對比TensorFlow提升樹與XGBoost的梯度提升方法

摘要： 幾個月前，TensorFlow 發佈了梯度提升方法的調用接口，即 TensorFlow 提升樹（TFBT）。不幸的是，描述該接口的論文並沒有展示任何測試效果和基準的對比結果，所以 Nicolò Valigi 希望能對 TFBT 和 XGBoost 做一個簡要的對比，並分析它們之間的性能差異。我們介紹了該測試與 TFBT 的原論文，且 TF 1.4 及以上的版本也可測試該提升樹模型。

閱讀全文...

從零開始：如何使用LSTM預測匯率變化趨勢

摘要： 在這篇文章中，我們將通過 LSTM 討論時序預測模型，數據科學家 Neelabh Pant 也會爲大家描述他利用循環神經網絡預測貨幣兌換匯率的經驗。

閱讀全文...

Goodbye Google Trend, Hello Tiingo!

摘要： Google Finance no longer provides data for historical prices or financial statements, so we say goodbye to getSymbols.google() and getFinancials.google(). (#221) They are now defunct as of quantmod 0.4-13.

閱讀全文...

Google Brain Residency

摘要： Ryan Dahl, the founder of Node.js, shared his thoughts over the year participating in Google Brain Residency Program.

閱讀全文...

從圖像處理到語音識別，25款數據科學家必知的深度學習開放數據集

摘要： 深度學習（或生活中大部分領域）的關鍵在於實踐。你需要練習解決各種問題，包括圖像處理、語音識別等。每個問題都有其獨特的細微差別和解決方法。

閱讀全文...

深度探討GB、GBDT、xgboost

摘要： GBDT和xgboost在競賽和工業界使用都非常頻繁，能有效的應用到分類、回歸、排序問題，雖然使用起來不難，但是要能完整的理解還是有一點麻煩的。本文嘗試一步一步梳理GB、GBDT、xgboost，它們之間有非常緊密的聯繫，GBDT是以決策樹（CART）為基學習器的GB算法，xgboost擴展和改進了GDBT，xgboost算法更快，準確率也相對高一些。

閱讀全文...

春假書單 -15篇近期值得一讀的AI論文

摘要： 連假開始，你的論文存貨還夠嗎？對人工智慧感興趣的你，是否還停留在碎片閱讀階段？想要進行更深一步的學習，本篇推文中網羅了人工智慧領域15篇精選論文，讓你及時了解AI學科前沿成果。

閱讀全文...

[MIT課程]波士頓動力CEO等10位明星講師，涵蓋AGI、深度學習等11大課程

 

摘要： 11節 麻省理工學院 的通用人工智慧課程。講師陣容超豪華：谷歌技術總監Kurzweil、特斯拉AI總監Andrej Karpathy、波士頓動力CEO Marc Raibert、OpenAI的聯合創始人Ilya Sutskever等。課程內容包括：通用人工智慧、計算認識科學、認知建模、深度學習等。文中附有課程講義下載和課程視頻地址。

閱讀全文...

機器學習十大算法

摘要： 機器學習與人工智慧變得越來越熱。大數據原本在工業界中就已經炙手可熱，而基於大數據的機器學習則更加流行，因為其通過對數據的計算，可以實現數據預測、為公司提供決策依據。

閱讀全文...

生成對抗網絡（GANs）紅遍AI圈：技術進展大盤點

摘要： 蒙特婁大學Ian Goodfellow等學者提出「生成對抗網絡」（Generative Adversarial Networks，GANs）的概念，並逐漸引起AI業內人士的注意。

閱讀全文...

還為構建神經網絡發愁？谷歌大腦的自動架構搜索簡直如虎添翼 | ICLR

摘要： 神經網絡是功能強大而又靈活的模型，在圖像，語音以及自然語言理解等學習任務上有良好的效果。儘管神經網絡很成功，但設計一個好的神經網絡仍然十分困難。為了能夠使設計神經網絡變得簡單，谷歌大腦團隊發表了一篇名為《Neural architecture search with reinforcement learning》的文章，該文章使用循環網絡來生成神經網絡中的模型描述，並用強化學習訓練這個RNN，以最大限度的提高驗證集中生成的架構的準確性。

閱讀全文...

【CVPR 2018熱文】MIT提出「透明設計」網絡，揭開視覺黑盒

摘要： MIT和普朗克航空系統公司的研究人員合作，提出了一類「透明設計網絡」，在李飛飛等人提出的視覺理解資料庫CLEVR上達到了99.1%的準確率，他們設計的模塊使用注意力機制，縮小了現有視覺理解模型在性能和可解釋性之間的差距，相關論文已被CVPR 2018接收，你也可以用公布的代碼構建自己的視覺理解模型。

閱讀全文...