人工智能

激活学习(activation learning)是一种生物启发的简单本地学习规则构建的前向无监督通用模型，它的核心是构建多层神经网络使得网络输出激活强度能反映输入的相对概率大小。并且，它在一些任务上达到并超过反向传播的表现。激活学习的概念由山东大学教授周洪超在arXiv上提交的一篇文章“Activation Learning by Local Competitions”中提出。 1 激活学习的思

世界杯期间，竞猜一直是大众热爱的玩法之一，由此衍生了不少的梗。 比如2010年，比赛预测正确率高达100%的章鱼保罗。 比如今年，比赛预测正确率差点“高达”0%的抖音网红。 脱离生物（？）界，秉承着“猜对了是科学，猜错了是玄学”的中心思想，AI预测世界杯也吸引了不少流量。 今年6月，Opta Analyst由超级计算机模拟千次后统计推测法国最有可能卫冕，概率高达17.93%。然而四个月后，超级计算

来源：DeepHub IMBA 强化学习的基础知识和概念简介（无模型、在线学习、离线强化学习等） 机器学习(ML)分为三个分支:监督学习、无监督学习和强化学习。 监督学习(SL)：关注在给定标记训练数据的情况下获得正确的输出 无监督学习(UL)：关注在没有预先存在的标签的情况下发现数据中的模式 强化学习(RL)：关注智能体在环境中如何采取行动以最大化累积奖励 通俗地说，强化学习类似于婴儿学习和发现

从单一技术突破到技术平台建设，AI+新药企业在市场推动下，一直走在“证明自己”的路上。在资本市场逐渐冷静之后，AI+制药企业成果落地与商业化问题备受关注。 如何解决国内AI制药企业的商业化难题？如何搭建AI制药底层计算平台？国内外的合作生态有何差异？小型AI制药企业又该如何生存发展？ 近日，动脉新医药联合北鲲云举办线上panel，邀请领域内的代表性企业、投资机构，以AI+新药领域的Big deal

2022 技术邻直播讲师招募 把握现在机遇 双赢美好未来 详情介绍 直播目的：干货知识分享 所属行业：任何行业 （诚邀船舶行业和能源行业的） 直播要求：时间、内容、主题、地点、不限 直播方式：线上讲课模式（以PPT或软件操作为主、无须露脸） 直播设备：一台电脑即可 直播周期：可长期或只直播一两场 直播福利：我们会提供一定的现金补贴！！！ 联系方式 只要感兴趣的用户都可以来咨询 扫码回复【直播咨询】

经典统计学只关注总结数据，而因果关系可解释如何在不实际实施干预的情况下预测干预的效果，表达形式称为“反事实（counterfactual）”。反事实推理涉及假设分析（what-if），反映了现实世界运行模式的特有结构。 当试图回答反事实问题，即：“加入采取了相反的行动会发生什么”，因果模型的重要性就引人注目。对于任何人工智能来说，反事实问题都是最具挑战性的问题，解释效果的机制的问题，以“为什么”为

来源：内容编译自quantamagazine，谢谢。 人工智能算法无法以目前的速度保持增长。像深度神经网络这样的算法——它受到大脑的松散启发，多层人工神经元通过称为权重的数值相互连接——每年都在变大。但如今，硬件改进已无法跟上运行这些海量算法所需的大量内存和处理能力。很快，人工智能算法的规模可能会碰壁。 即使我们可以不断扩大硬件以满足人工智能的需求，也存在另一个问题：在传统计算机上运行它们会浪费大

本周，三星杯世界围棋公开赛落下帷幕，本届三星杯冠军申真谞被戏称为“申工智能”。 在AI介入之后的竞技围棋之中，职业棋手依靠AI进行突破训练，大有人类模仿AI下棋的趋势，同时引起不少围棋爱好者讨论：这样的趋势之下，棋手这一职业还有怎样的意义？围棋又有什么意义？ 本周讨论话题：AI围棋获胜、AI作画获奖都面临无数争议，AI比人类优秀以后，他们会怎样改变人类的生活？人工智能的发展到底给人类带来什么？ 在

源自：控制与决策 作者：薛俊韬 马若寒 胡超芳 摘要 针对深度学习算法在多目标跟踪中的实时性问题, 提出一种基于MobileNet的多目标跟踪算法. 借助于MobileNet深度可分离卷积能够对深度网络模型进行压缩的原理, 将YOLOv3主干网络替换为MobileNet, 通过将标准卷积分解为深度卷积和逐点卷积, 保留多尺度预测部分, 以有效减少参数量. 对于检测得到的边框信息, 利用Deep-S

