-
关于深度学习、人工智能、物联网你了解有多少？
想要了解“深度学习+”，我们必须回到深度学习技术在中国落地生根的历史当中。2006年，辛顿等人意外发现了多层神经网络带来的全新可能性，就此将上世纪80年代已经产生的机器学习技术，推动到了深度学习的新阶段，而深度学习技术在一系列AI测试任务上的优异表现，也重新燃起了人们对AI的期待。客观来说，经历了两次寒冬的AI技术，能够再次复兴的核心要素就是深度学习技术的出现。
-
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。
-
用于可扩展和节能 AI 的基于忆阻器交叉开关的学习系统
得克萨斯 A&M 大学、Rain Neuromorphics 和桑迪亚国家实验室的研究人员最近设计了一种新系统，可以更有效地更大规模地训练深度学习模型。该系统在Nature Electronics上发表的一篇论文中介绍，它依赖于使用新的训练算法和忆阻器交叉开关硬件，可以同时执行多项操作。
-
机器学习、深度学习3大本质区别了解吗?机器学习有哪些数据偏差
在这篇文章中，小编将对机器学习的相关内容和情况加以介绍以帮助大家增进对它的了解程度，和小编一起来阅读以下内容吧。
-
机器学习、AI、DL有何区别?构建机器学习模型应避免哪些错误?
一直以来，机器学习都是大家的关注焦点之一。因此针对大家的兴趣点所在，小编将为大家带来机器学习的相关介绍，详细内容请看下文。
-
如何用机器学习治理网络安全?机器学习在工业领域存在哪些瓶颈?
在下述的内容中，小编将会对机器学习的相关消息予以报道，如果机器学习是您想要了解的焦点之一，不妨和小编共同阅读这篇文章哦。
-
基于实时语义分割模型的机场道面裂缝检测方法研究
摘要:机场道面裂缝影响着飞机的安全起降,当前机场主要依靠传统的人工巡查方式检测道面裂缝。随着深度学习算法的快速发展,语义分割模型在保证精度的前提下推理速度不断提高,为自动实时检测道面裂缝提供了技术支撑。在此背景下,结合语义分割模型的研究成果,提出了一种在机器人巡检过程中实时检测机场道面裂缝的方法。
-
如何构建机器学习模型?数据挖掘、机器学习和深度学习有何区别
一直以来，机器学习都是大家的关注焦点之一。因此针对大家的兴趣点所在，小编将为大家带来机器学习的相关介绍，详细内容请看下文。
-
AI大佬怼怼怼的背后，究竟暗藏哪些玄机？
在四年前的争论中，Marcus认为：“深度学习必须通过一些借鉴自经典符号系统的操作得到增强，也就是说需要充分利用经典人工智能技术（允许显式地表示层次结构和抽象规则）的混合模型，并将其同深度学习的优势相结合。”事实上，符号学派的历史颇为悠久，如果说蒸汽机和发动机开启了第一次产业革命，内燃机和电动机发动了第二次产业革命。人工智能掀起的新一轮从模拟化到数字化的革命就是自符号学派开始的。
-
大脑建模师：不要相信深度学习
过去20年间，深度学习通过一系列有效的商业应用在人工智能研究和项目中占有优势。但光彩背后，一些根深蒂固的问题威胁着技术的提升。举例来说，典型的深度学习程序无法很好地执行一项以上的任务，严重限制了该技术在严格控制环境下特定任务的应用。更严重的是，有人称深度学习不可信，因为其无法解释，而且它不适合某些应用程序，可能出现的遗忘可导致灾难性后果。说得更直白一点，即使算法确实有效，也不能完全了解为什么有效。虽然深度学习工具正在慢慢学习新的数据库，但其学习记忆的任意部分都可能会突然发生崩溃。
-
嵌入式视觉和边缘人工智能需要注意的五件事
首先，没有人感到惊讶，深度学习仍然是该领域的主导力量。它从根本上改变了计算机视觉的可能性，以及我们如何做到这一点。它使开发更多地由数据驱动而不是代码驱动，它改变了我们使用的工具和技术。但数据是一种痛苦。你从哪里得到它?你需要多少?你如何得到更多?你怎么知道你有正确的数据?
-
AI、机器学习、深度学习有何联系?机器学习3大算法介绍!
机器学习将是下述内容的主要介绍对象，通过这篇文章，小编希望大家可以对机器学习的相关情况以及信息有所认识和了解，详细内容如下。
-
L3级自动驾驶的技术原理是什么?自动驾驶三个要素了解吗?
自动驾驶将是下述内容的主要介绍对象，通过这篇文章，小编希望大家可以对自动驾驶的相关情况以及信息有所认识和了解，详细内容如下。
-
机器学习如何基于学习策略分类?机器学习、深度学习比较!
一直以来，机器学习都是大家的关注焦点之一。因此针对大家的兴趣点所在，小编将为大家带来机器学习的相关介绍，详细内容请看下文。
-
Imagination和Visidon联合开发基于深度学习的超分辨率技术
IMG Series4 NNA帮助先进的AI软件大幅提升图像和视频的分辨率
-
基于RF和深度学习的中长期用电量预测研究
摘要:针对中长期用电量受多源因素综合影响的特点,先给出了众多与用电量相关的协变量,然后运用随机森林)RF）方法对单一解释变量的重要性进行了数学估计,从中识别出重要变量,在此基础上构建了基于深度信念网络)DBN）的预测模型。结合算例详细介绍了该模型原理与建立过程,交叉验证显示,经RF变量选择后能够排除冗余特征、增益预测性能:同时DBN算法优于RF和支持向量机)SVM）等传统方法。
-
清晰易懂讲解机器学习，机器学习和深度学习有什么区别?
以下内容中，小编将对机器学习、机器学习和深度学习的区别的相关内容进行着重介绍和阐述，希望本文能帮您增进对机器学习的了解，和小编一起来看看吧。
-
无人驾驶“起飞”，成都和广州智能无人车进入“深度学习”
2021年，汽车产业由电动化时代急速向智能化时代演进，智能汽车的发展竞争全面展开。先后获批建设国家新一代人工智能创新发展试验区、国家人工智能创新应用先导区，成都已正式加入这场竞赛。
-
工业机器人的工作原理和自身结构
工业机器人已经渗透到各行各业，帮助人们完成焊接、搬运、喷涂、冲压等各项任务，那么你有思考过机器人是怎么做到这一些的吗？它的内部结构又是怎样的呢？
-
基于迁移学习的电力负荷预测研究
摘要:电力负荷预测是智能电网建设的基础,对我国未来碳计量工作具有重要作用。基于智能算法的电力负荷预测需要大量的历史数据作为模型训练样本,而新建城区或电力计量基础较为落后地区,难以收集大量准确的历史数据用于训练模型,导致难以准确进行电力负荷预测。现通过深度学习网络构建电力负荷预测模型,并基于迁移学习算法构建既有建筑电力数据和新建建筑电力负荷间的联系,通过既有建筑负荷历史数据训练所得模型来预测新建建筑电力负荷,以南京市某办公建筑为例验证所构建的负荷预测模型,预测误差可保持在7.8%以内,所提出的电力负荷预测方法可为实际电力负荷预测计量提供参考。
