-
什么是图神经网络？未来如何发展？
图是一种数据结构，它对一组对象(节点)及其关系(边)进行建模。近年来，由于图结构的强大表现力，用机器学习方法分析图的研究越来越受到重视。图神经网络(GNN)是一类基于深度学习的处理图域信息的方法。由于其较好的性能和可解释性，GNN最近已成为一种广泛应用的图分析方法。
-
循环神经网络 RNN发展史概述
循环神经网络(Recurrent Neural Network, RNN)是一类以序列(sequence)数据为输入，在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursive neural network)。对循环神经网络的研究始于二十世纪80-90年代，并在二十一世纪初发展为深度学习(deep learning)算法之一，其中双向循环神经网络(Bidirectional RNN, Bi-RNN)和长短期记忆网络(Long Short-Term Memory networks，LSTM)是常见的循环神经网络。
-
什么是自编码器？对机器学习有什么影响？
AutoEncoder的基本思想是利用神经网络来做无监督学习，就是把样本的输入同时作为神经网络的输入和输出。本质上是希望学习到输入样本的表示(encoding)。早期AutoEncoder的研究主要是数据过于稀疏、数据高维导致计算复杂度高。比较早用神经网络做AutoEncoder的可以追溯到80年代的BPNN和MLP以及当时Hinton推崇的RBM。后来到了2000年以后还坚持在做的只剩下Hinton的RBM了。从2000年以后，随着神经网络的快速兴起，AutoEncoder也得到快速发展，基本上有几条线：稀疏AutoEncoder、噪音容忍AutoEncoder、卷积AutoEncoder、变分AutoEncoder。最新的进展是结合对抗思想的对抗AutoEncoder。
-
简述卷积神经网络发展进程
卷积神经网络的发展，最早可以追溯到1962年，Hubel和Wiesel对猫大脑中的视觉系统的研究。1980年，一个日本科学家福岛邦彦(Kunihiko Fukushima)提出了一个包含卷积层、池化层的神经网络结构。在这个基础上，Yann Lecun将BP算法应用到这个神经网络结构的训练上，就形成了当代卷积神经网络的雏形。
-
什么是深度学习
深度学习是近10年机器学习领域发展最快的一个分支，由于其重要性，三位教授(Geoffrey Hinton、Yann Lecun、Yoshua Bengio)因此同获图灵奖。深度学习模型的发展可以追溯到1958年的感知机(Perceptron)。1943年神经网络就已经出现雏形(源自NeuroScience)，1958年研究认知的心理学家Frank发明了感知机，当时掀起一股热潮。后来Marvin Minsky(人工智能大师)和Seymour Papert发现感知机的缺陷：不能处理异或回路等非线性问题，以及当时存在计算能力不足以处理大型神经网络的问题。于是整个神经网络的研究进入停滞期。
-
可解释性的标准是什么？
有一些特定的标准可用于分类模型解释方法。Christoph Molnar在2018年“可解释的机器学习，制作黑箱模型可解释指南”中提到了一个很好的指南。
-
什么是对抗机器学习？为何要对抗机器学习？
对抗机器学习是一个机器学习与计算机安全的交叉领域。对抗机器学习旨在给恶意环境下的机器学习技术提供安全保障。由于机器学习技术一般研究的是同一个或较为稳定的数据分布，当部署到现实中的时候，由于恶意用户的存在，这种假设并不一定成立。比如研究人员发现，一些精心设计的对抗样本(adversarial example)可以使机器学习模型不能成功地输出正确的结果。针对模型的攻击问题，我们主要分为两大类，就是从训练阶段和推理(inference)阶段来进行讨论。
-
什么是生成对抗网络
生成对抗网络(Generative Adversarial Networks,GAN)是用于无监督学习的机器学习模型，由Ian Goodfellow等人在2014年提出。由神经网络构成判别器和生成器构成，通过一种互相竞争的机制组成的一种学习框架，GAN在深度学习领域掀起了一场革命，这场革命产生了一些重大的技术突破，学术界和工业界都开始接受并欢迎GAN的到来。GAN最厉害的地方是它的学习性质是无监督的，GAN也不需要标记数据，这使得GAN功能强大，因为数据标记的工作非常枯燥。
