DeepMind一次性开源3个新框架!深度强化学习应用落地即将迎来春天?

本文转自雷锋网,如需转载请至雷锋网官网申请授权。
深度强化学习(DeepReinforcementLearning,DRL)一直是近年来人工智能的一些重大突破的核心。然而,尽管DRL有了很大的进步,但由于缺乏工具和库,DRL方法在主流解决方案中仍然难以应用。因此,DRL仍然主要是以研究形式存在,并没有在现实世界看到许多采用机器学习的应用方案;而解决这个问题就需要更好的工具和框架。
就在最近,D

一步一步带你完成深度学习与对象检测之人脸识别

通过往期的分享,我们了解到人脸识别的大概过程,主要包括:
1、人脸图片的搜集(原始数据)
2、从图片中识别到人脸
3、人脸数据提取
4、人脸数据保存
5、从图片或者视频中检测到人脸
6、人脸数据提取
7、被识别的人脸与数据库中的数据一一对比,识别出人脸
以上人脸识别过程,存在一定的问题,当人脸原始数据比较大时,数据库中必然存在比较多的人脸数据,当进行人脸识别时,被识别的人脸与数据库中的数据对

看懂这十步,8岁的小朋友都能理解深度学习

在对技术毫无了解的人看来,人工智能是什么?
《流浪地球》里的AI语音助手MOSS么?还是《终结者》里的天网?
如果对当今人工智能的主流技术——深度学习没有了解,可能真的会有人觉得,当前的科学家们在创造无所不能、无所不知的电影AI形象。
那么,如何用最浅显的方式,给大众解释什么是深度学习呢?
法国博主Jean-LouisQueguiner撰写了这篇《给我8岁的女儿解释深度学习》,以用深度学习技术

PyTorch版《动手学深度学习》开源了,最美DL书遇上超赞DL框架

李沐等人的开源中文书《动手学深度学习》现在有PyTorch版实现了。不论是原书中的示例代码,还是实战项目,原来的MXNet都可以无缝转化到PyTorch代码。项目作者在保持原书内容基本不变的情况下,将MXNet代码都转换为了PyTorch,想要学习DL和PyTorch的小伙伴们可以试试啊。

项目地址:https://github.com/ShusenTang/Dive-into-DL-PyT

怎么解决Linux LVM I/O报错

哪个平台有最新的机器学习发展现状和最先进的代码?没错——Github!本文将会分享近期发布的七大GitHub机器学习项目。这些项目广泛覆盖了机器学习的各个领域,包括自然语言处理(NLP)、计算机视觉、大数据等。

顶尖的Github机器学习项目
1.PyTorch-Transformers(NLP)
传送门:https://github.com/huggingface/pytorch-tran

采用人工智能面临的挑战

人们需要了解采用人工智能的挑战,例如数据、人员和业务。

人工智能正在进入更多的行业,越来越多的公司已经体验到了实施人工智能的好处。尽管人工智能正在发展并越来越受欢迎,但许多企业仍然无法采用这种新技术改进业务。这是为什么?
企业可能担心人工智能实施的原因有很多。在2019年,O’Reilly公司出版了一本电子书,总结了对企业采用人工智能的调查结果,并列出了阻碍进一步实施人工智能的一些最常见因素

女性科技,女性能够从中期待什么

女性科技(Femtech)是一个术语,适用于关注女性健康的科技工具。该领域包括向女性提供生育解决方案、怀孕、生理周期跟踪、性健康和生殖系统保健方面的数字援助。

历史上,还没有一个专门面向女性的技术市场。此外,那些生产和销售明确针对女性消费者的数字产品公司也都失败了。然而,近年来情况正在发生变化,许多初创公司已经意识到主流科技公司在生产明确针对女性需求的数字产品方面存在缺失。2015年,女性科

一部电影能否大卖?用机器学习来精准预测吧

电影数据库(TMDB)为电影数据提供了一个API,人们可以从该数据库中下载数据。那么,在仅知道电影上映前的部分信息的情况下,是否能预测电影的评分和票房?什么参数最能预测一部好的或最卖座的电影?采用什么阵容或用什么演员是否能帮助预测电影票房?
我们随机地在90%的电影上做了一个模型,并在剩下的10%的电影上测试了该模型。而对于这些测试模型的电影:

准确地预测电影票房具有一定的挑战性。按照外行的

人工智能背后的人工力量:机器学习必需数据标注

资料图:市民用手机体验最新产品。殷立勤摄
“目前我国已有庞大的数据加工队伍,仅北京就有一百多家专门从事数据标注的公司,全国从事这项工作的人大概超过千万,很多头部的互联网技术企业都有自己的数据标注公司。”
目前人工智能落地场景不断丰富,智能化应用正改变着我们的生活。而在AI产业高速发展的背后,数据标注师这个新职业的从业人数也正在壮大。数据标注行业流行着一句话,“有多少智能,就有多少

快速跟踪人工智能实现的5种方法

围绕人工智能这一重要支持技术的快速成功,可以进一步增加对更广泛的数字转型和创新举措进行更多投资的商业案例。
准备和实施人工智能项目可能是一个多年的旅程。根据新的调查数据,只有28%的受访者表示,其第一年就通过了人工智能规划阶段。这是由于一些因素造成的,其中包括技术的相对成熟度(至少在不断扩展的一系列行业用例中是这样)、所涉及的复杂程度(例如广泛的集成需求、有限的企业经验和缺乏内部技能集)、对人