• 最新发布|深度学习必学“圣经”花书出视频课了!附带论文代码精读讲解!

    《深度学习》花书训练营加入训练营,你将获得1提供系统视频课讲解针对书本中数学基础到机器学习、深度学习的理论,我们给大家提供了系统的视频讲解,让你彻底搞懂理论知识2提供企业项目实战讲解导师还融入书籍内容,加入了企业项目中应用的技巧和项目经验,作为课题补充,助你内化所学知识3提供作业视频战讲解我们对作业进行了详细解答,再结合助教批改,让我们知其然更知其所以然4提供论文代码精读讲解不仅如此,我们在这本书系统完善理论知识的基础上还加入了论文代码精读讲解以及论文带读讲解!
  • 基于分割和识别的服饰商品的自动推荐

    常见的有26点的人体姿态估计和19点的人体姿态估计。得到了如下的分割信息最终的商品推荐效果如下;阅读过本文的人还看了以下文章:最全的目标检测算法系列讲解,通俗易懂!CNN-RNN-CTC 实现手写汉字识别yolo3 检测出图像中的不规则汉字同样是机器学习算法工程师,你的面试为什么过不了?
  • 带学深度学习PyTorch框架+源码讲解+实战项目

    深度学习的发展和推进,在某种程度上就是一场框架的争夺战,其中TensorFlow和PyTorch是主流的两个框架。那么PyTorch就是你的不二选择。大家都知道的是,大量研究人员从TensorFlow转投PyTorch。可见,PyTorch正在快速增长,在学术圈中地位一路飙升,大有取代“老大哥”TensorFlow,成为机器学习框架No.1的势头。就目前的情况来看,PyTorch已经制霸学术界,release代码的论文大多数都用pytorch完成的。学术研究就用PyTorch。同时还涉及pytorch的源码以及分析,提高你对pytorch机制的深入认知。
  • 文末福利 | 2019->2020必看的十篇「深度学习领域综述」论文

    在2019年机器学习领域继续快速发展,元学习、迁移学习、小样本学习、深度学习理论等取得很多进展。多模态机器学习旨在构建可以处理和关联来自多种模态的信息的模型。本文不是关注特定的多模态应用,而是研究多模态机器学习本身的最新进展。为了解决这个问题,我们必须求助于机器学习,它支持人工智能的科学研究。随着FSL研究的广泛开展,我们对其进行了全面的综述。由于其广泛的应用前景,迁移学习已经成为机器学习中一个热门和有前途的领域。
  • 被追捧为“圣杯”的深度强化学习已走进死胡同

    现在,在一片追捧声中,终于有人开始质疑深度强化学习的真实作用。几年来,研究人员一直在进行深度强化学习研究,并不断取得进步。到目前为止,我仍然没有看到深度强化学习成功应用到生产系统中的案例。深度强化学习模型进行各种意外动作的报告不计其数。从更传统的机器学习方法转向深度学习的最大好处是,解放了人力劳动工程。我认为,如果有足够的时间、金钱和计算力,每个人都能暴力破解每个动作,深度强化学习几乎可以击败任何游戏。
  • 超越像素平面:聚焦3D深度学习的现在和未来

    具体来说,我们将关注最近的三维目标分类和语义分割的深度学习技术。接着,我们将介绍三种不同的表示三维数据的基本深度学习方法,最后,我们将介绍未来有前景的新研究方向,并且从我们的视角总结该领域未来的走向。它们是激光雷达数据被获取时的原始形式,立体视觉系统和 RGB-D 数据通常在进行进一步处理之前会被转换成点云。我们可以将点云看作是从基础的连续集合表面采样得到的三维点集;多边形网格则希望通过一种易于渲染的方式来表示这些基础表面。这里的问题在于,传统的在二维图像上性能良好的深度学习技术在处理三维数据时
  • 熟练使用TensorFlow,掌握基本的AI算法!2020年还能找到一份高薪的工作嘛?

    2019年大家有没有发现一种社会现象,AI岗位的竞争变得越来越激烈?但同时用人企业却说AI人才非常缺乏?这个看似有点矛盾,但仔细想一想就能发现其中的主要原因还是很多人想涌入AI这个高薪行业,但绝大部分人的能力并不满足这个岗位的要求,几年前如果熟练使用TensorFlow,同时掌握基本的AI算法就可以很容易找到一份高薪的工作,但现在不一样了,AI岗位的要求越来越高,对知识的深度也提出了更高的要求。课程将围绕这3个方向的展开,由浅入深配备以企业级项目实战,4个月时间拿下AI岗位Offer。项目一、基于医疗知识图谱的问答系统医疗+AI领域一向都是行业的热点。
  • 22 张精炼图笔记,深度学习专项学习必备

    学习率较大时,初期收敛很快,不易停留在局部极小值,但后期难以收敛到稳定的值;学习率较小时,情况刚好相反。sigmoid 函数在两侧会出现梯度趋于零的情况,会导致训练缓慢。如上所示,经典机器学习和深度学习模型所需要的样本数有非常大的差别,深度学习的样本数是经典 ML 的成千上万倍。如上图左列所示,L1 和 L2 正则化也是是机器学习中使用最广泛的正则化方法。L1 正则化向目标函数添加正则化项,以减少参数的绝对值总和;而 L2 正则化中,添加正则化项的目的在于减少参数平方的总和。
  • 熟练使用TensorFlow,掌握基本的AI算法!2020年还能找到一份高薪的工作嘛?