九月初，技术邻将推出「专业」和「专题」模块。 专题」的使命是让志同道合的工科人相聚，不论是主流技术还是小众软件，都能精准地聚集大批同好邻友。 「专题」归属于「专业」。首次更新，我们将推出近20个「专业」，一百多个「专题」。目录涵盖软件、应用、技术、研究对象...等工科方方面面。 「专题」是属于工科人的表达和交流思想的自由平台，您可以在专题下学习知识、分享案例、结交同行，体验别具特色的工科互动平台。

来源：机器学习研习院 回归分析为许多机器学习算法提供了坚实的基础。在这篇文章中，我们将总结 10 个重要的回归问题和5个重要的回归问题的评价指标。 1、线性回归的假设是什么？ 线性回归有四个假设 线性：自变量（x）和因变量（y）之间应该存在线性关系，这意味着x值的变化也应该在相同方向上改变y值。 独立性：特征应该相互独立，这意味着最小的多重共线性。 正态性：残差应该是正态分布的。 同方差性：回归线

前言 AlphaFold 2，是DeepMind公司的一个人工智能程序。2020年11月30日，该人工智能程序在蛋白质结构预测大赛CASP 14中，对大部分蛋白质结构的预测与真实结构只差一个原子的宽度，达到了人类利用冷冻电子显微镜等复杂仪器观察预测的水平，这是蛋白质结构预测史无前例的巨大进步。这一重大成果虽然没有引起媒体和广大民众的关注，但生物领域的科学家反应强烈。 目前，AlphaFold2的源

国双数据科学团队刘燕 对比 2020 和 2019 年 Gartner 发布的人工智能领域的技术“成熟度曲线”(Hype Cycle)，在短短 1 年时间，知识图谱的成熟度由创新触发阶段一跃达到预期膨胀高峰阶段且非常接近最高点。 知识图谱逐渐成为人工智能应用的强大助力。 曲线表示，知识图谱的发展还需要 5 - 10 年时间才能到达成熟的阶段，知识图谱依然有很大的发展空间。 本文将从知识抽取、知识融

随着计算机算力的不断增长，基于机器学习（神经网络）的方法成为了自然语言处理以及计算机图像识别的新范式。在自然语言处理方面，RNN、LSTM等方法能够有效提取语言之间的前后顺序和相互关系，在机器翻译、语言生成等任务取得了非常好的效果。在图像识别、图像检测等方面，CNN等方法能够有效提取图像之中的模式，刷新了传统图像识别方法的效果。 针对自然语言处理（NLP），最常用的是长短期记忆网络，通常被称为 L

什么是人机交互技术？ 在人工智能电话机器人中，最为重要的技术当然是人机交互，什么是人机交互技术呢？ 人机交互技术（Human-Computer Interaction Techniques）是指通过计算机输入、输出设备，以有效的方式实现人与计算机对话的技术。 人机交互系统的主要组成 1、多模态输入/输出：多模态输入包括键盘、鼠标、文字、语音、手势、表情、注视等多种输入方式；多模态输出包括文字、图形

人工智能三大支柱，即算力、算法、数据，都离不开算力支撑。 最近，AI绘画大热，我们所说的“AI绘画”的概念，指的是基于深度学习模型来进项自动作图的计算机程序。 2012年，Google两位大名鼎鼎的AI大神使用1.6万个CPU训练了一个当时世界上最大的深度学习网络, 用来指导计算机画出猫脸图片. 当时他们使用了1000万个猫脸图片, 1.6万个CPU整整训练了3天, 最终生成到了一个非常模糊的猫脸

“深度学习一点也不难！” 通常情况下，机器学习尤其是深度学习的使用往往需要具备相当的有利条件，包括一个大型的数据集，设计有效的模型，而且还需要训练的方法——但现在，利用迁移学习就可以消除掉这些瓶颈。 作者 | Caleb Kaiser 以下为译文： 在不久之前，为了有效地使用深度学习，数据科学团队需要： · 一种新颖的模型架构，很可能需要自己设计； · 大型数据集，很可能需要自己收集； · 大规模

作者 | Ammie 出品 | 焉知 为何写本文呢？作为实现真正的自动驾驶而言，从现实意义上真的无法实现一步到位。事实上，从某种意义上讲，实现自动驾驶中还有很多阻碍需要克服。比如如何解决驾驶过程中无法预知的conercase，如何实现更多更大意义层面的为用户提供有意义的报警功能以确保适时接管以规避安全。从体验上，如何探索更多对客户有意义的APP能够更快、更准、更智能化的为客户服务。 对于自动驾驶人