尽管深度学习在人工智能领域做出了巨大贡献，但它还是有一个不太好的地方：它需要大量数据。这是深度学习的先驱者和批评家都同意的一件事。实际上，由于有用数据的有限可用性有限以及处理该数据的计算能力不足，深度学习直到几年前才成为领先的AI技术。

理论物理学家和研究科学家Mehmet Suzen曾表示，二分类任务是机器学习的基础。但是，其性能的标准统计信息是一种数学工具，ROC-AUC很难解释。在这里，引入了一种性能度量，该度量仅考虑进行正确的二进制分类的可能性。

零售业每天收集大量数据，这使其关键流程变得成熟，可以通过机器学习实现自动化。与制造业一起，零售业可能会在未来几年中受益于一种特定的AI技术：机器视觉，也称为计算机视觉。

我们为什么要睡觉？一个明显的原因是恢复我们身体和四肢的力量。但是睡眠的另一个非常重要的作用是巩固记忆并组织清醒时大脑摄入的所有信息。缺乏适当睡眠的人会认知能力下降，记忆力下降。

就像大多数科学家说的那样，我们距开发能够像人类一样有效地解决问题的人工智能还差几十年。在创造通用AI的道路上，人脑（可以说是最复杂的自然创造）是我们掌握的最佳指南。

numpy.polyfit(x, y, deg, rcond=None, full=False, w=None, cov=False)# x:要拟合点的横坐标# y:要拟合点的纵坐标# deg:自由度.例如:自由度为2,那么拟合出来的曲线就是二次函数,自由度是3,拟合出来的曲线就是3次函数

作者 | 读芯术 人工智能与神经科学，这两个看似相隔甚远的学科，实际上有着非常紧密的联系。这两个领域的协作是必然的。 正如DeepMind认为的那样：在如此多的利害关系下，目前神经科学领域和人工智能结合的需求比以往任何时候都更加迫切。 本文将从两个方面探讨这个主题：神经科学如何启发人工智能，以及人工智能如何推...

作者 | 读芯术 在当今这个数据驱动化时代，许多公司旨在利用市场机会来实现更智能化的目标。在先进技术的帮助下，这些公司正在改进它们的生产过程。 最热门的技术进步之一是人工智能（AI）和它的两个子领域：机器学习和深度学习。 公司通过使用这种惊人的技术，可大大提高数据分析效率，从而影响整体业务水平。AI在众多...

妥善管理的大量数据对包括军事在内的许多行业都是福音。如果不知道何时，何地以及在什么资源上进行部署，就不可能进行有效的军事行动。因此，军事大数据可以帮助国防领导人做出更好的决策，前提这些数据不是" 黑暗数据"。

在过去的20年中，一些愤世嫉俗的人一直担心，人工智能（AI）的发展会破坏企业结构，导致大量失业和财富不平等加剧。到目前为止，这些担忧尚未实现。但这并不是说AI并没有从很多方面改变商业世界，AI带来了与挑战一样多的新机会。

经过漫长的冬季之后，人工智能的发展经历了炎热的夏天，这主要归功于深度学习和人工神经网络的发展。更准确地说，对深度学习的新兴趣很大程度上归功于卷积神经网络（CNN）的成功，卷积神经网络是一种特别擅长处理可视数据的神经网络结构。

机器人学家和科幻小说家艾萨克·阿西莫夫（Isaac Asimov）在他的小说《机器人》（1950年）中预测，到2030年，机器人和人工智能将被禁止进入地球。相反，我们看到了人工智能的巨大进步，而且这种趋势可能会在未来十年内持续下去。

尽管"数据科学"、人工智能 （AI） 和机器学习属于同一领域，彼此相互联系，但是它们也有特定的应用背景和意义。它们有时也会有重叠，但基本上它们都有自己的特定的用途。

在2015年，何凯明提出了152层的ResNet,以3.6%的误差摘得了2015年ILSVRC比赛的桂冠，同时ResNet的提出解决了神经网络中因为网络深度导致的“梯度消失”的问题，并提供了一个非常好的思路。我们一般认为，网络结构愈深（复杂，参数多）愈是有着更强的表达能力。

CDA数据分析师 出品 一、提升模型性能 在上一篇文章中，我们了解了AlexNet的优缺点，当时我们提到了过拟合问题还记得么？ 神经网络的一个比较严重的问题就是过拟合问题，在AlexNet论文中采用的数据扩充和Dropout的方法处理过拟合问题。 Data Augmentation(数据扩张，就是对原始数据做一些变化) 数据扩充是防止过拟合的最...

