想让AI安全可靠,从了解算法的泛化能力开始

在新数据中,深度学习系统执行(泛化)能力如何?其性能如何?要想建立AI系统的信赖度和可靠性,必须估计算法的泛化能力。

我们能信任AI吗?AI是否会像人类酗酒一样毫无顾忌?一但AI启动,是否会毁灭世界?
统计学习理论意义何在?
AI系统必须安全可靠,一旦启动AI,算法才能按预期执行。确保AI算法性能良好是提高其采用度和信任度的必由之路[5]。
此外,决策人在欧盟委员会发布的《可信赖AI的伦理准

新手必看的Top10个机器学习算法 学会了你就是老手

总共有多少机器学习的模型?不知道,没人统计过,如果加上各种变体的话,那就更加多了去了。想到这个,你头大不大?那是不是所有都要去学,都要去了解呢?当然不是,不过,下面的这10个算法,如果你是新手的话,一定要去好好学学,搞懂了这些,其他的就是举一反三的事情了。
在机器学习中,有一个叫做“没有免费午餐”的定理。简而言之,它指出,没有一种算法对每一个问题都是最有效的,它尤其适用于监督学习(即预测建模)

从人工智能 (AI)发展应用看算法测试的测试策略

随着人工智能的发展与应用,AI测试逐渐进入到我们的视野,传统的功能测试策略对于算法测试而言,心有余而力不足,难以满足对人工智能(AI)的质量保障。

结合在人脸检测、检索算法上的测试探索、实践的过程,本文将从以下几个方面介绍人工智能(AI)算法测试策略。

算法测试集数据准备
算法功能测试
算法性能测试
算法效果测试(模型评估指标)
算法指标结果分析
算法测试报告

我们将算法测试测试流程中的

使用百度EasyDL在临床检验中实现对抗学习算法

  
EasyDL是百度为小型商业企业或个人提供的AI图像识别方案,具备简单、易于操作、快速形成图像识别类产品的优势。EasyDL让中小型企业及个人可以在很短的时间赋能AI特长,将图像识别投入到生产或者兴趣制作之中,它可作为一套极为优秀的技术解决方案的基石。
图像特征学习算法是从传统图像模式识别算法中衍生的新型算法,其算法原型借鉴于LeicaBiosystems的下属品牌Aperio系列软件I

Boosting和Bagging: 如何开发一个鲁棒的机器学习算法

导读
机器学习和数据科学需要的不仅仅是将数据放入python库中并利用得到的结果。数据科学家需要真正理解数据和数据背后的过程,才能实现一个成功的系统。这篇文章从Bootstraping开始介绍,让你听懂什么是Boosting,什么是Bagging。
机器学习和数据科学需要的不仅仅是将数据放入python库中并利用得到的结果。
数据科学家需要真正理解数据和数据背后的过程,才能实现一个成功的系统。

医生正在利用深度学习算法帮助患者治疗癌症

 
▲液体活检具有显著的成本效益,能够极大简化活组织检查的整体流程
根据维基百科的描述,最早的活检诊断源自十一世纪的一位阿拉伯医生之手。“活组织检查”biopsy这一术语中的bios意为生命,源自希腊语中的opsis,意为视觉。这种方法最初于十九世纪引入,从那时起,医学研究人员与从业者们先后开发出多种技术,从而对活体器官或组织进行检查,并通过进一步观察判断患者体征。以肠活检管为代表的各类现代器

机器学习算法在IDS中的应用

【51CTO.com快译】得益于近年来机器学习技术的飞速发展,人们正在将各种自动化且具有扩容预测能力的技术,运用到网络安全系统的加固上。
众所周知,网络安全的最常见风险来自入侵,其中包括:蛮力破解、拒绝服务、网络渗透等方面。而现如今,随着网络行为模式的改变,业界普遍认为单凭静态数据集的策略,是无法捕获流量的具体组成、并予以拦截的。因此我们有必要采用一种动态的方式,来检测和防御各种入侵。
也就

利用数据分析量化协同过滤算法的两大常见难题

【51CTO.com原创稿件】推荐系统自从问世以来解决了许多不同的商业产品问题,深受广大互联网从业者的喜爱。传统的互联网电商公司像阿里巴巴和京东已经把推荐系统当成了自己的核心技术资产之一,而新兴的互联网产品像今日头条和抖音,也早已把推荐系统作为了自己的技术立足之本。然而伴随着推荐系统的蓬勃发展,一些推荐系统在技术上的挑战和困难却总是挥之不去。
在优化算法的过程中,工程师总是强调分析数据进一步提

惊喜还是惊吓?盘点机器学习算法的「高能」瞬间

编者按:「水可载舟,亦可覆舟」,这句老话相信我们都很熟悉,套用到机器学习上,即是带给我们诸多便利的机器学习算法,一个不小心,将因为意想不到的理由带到我们「惊喜」。原作者对一篇论述此现象的论文进行了解读,雷锋网AI科技评论将之编译如下。
机器学习算法与其他计算机程序存在很大的不同。在一般编程行为中,人类程序员都会告诉计算机具体做些什么。来到机器学习,人类程序员只会提供问题,算法必须通过反复试验来

如何利用CLimF算法设计推荐系统

【51CTO.com原创稿件】自2010年开始,推荐系统领域出现了许多不同的排序学习的方法。所谓排序学习,指的是推荐系统机器学习算法优化的指标是推荐给用户的物品的排名,而不是具体的评分。排序学习解决问题的思路一般是首先提出一个需要优化的信息检索领域的指标,然后对其进行优化。因为这个指标通常是不光滑的,所以首先需要对这个指标进行近似,使得其成为一个光滑函数。信息检索的指标不同,产生了不同的算法。