-
机器学习的经典代表算法总结（二）
从1990到2012年，机器学习逐渐走向成熟和应用，在这20多年里机器学习的理论和方法得到了完善和充实，可谓是百花齐放的年代。代表性的重要成果有：支持向量机(SVM，1995)、AdaBoost算法(1997)、循环神经网络和LSTM(1997)、流形学习(2000)、随机森林(2001)。
-
机器学习的经典代表算法总结（一）
1980年机器学习作为一支独立的力量登上了历史舞台。在这之后的10年里出现了一些重要的方法和理论，典型的代表是：分类与回归树(CART，1984)、反向传播算法(1986)、卷积神经网络(1989)。
-
机器学习算法分类有哪些
机器学习算法可以按照不同的标准来进行分类。按照训练样本提供的信息以及反馈方式的不同，将机器学习算法分为监督学习、无监督学习和强化学习。
-
机器学习的发展历史介绍
机器学习已经成为了当今的热门话题，但是从机器学习这个概念的诞生到机器学习技术的普遍应用经过了漫长的过程。在机器学习发展的历史长河中，众多优秀的学者为推动机器学习的发展做出了巨大的贡献。
-
人工智能极简编年史
近几年，人工智能一直是学术界和产业界研究的热点，对于人工智能将如何改变我们的生活，人们充满想象与期待。人工智能概念的提出，最早可以追溯到1956年的达特茅斯会议，然而，在那之后，人工智能又是如何一步步发展起来的呢？
-
谁人不知半导体“联姻”的苦︱七夕特别版
这话有些偏激，但似乎有点道理。奈何今天题目里的“联姻”不是指人与人，而是圈内的公司与公司。每每想到半导体公司的联姻，我都觉得好苦。自由恋爱？不存在的！爱情不是你想买，想买就能买。有时甚至让你觉得这是一场浩大工程的取经行为，需经历九九八十一难才能修成正果。
-
人工智能有哪些层次?大佬带你看人工智能中下游发展
在这篇文章中，小编将为大家带来人工智能的相关报道。如果你对本文即将要讲解的内容存在一定兴趣，不妨继续往下阅读哦。
-
我们的生活和产业发展越来越离不开物联网
物联网(IoT)是日常生活的重要组成部分，其存在于手机、电脑、可穿戴设备、智能汽车、灯泡、路灯、家用电器、心脏监测器等中。 物联网给予我们更多的控制权、自动化以及提高效率。同样，物联网技术为企业提供了许多提高效率的机会。
-
人工智能机器学习计算和存储同时进行
人工智能 (AI) 应用程序在我们的日常生活中无处不在。随着传感器、5G通信、边缘计算等技术的不断演进，包括汽车、工厂自动化设备、医疗保健设备、各种消费电子产品和小型电池供电的物联网(IoT)在内的大型数据中心)节点，从数字化、网络化功能的增加，逐渐演变为拥有不同层次的“智能”。
-
亚马逊云科技2022 re:Invent创新服务重塑未来 中国巡展活动开启
北京2022年12月20日 /美通社/ -- 亚马逊云科技在2022 re:Invent全球大会上发布了一系列涵盖底层基础架构、计算、数据库、数据分析、AI/ML、安全、行业应用等新的服务及功能，通过不断创新帮助全球客户重塑未来。亚马逊云科技持续加速底层技术创新，推出...
-
人工智能技术让我们的企业变得越来越“聪明”了
AI无处不在，所带来的颠覆性冲击远超过想象，作为科技创新和经济发展的重要驱动力，AI正在进入高速发展期。工业和信息化部公布的测算数据显示，我国人工智能核心产业规模已超过4000亿元，企业数量超过3000家。2021年全球人工智能产业规模达3619亿美元，其中中国占576亿美元。从投融资规模来看，2021年全球人工智能产业投融资金额为714.7亿美元，同比增加90.2%，中国人工智能产业投融资金额为201.2亿美元，同比增加40.4%。
-
人工智能如何影响行业发展和人们生活？
随着人工智能带来的好处，例如提高生产力、降低运营成本和加快产品上市速度等，越来越多企业正在广泛应用人工智能。
wodewedan
thinkfun
田舍郎
xhdzwzj
hokwah111
p_y_h
BearRed
dudu0905@163
xjycug
liw323
hyseyic
982235648
深蓝1988
yuxiyub
doudou666
kwkam
lvlv99
xsw220
davyean
onlydxk