我们提到卷积神经网络技术是一种深度前馈神经网络，在图片分类、图片检索、目标检测、目标分割、目标跟踪、视频分类、姿态估计等图像视频相关领域中已有很多较为成功的应用。

在上期文章中，我们了解了图像识别的大致流程，并对图像处理中涉及的图像预处理和图像分割方法进行了阐述。在本期中，我们会接着上期的内容继续对图处理部分进行细分介绍，并了解卷积神经网络的基本结构以及图像处理相关算法的基本知识。

想必各位机友都知道图像识别技术是人工智能的一个重要领域。随着计算机技术的迅速发展和科技的不断进步，图像识别技术已经在众多领域中得到了应用，其产生的目的是为了让计算机代替人类去处理大量的物理信息，并以此用来识别不同模式下目标和对象的一门技术。

CDA数据分析师 出品 在竞争日益激烈的技术市场中，从高科技初创公司到全球跨国公司都将人工智能视为关键竞争优势。 但是，人工智能行业发展如此之快，以至于很难跟踪最新的研究突破和成就，甚至很难应用科学成果来实现业务成果。 在2020年为了帮助业务制定强大的AI策略，本文总结了不同研究领域的最新趋势，包括自然语言...

去年，图灵奖颁给了熬过寒冬的人；今年，图灵奖颁给了点亮创意之光的人。斯坦福大学计算机图形学实验室教授Patrick Hanrahan和计算机科学家、皮克斯动画工作室联合创始人Edwin Catmull斩获图灵奖！他们的工作对电影制作产生了革命性的影响，并为当今 3D 动画电影铺平了道路，一起来了解好莱坞大片背后的这两个男人。

2016年初，微软推出了AI聊天机器人Tay，该机器人旨在模仿好奇的少女的行为，并与Twitter用户进行精巧的讨论。该项目将展示AI驱动的对话界面的前景和潜力。

对于大多数人来说，关注推荐系统的关键原因可能是金钱。对于亚马逊，Netflix和Spotify等公司而言，推荐系统可带来巨大的参与度和收入。但这是对事物更加愤世嫉俗的看法。这些公司收入增加的原因是因为它们为客户提供了实际价值 –推荐系统为具有很多项目的场景中的用户提供了一种可扩展的方式来个性化内容。

从 2003 年谷歌大数据“三驾马车”论文的发表到现在，大数据技术历经 10 余年，经历了风口到落地再到大规模的普及应用，目前已经成为各大企业尤其是互联网企业的基础设施。十几年中，早期 Hadoop 的大力发展、中期 Kafka、Spark 的异军突起以及现在 Flink 的强势突围，不仅推动大数据成为了企业应用的关键组件，同时为机器...

根据该报告，自动驾驶汽车技术仍处于研发阶段。下面给出的地图描绘了美国的受控测试地点，这些地点使用建模，仿真和道路上的自动驾驶汽车组件和系统。

“落地即一地鸡毛”，这恐怕是前几年大家对 AI 技术落地常见的评价。时间向前推 3、4 年，“豪华团队 + Paper + 比赛刷榜”就是一个团队最好的背书，也是最受资本追捧的。但是，投资总有一天要考虑回报。于是，落地又成为了过去一年被大部分 AI 企业反复提起的词汇。然而，这件事情没有那么容易完成。

每天使用神经网络的应用程序有很多，例如Google的翻译服务，Apple的Face ID iPhone锁和Amazon的Alexa AI驱动的助手。神经网络也在其他领域的一些重要人工智能突破背后，例如诊断皮肤和乳腺癌，让目光投向自动驾驶汽车。

据纽约 / 华盛顿（路透社）消息，特朗普政府官员将原本定于当地时间 2 月 28 召开的，讨论对华为新的出口限制的会议延期至 3 月 11 日。据路透社一周前援引两位知情人士消息称，美国正考虑改变法规，使其能够阻止台积电等公司向华为出售芯片。对华为的一些新禁令原本是此次会议的主要议题之一，但由于会议推迟，该提议暂...

在AI方面，大家听到的最多的进步就是科幻小说中曾经讨论过的技术：从身体里根除疾病的纳米机器人；比人类驾驶更能畅通无阻行驶的自动驾驶汽车；能和皮肤科医生媲美的检测潜在皮肤癌的扫描仪。但是，人们几乎没有听到过这样的话题——什么是由AI驱动的技术通过多种方式来改变常规流程和常见的工作困难，并帮助企业处理平凡...

通过实现沉浸式虚拟现实环境，一些AI应用程序声称可以测试尚未投放市场的产品或零售创意，将它们放在虚拟货架上以研究消费者对实时商品的反应和行为。

1955年，计算机科学家约翰·麦卡锡（John McCarthy）首次创造了“人工智能”一词。当时，人工智能是对可以表现出类人行为并通过著名的图灵测试的计算机的模糊描述。