(1)回顾深度学习技术在图像识别,语音识别和自然语言处理上的突破, 可以看到的是一个很清晰的主脉络: 计算速度加快, 缩短了新算法的测试周期,成功的新算法, 迅速彻底地淘汰老算法. 谷歌的资深研究者 Jeff Dean 这样描绘算法测试速度的重要性: 如果一个实验要一个月才会出结果, 没有人会去测试.如果要花费一到四周, 那么只有特别高价值的测试才值得去做….

深度神经网络是否过拟合？

在浏览器中使用TensorFlow.js和Python构建机器学习模型。

关于数据科学，告诉你三个书上没有的东西

实验证明，人工智能可以轻易破译你的密码。

在自然语言处理领域，深度学习的承诺是：给新模型带来更好的性能，这些新模型可能需要更多数据，但不再需要那么多的语言学专业知识。

在清华大学“清华学堂计算机科学实验班”题为《人工智能的黄金时代》的演讲中，创新工场董事长兼CEO李开复对“人工智能”进行了深入浅出的讲解分析。

随着我们进入2017年下半年，是时候看看那些使用数据科学和机器学习的公司面临的共同挑战。假设你的公司已经在大规模收集数据，需要用到分析工具，而且你已经认识到数据科学可以发挥重大作用（包括改善决策或企业经营、增加收入等等），并进行了优先排序。收集数据和识别感兴趣的问题并非小事，但假设你已经在这些方面起了个好头，那么还剩下哪些挑战呢？ 数据科学是一个宽泛的话题，…

神经网络在过去几年中取得了惊人的进步，现在已成为图像识别和自动翻译领域最先进的技术。

随着理论和技术的进步，我们将在未来看到许多混合模型。因此，数学建模和机器学习建模也应当是“合作关系”，而非“竞争关系”。

ICML 2019接收论文贡献数排名前50的机构（学界机构和业界机构） 论文录取结果地址： https://icml.cc/Conferences/2019/AcceptedPapersInitialfbclid=IwAR0zqRJfPz2UP7dCbZ8Jcy7MrsedhasX13ueqkKl934EsksuSj3J2QrrRAQ 最佳论文一：谷歌几乎全…

和人类不同，AI物体识别靠的是小的细节，而不是图像的边界，但是总是有办法来弥补这个差别的！

我们希望机器能够通过低清图像有限的图像信息，推断出图像对应的高清细节，这就需要算法能够像画家一样“理解”图像内容。

预训练模型用起来非常容易，但是你是否忽略了可能影响模型性能的细节呢。

本文总结了一些秋招面试中会遇到的问题和一些重要的知识点，适合面试前突击和巩固基础知识。

本文介绍神经网络，包括对前馈神经网络和递归神经网络的简要说明，并阐述了如何构建一个检测时间序列数据中异常现象的递归神经网络。

Self-trainingforFew-shotTransferAcrossExtremeTaskDifferences:作者提出了这样一种方法，当一个域只有少量的标注数据及大量的未标注数据时，可以在未标记样…

深度学习在单图像超分辨率上的应用：SRCNN、Perceptual loss、SRResNet。

翻译：陈丹 校对：车前子来自：微信公众号 数据派THU 本文是一个教授如何优化神经网络模型的基础教程，提供了具体的实战代码供读者学习和实践。 深度学习的神经网络是采用随机梯度下降优化算法对训练数据进行拟合。 利用误差反向传播算法对模型的权值进行更新。优化和权值更新算法的组合是经过仔细挑选的，是目前已知的最有效的拟合神经网络的方法。 然而，也可以使用交替优化算…

本文从深度学习基础、卷积网络和循环网络三个方面介绍该笔记。