    2019年大家有没有发现一种社会现象,AI岗位的竞争变得越来越激烈?但同时用人企业却说AI人才非常缺乏?这个看似有点矛盾,但仔细想一想就能发现其中的主要原因还是很多人想涌入AI这个高薪行业,但绝大部分人的能力并不满足这个岗位的要求,几年前如果熟练使用TensorFlow,同时掌握基本的AI算法就可以很容易找到一份高薪的工作,但现在不一样了,AI岗位的要求越来越高,对知识的深度也提出了更高的要求。课程将围绕这3个方向的展开,由浅入深配备以企业级项目实战,4个月时间拿下AI岗位Offer。项目一、基于医疗知识图谱的问答系统医疗+AI领域一向都是行业的热点。
  • 独家 | 利用OpenCV和深度学习来实现人类活动识别(附链接)

    想要学习如何利用OpenCV和深度学习来实现人类动作检测,请继续阅读本教程。下载OpenCV人类活动识别模型图3:利用OpenCV和深度学习实现人类活动识别所需文件对于接下来的教程,你所需要下载的有:人类活动模型Python + OpenCV源代码用于视频分类的样例你可以在公众号中下载含有全部内容的压缩文件。
  • 好评如潮|带学深度学习PyTorch框架+源码讲解+实战项目

    深度学习的发展和推进,在某种程度上就是一场框架的争夺战,其中TensorFlow和PyTorch是主流的两个框架。那么PyTorch就是你的不二选择。大家都知道的是,大量研究人员从TensorFlow转投PyTorch。可见,PyTorch正在快速增长,在学术圈中地位一路飙升,大有取代“老大哥”TensorFlow,成为机器学习框架No.1的势头。就目前的情况来看,PyTorch已经制霸学术界,release代码的论文大多数都用pytorch完成的。学术研究就用PyTorch。同时还涉及pytorch的源码以及分析,提高你对pytorch机制的深入认知。
  • 铁哥2019长文汇总

    而同时, 一个名叫“类脑智能”的词汇火起来, 这个概念说的是一种比目前深度学习更加接近人脑的智能。为了拯救这种趋势, 模拟人脑再次成为一种希望。我本人做过多年计算神经科学和AI , 做一个抛砖引玉的小结。空间简史-人类认识空间的旅程与其对强化学习的启示本文是对okeefe 1978的论文 cognitive map 的总结和延申。曾在香港浸会大学非线性科学中心工作一年 ,万门童校长好战友。铁哥更系统性的关于人脑智能和人工智能的比较分析可见目前在万门大学开设的新课:模拟人类大脑-跟着许铁老师学人工智能
  • 入职华为,非机器学习科班学生漫长的算法工程师上岸之旅

    先总结一下拿到的offer以及对应的面经:1、vivo,杭州,广告推荐算法工程师。面经:https://www.nowcoder.com/discuss/2002603、字节跳动 搜索团队,上海,算法工程师。面经:https://www.nowcoder.com/discuss/2370585、华为 消费者-云服务-大数据平台部,南京,广告推荐算法工程师。首先看书,周志华老师的西瓜书《机器学习》和李航老师的蓝皮书《统计学习方法》。然后看视频,林轩田的《机器学习基石》和《机器学习技法》,还有吴恩达的那套机器学习入门的视频,相信学这个的人都看过的。
  • 深度学习可以不要乘法,北大、华为诺亚新论文:加法替代,效果不变,延迟大降

    北大、华为诺亚方舟实验室等提出完全用加法代替乘法,用 L1 距离代替卷积运算,从而显著减少计算力消耗。在深度学习中,被广泛使用的卷积运算相当于是衡量输入特征和卷积滤波器之间相似度的交叉相关计算。近日,北大、华为诺亚方舟实验室等的研究者提出了一个名为 AdderNets 的网络,用于将深度神经网络中,特别是卷积神经网络中的乘法,转换为更简单的加法运算,以便减少计算成本。这一研究引起了深度学习社区的热议。然而,高端 GPU 显卡具有很高的能耗,使得在移动设备上部署深度学习系统变得很困难。其中一项开创性的工作便是 BinaryConnect。
  • 11年艺术学习“转投”数学,他出版首本TensorFlow中文教材,成为蚂蚁金服技术大军一员

