推导打磨，尽力做到准确无误，每一张图也是反复的捉摸力求精准表达。本文的阅读难度确实很大，但是因为其重要，我觉得反复抄写下面的推导，也会有很多收获。 引言 在吴恩达的斯坦福机器学习的讲义中关于 BP 原理的介绍只给出了最后的 BP 矩阵的推导结果，略去了中间的推导过程。本文会对略去的推导过程进行补全。为了减少阅读阻碍，BP 矩阵证明过程会从预备知识开始慢慢铺展开来，其中最难啃的部分就是矩阵形式的链式法则。本文文章结构和的各个章节的内容如下： p 3 是一些预备知识介绍了矩阵求导的细节，如果想要看懂之后的 BP 矩阵推导这部分的两个小节一定要看明白 p 4 是关于 4

出品 | AI科技大本营 作者 | 阿司匹林 1月6日，爱奇艺奇遇VR在京召开主题为“谁与争锋”的VR技术发布会，正式发布国内首个CV（计算机视觉技术）头手6DoF VR交互技术——追光，并面向全球VR游戏开发者启动“哥伦布计划”。 至此，爱奇艺奇遇VR面向游戏领域的硬件、软件和生态布局全面铺开。而作为首款搭载追光视觉交互技术方案的VR一体机，定位于“发烧级游戏大作”的奇遇3，也将于第二季度正式发布并开售，剑指Oculus Quest2。 据爱奇艺智能CEO熊文介绍，自2016年进入VR领域，奇遇VR五年时间先后推出了4款成熟产品，包括4K VR一体机、iQUT未来影院等。2017年，爱奇艺智能发布了4K VR一体机，并且首次实现了一体机的Inside Out 6DoF六自由度头部位置跟踪；2019年发布了奇遇2S，是首款real 4K显示的VR 一体机，同时首次和运营商合作实现5G+8K的全景直播；2020年发布了奇遇2 Pro，并支持头手6DoF的功能。 据介绍，过去一年（2020年）奇遇VR在京东等平台夺得6.18、双11销量与销售额双冠，并获得由屹唐长厚基金、清新资本共同投资的数亿元B轮融资，创下2020年至今国内VR领域单笔融资最高纪录。 熊文表示，“2021年奇遇VR要通过自主的技术创新，让中国的VR技术引领下一代计算平台。” 国内首款量产CV头手6DoF VR一体机—

介绍 监督学习和无监督学习有什么区别？ 对于机器学习的初学者和新手来说，这是一个常见的问题。答案 是理解机器学习算法本质的核心。如果没有明白监督学习与无监督学习之间的区别，你的机器学习之旅就无法继续进行 。 实际上，这是你踏上机器学习之旅之初应该学习的东西。如果我们不了解线性回归，逻辑回归，聚类，神经网络等算法的适用范围，就不能简单地跳到模型构建阶段。 如果我们不知道机器学习算法的目标是什么，我们将无法建立一个准确的模型。这就是监督学习与无监督学习的由来。 在这篇文章中，我将用例子讨论这两个概念，并回答一个大问题——如何决定何时使用监督学习或非监督学习? 什么是监督学习？ 在监督学习中，计算机是通过数据来训练的。它从过去的数据中学习，并将学习到的东西应用到现在的数据中，以预测未来的事件。在这种情况下，输入数据和期望的输出数据都为预测未来事件提供帮助。 为了准确预测，输入数据被标记了正确的类别。 监督机器学习分类 重要的是要先记住，所有有监督学习算法本质上都是复杂的算法，分为分类或回归模型。 1） 分类模型： 分类模型用于输出变量可以分类的问题，例如“是”或“否”、“通过”或“失败”。分类模型用于预测数据的类别。现实生活中的例子包括垃圾邮件检测、情绪分析、考试记分卡预测等。 2） 回归模型 ：回归模型用于输出变量为实际值的问题，例如唯一的数字、美元、工资、体重或压力

点击上方 “ AI算法与图像处理 ”，选择加"星标"或“置顶” 重磅干货，第一时间送达 本文转载自：深度学习与计算机视觉 介绍 如今有大量的资源可以用来学习计算机视觉技术，那我们如何从众多教程中进行选择呢？哪个值得我们去投入时间呢？ 如果你也遇到这些问题，那么恭喜你来对地方了。我们通过理解数百种资源来选择值得你花费时间的资源-这就是我们首先推出本文的主要原因之一。 去年，我们广泛地专注于两个技术的学习方法——机器学习和深度学习，但是我们的社区需要更细化的学习路径—— 一个结构化的计算机视觉学习路径 。 这是可以理解的，因为计算机视觉专家的需求和价值在业界遥遥领先。专门研究计算机视觉及其不同方面，你会看到大量招聘人员试图接近你。 我记得当我开始自己的计算机视觉之旅时，我同时参考了多种资源——书籍、文章(当时并不多)、YouTube视频等等。 因此，我很高兴有机会 为你整理这种结构化的计算机视觉学习路径 。在开始学习之前，让我们了解一下为简化你的学习过程而构建的框架。 我们的计算机视觉学习路径框架 每个月都要有其对应的学习结构，这是我们对每个月需要了解的不同方面进行分类的方式： 目标 ：这个月你会学到什么？关键要点是什么？你的计算机视觉之旅将如何进行？我们会在每个月初提及此问题，以确保你知道该月底的立场以及所处的位置 建议时间 ：你每周平均应在该部分上花费多少时间 学习资源

