機器學習論文及code整理集合

摘要： 關於機器學習的網站，在著名的reddit上獲得國外網友的熱情追捧。

閱讀全文...

機器學習大神最常用的 5 個回歸損失函數

摘要： 「機器學習中所有的算法都需要最大化或最小化一個函數，這個函數被稱為「目標函數」，其中，我們一般把最小化的一類函數，稱為「損失函數」。」本篇文章作者手把手教你找到損失函數達到極小值的點，解決機器學習優化中最重要的部分。

閱讀全文...

人工智慧發展一切順利？美 AI 專家：凜冬將至

摘要： 自深度學習（deep learning）技術問世後，許多人都相信這將是帶領我們逐步走入「通用 AI」（general AI）夢想的關鍵，企業領導者也都在演講中談及 AI 時代將會如何來臨，然而事情真的如此順利嗎？電腦視覺與 AI 領域專家 Filip Piekniewski 並不這麼認為，近日在部落格的一篇文章中，Piekniewski 也詳細談及對於現今 AI 發展進度的看法，在他看來，已經有許多跡象都顯示出 AI 產業的「凜冬將至。

閱讀全文...

當前機器學習成果真的可靠嗎？UCB & MIT 新研究質疑測試

摘要： 近日，UCB和MIT研究者發佈的一篇名爲《Do CIFAR-10 Classifiers Generalize to CIFAR-10?》的新論文提出了學界一個尖銳的問題：包括CIFAR10在內的知名基準測試集，都存在驗證集過擬合問題。

閱讀全文...

現在，AI也懂嗅覺了

摘要： 辨識顏色是件容易的事情：只要光的波長爲510納米，大多數人就會說它是綠色。然而，要想根據一個特定的分子特徵辨識出對應的味道，那是非常困難的。現在這個難題有新的解決方案了。雷鋒網瞭解到，22個計算機科學家團隊公佈了一套算法，能夠根據不同分子的化學結構來辨識不同氣味。這些方案可以發揮什麼作用仍有待觀察。但是有一種可能，這些的算法可以幫助香味商和食品生產者設計新型的氣味劑，而且可以量身定製某種味道。

閱讀全文...

十大AI深度學習方法

摘要： 不論是AI也好，其他學科也好，學習、研究的過程中不斷反思學科的歷史，總結學科的發展現狀，找出最重要的理念，總能讓人能「吾道一以貫之」。軟體工程師James Le近期根據他研究的經驗總結出了AI研究必須要知道的十種深度學習方法。

閱讀全文...

ICLR 2018 | NVIDIA論文：用GAN生成高清圖像

摘要： 雖然ICLR 2018將公開評審改成了評審人和作者相互不知道雙方信息的雙盲評審，但論文的投稿者仍然可以通過其他公開渠道對其論文進行推廣。尤其對於大公司研究院來說，早早公開自己的論文能比盲審有額外加成，例如雷鋒網就注意到，就在上週五ICLR論文投遞截止後不久，NVIDIA在Blog上就發布了一篇通過生成對抗網絡（GAN）產生獨特面孔的新方法，這篇論文正是NVIDIA投遞到ICLR的論文之一。

閱讀全文...

模型表現不好怎麼辦？37個對策整理

摘要： 本篇文章針對機器學習表現的改善上整理出以下對策整理

閱讀全文...

AI領域的蝙蝠俠大戰超人：LeCun與Manning如何看待神經網絡中的結構設計

摘要： 近日，深度學習三駕馬車之一的 Yann LeCun 教授與斯坦福大學 NLP 掌門人 Christopher Manning 教授共同出席了斯坦福 AI 實驗室所舉辦的 AI 沙龍，一同討論了關於「什麼是我們應該加入到深度學習系統中的先驗知識」的話題。儘管兩位教授對此話題有着不同的觀點，但是專家之間思想的碰撞總能帶給大家很多啓發。

閱讀全文...

從Pipenv到PyTorch，總結2017年最受歡迎的十大機器學習Python library

摘要： 本文爲機器學習，盤點了 2017 年以來最受歡迎的十大 Python Library；同時在這十個非常流行與強大的 Python 庫之外，本文還給出了一些同樣值得關注的 Python 庫，如 PyVips 和 skorch。

閱讀全文...

詳實 GAN PyTorch + Keras 的實現集合

摘要： 生成對抗網絡一直是非常美妙且高效的方法，自 14 年 Ian Goodfellow 等人提出第一個生成對抗網絡以來，各種變體和修正版如雨後春筍般出現，它們都有各自的特性和對應的優勢。本文介紹了主流的生成對抗網絡及其對應的 PyTorch 和 Keras 實現代碼，希望對各位讀者在 GAN 上的理解與實現有所幫助。

閱讀全文...

普林斯頓大學提出NeST：為數據自動生成神經網絡

摘要： 普林斯頓大學最近提出的 NeST 方法從新的角度爲神經網絡優化打開了方向。研究人員提出的新技術可以用「種子」神經網絡爲基礎，對特定數據集自動生成最優化的神經網絡，這些生成的模型在性能上超過此前業內最佳水平，同時資源消耗與模型尺寸相比同類模型小了一個數量級。研究人員稱，NeST 方法在工作過程中與人類大腦的成長和處理任務方式非常相近。

閱讀全文...