    而蚂蚁金服技术专家唐源就是这批大军中的一员,也是“异军突起”的一员。厚积而薄发他带着第一本 TensorFlow 的中文教材与大家见面时间回到 2016 与 2017 年。2016 年,AlphaGo 与李在乭的一战,让 AI 成名。2017 年 2 月,第一本 TensorFlow 的中文教材《TensorFlow实战》出现在大家的视野中,这本书就像给国内的学习者、开发者的“学中送碳”,理论结合大量实例代码,成为初学者的必备案牍之作。AI 科技大本营近期再次采访到了唐源本人,和他聊了聊多年来他在美国学习与工作,现加入蚂蚁金服,一路走来的故事。唐源:我是在2018年6月加入蚂蚁金服的,离开上一份工作加入蚂蚁金服主要有以下两个原因。
  • 干货 | 深度学习检测小目标常用方法

    简单粗暴又可靠的Data Augmentation深度学习的效果在某种意义上是靠大量数据喂出来的,小目标检测的性能同样也可以通过增加训练集中小目标样本的种类和数量来提升。在《深度学习中不平衡样本的处理》一文中已经介绍了许多数据增强的方案,这些方案虽然主要是解决不同类别样本之间数量不均衡的问题的,但是有时候小目标检测之难其中也有数据集中小样本相对于大样本来说数量很少的因素,所以其中很多方案都可以用在小样本数据的增强上,这里不赘述。在同一张图中有更多的小目标,在Anchor策略的方法中就会匹配出更多的正样本。
  • 北大数学系毕业,UIUC助理教授60页论文综述深度学习优化

    最近来自UIUC的助理教授孙若愚撰写了一篇关于深度学习优化的综述论文,共60页257篇文献,概述了神经网络的优化算法和训练理论,并得到众多大佬的推荐。为了简单起见,我们将主要讨论前馈神经网络的监督学习问题。为了理解这篇文章,了解机器学习和优化的一些基本理论会很有帮助 ,但也不需要很多优化知识。我们首先简要回顾如何分解机器学习理论以及优化在其中的作用,然后讨论如何对深度学习的优化理论进行进一步的分解。在机器学习中,表示、优化和泛化这三个学科经常被分开研究。深度学习的优化问题比较复杂,需要进一步分解。
  • 连遭Google、Tesla“冷眼”,俄罗斯小伙8个月喜提顶级自动驾驶公司Offer

    作者 | Vladimir Iglovikov译者 | 孙薇编辑 | Jane出品 | AI科技大本营近日,一位在美国工作的俄罗斯小伙子,分享了过去自己 8 个月的求职经历,从物理专业毕业后,就职于一家债务催收公司做数据与传统推荐系统工程。为了更好的弥足这些缺陷,期间他参加了很多 Kaggle 竞赛,也获得过很好的名次,甚至在一次竞赛事件中,在俄罗斯引起了一些关注度,但是正如他所说,这些都入不了 Google、DeepMind 这些知名企业与机构的法眼,与特斯拉也是失之交臂。但是,在这艰难与煎熬的 8个月时间里,他没有放弃,最终他喜提 Lyft 公司的 Offer。最终,我获得了Kaggle Master头衔,并在“超声神经分割”挑战赛中荣获金牌。
  • 新手入门机会来了 | 深度学习入门必备的13张小抄(附下载)

    比如自动配置机器学习算法,工具内部结构良好的处理方式。平台 VS 库机器学习工具有许多。机器学习库机器学习库提供了完成一个机器学习项目部分模块的功能。专注于处理过程,以及如何最大限度地利用机器学习技术。提供了许多专门的程序或机器学习项目特定子任务的编程模型。根据需要的输入和将会得到的输出分解机器学习任务。通过记录或脚本命令和命令行参数来促进有复验性的结果。你可以创建自己的机器学习工具。
  • 利用python爬取丁香医生上新型肺炎数据,并下载到本地,附带经纬度信息

    获取其患病人员分布数据,对于科学研究具有一定的指导意义,因此利用python爬取丁香医生上实时的数据,并将其打包成exe文件,可以本地直接执行,不需配置环境,当然爬取的数据没有经纬度信息,这里我利用百度地图开发者平台,通过市名获取经纬度坐标。软件下载地址:不带经纬度(可用)链接:https://pan.baidu.com/s/1ffcGv7CsaKPPDohFd03pww提取码:ibql带经纬度链接:https://pan.baidu.com/s/1zgPIre_39eG9iQfxTxq1Fg提取码:1tmi执行效果如下:对比丁香医生上数据:所有代码获取本文相关代码项目获取方式:关注微信公众号 datayx 然后回复丁香园 即可获取。
公告

欢迎访问 码农俱乐部  点击这里设置您的邮箱  可以接收站内跟帖、回复邮件提醒,不错过任何一条消息。

关注公众号订阅更多技术干货! 码农俱乐部