介绍 如今有大量的资源可以用来学习计算机视觉技术，那我们如何从众多教程中进行选择呢？哪个值得我们去投入时间呢？ 如果你也遇到这些问题，那么恭喜你来对地方了。我们通过理解数百种资源来选择值得你花费时间的资源-这就是我们首先推出本文的主要原因之一。 去年，我们广泛地专注于两个技术的学习方法——机器学习和深度学习，但是我们的社区需要更细化的学习路径—— 一个结构化的计算机视觉学习路径。 这是可以理解的，因为计算机视觉专家的需求和价值在业界遥遥领先。专门研究计算机视觉及其不同方面，你会看到大量招聘人员试图接近你。 我记得当我开始自己的计算机视觉之旅时，我同时参考了多种资源——书籍、文章(当时并不多)、YouTube视频等等。 因此，我很高兴有机会为你整理这种结构化的计算机视觉学习路径。在开始学习之前，让我们了解一下为简化你的学习过程而构建的框架。 我们的计算机视觉学习路径框架 每个月都要有其对应的学习结构，这是我们对每个月需要了解的不同方面进行分类的方式： 目标 ：这个月你会学到什么？关键要点是什么？你的计算机视觉之旅将如何进行？我们会在每个月初提及此问题，以确保你知道该月底的立场以及所处的位置 建议时间 ：你每周平均应在该部分上花费多少时间 学习资源 ：该月你将学习的计算机视觉主题的顶级资源集合，其中包括文章，教程，视频，研究论文和其他类似资源 你可以在此处下载该学习路径的相应信息图。

此文从我的ICLR2020工作展开看脑启发AI和通用智能算法的发展路径，集合了我过去一年的演讲和思考内容。 当下的深度学习日子越来越不好过，自动驾驶，智能对话都在陷入一种人工智能不智能的怪圈， 即使最火的CV，其实也是需要大量数据填补的人工智障。 这些困难的根本，在于人工智能不具备人的智能的基础， 而只是模仿了人的思维能力的细节，也就是感知能力。我们来回顾这个人工智能进化的历史 。 首先， 人工智能经历果三个基本范式 ：符号主义， 统计学习， 连接主义。 符号主义: 模拟人的逻辑， 如何把人的逻辑和知识用符号穿起来 。符号主义的本质 = 符号的运算 统计学习： 模拟人类统计学习的过程， 如何从大量的实践总结出有效的特征， 然后根据这些特征的先后重要性排列连接成决策树 。 连接主义： 人类模拟自身大脑的结构，提炼出网络的结构。 然后我们回顾连接主义发展的历史，连接主义的发展可谓三起三落， 所谓起都是因为借鉴了对生物大脑的某个理解而进步， 而衰都是因为达不到人们的预期而衰。 1, 第一次合作： 深度学习的前身-感知机。Warren McCulloch 和 WalterPitts在1943 提出而来神经元的模型， 这个模型类似于某种二极管或逻辑门电路。 事实上， 人们很快发现感知机的学习有巨大的局限性， Minksky等一批AI早期大师发现感知机无法执行“抑或”这个非常基本的逻辑运算

本文作者：馬立 分享嘉宾：白浩杰 文章整理：马立辉 内容来源：百度云智学院 导读 上篇文章，我们重点讲解了卷积神经网络的基本概念及结构。本篇，我们将进行代码实战——完成手写数字识别任务。 本次实验代码是基于百度的深度学习框架—— 飞桨（ PaddlePaddle ）。 本篇文章主要内容包括： 1.创建实验资源 2.项目实战 3.总结 1. 创建实验资源 本次实验将在 百度云智学院实验平台 上进行，该平台已经为大家准备好实验所需环境。实验前，我们需要 创建实验资源 ，步骤如下： 《手写数字识别项目实战》地址为： http://abcxueyuan.cloud.baidu.com/newlab/#/lab_detail/lab_simple_say?id=116 打开该网址进入如下页面，点击： 开始学习 。在弹出的页面中点击 创建资源。 创建资源完成后点击 进入实验 。按以下步骤操作： 步骤一： 步骤二： 步骤三： 步骤四： 步骤五： 按照上述步骤完成实验资源的创建后，便可开始进行实验。 2. 项目实战 2.1 数据集介绍 当我们学习编程的时候，编写的第一个程序一般是打印出"Hello World"。而机器学习（或深度学习）的入门实验，一般是完成MNIST数据集上的手写数字识别任务。原因是手写数字识别属于典型的图像分类任务，比较简单。同时MNIST数据集也很经典