lizhengjava

lizhengjava

机器学习,图像处理

文章 阅读 26
文章 阅读 11
lizhengjava
lizhengjava

数字营销:AI如何“看透”人类行为模式?

数字营销:AI如何“看透”人类行为模式?市场营销业已成为AI创新的试水之地,尤其是在人类行为建模和AI与人类交互探究层面更具实验价值。机器学习在市场营销首战告捷 AI已在市场营销行业掀起了变革,并将继续推动新的发展。
文章 阅读 19
lizhengjava
lizhengjava

或许,人工智能比你还要老

或许,人工智能比你还要老 如今,据大多数研究公司预测,人工智能将在不远的未来发挥越来越重要的作用,因此,以人工智能为核心的各类宣传也令人眼花缭乱。综上所述,围绕人工智能而进行的一切宣传炒作都是值得的。欢迎来到本世纪的终极恐慌问题。
文章 阅读 17
文章 阅读 17
文章 阅读 19
文章 阅读 15
lizhengjava
lizhengjava

国产深度学习框架MegEngine,三月底即将开源

2020 年我们应该选择哪一种深度学习框架?在重磅介绍 MegEngine 之前,我们不得不向大家介绍一下旷视的人工智能算法平台——Brain++。这还要从深度学习框架的发展历程说起。国产深度学习框架之路 什么是框架?
文章 阅读 15
lizhengjava
lizhengjava

2020年值得关注的10个人工智能趋势

未来一年人工智能技术和市场将会如何发展?2020年值得关注的10个人工智能趋势 很多企业都在采用人工智能,但是,很少有人做得很好。” 2.人工智能有助力运营化 人工智能有潜力成为企业新的操作系统。” 10.将会犯的人工智能错误
文章 阅读 40
lizhengjava
lizhengjava

奶爸为8岁女儿解读深度学习篇之:11个事实

奶爸为8岁女儿解读深度学习篇之:11个事实 机器学习,尤其是深度学习是一个热门话题,你肯定会在媒体上看到流行语「人工智能」。那么为什么最近的热点话题都是关于神经网络和深度学习的呢?事实 2:图像只是一个矩阵 计算机将图像视为矩阵。瞧!
文章 阅读 58
lizhengjava
lizhengjava

阿里开源!轻量级深度学习端侧推理引擎 MNN

阿里开源!轻量级深度学习端侧推理引擎 MNN 近日,阿里正式开源轻量级深度学习端侧推理引擎“MNN”。1、MNN是什么?阿里开源!因此,我们需要一个端侧推理引擎,一个优秀的端侧推理引擎。4.2 为什么要开源 MNN?阿里开源!
文章 阅读 15
lizhengjava
lizhengjava

从Zero到Hero,OpenAI重磅发布深度强化学习资源

虽然有很多资源可以让人们快速了解深度学习,但深度强化学习更具挑战性。一些介绍如何才能做好强化学习研究的经验;各种强化学习算法的单独实现,它们都有非常完善的介绍文档;动作空间;策略;Spinning Up 收录的算法。策略梯度算法的参考文献。
文章 阅读 44
lizhengjava
lizhengjava

揭秘支付宝中的深度学习引擎:xNN

本文介绍支付宝App中的深度学习引擎——xNN。揭秘支付宝中的深度学习引擎:xNN 深度学习——云端还是移动端?揭秘支付宝中的深度学习引擎:xNN 另一方面,DL在云端则意味着数据必须上传。业务落地 支付宝App已经集成了xNN。
文章 阅读 7
文章 阅读 27
lizhengjava
lizhengjava

一篇文章掌握TensorFlow深度学习

TensorFlow从入门到应用 毫不夸张得说,TensorFlow的流行让深度学习门槛变得越来越低,只要你有Python和机器学习基础,入门和使用神经网络模型变得非常简单。那使用Python如何编写TensorFlow应用呢?
文章 阅读 25
lizhengjava
lizhengjava

入门级攻略:机器学习 VS. 深度学习

入门级攻略:机器学习 VS. 深度学习 楔子: 机器学习和深度学习现在很火,你会发现突然间很多人都在谈论它们。机器学习和深度学习的对比 数据依赖 深度学习和传统机器学习最重要的区别是它的性能随着数据量的增加而增强。3. 深度学习和机器学习
文章 阅读 33
lizhengjava
lizhengjava

深度学习在自然语言处理中的应用

本文主要介绍深度学习在自然语言处理中的应用。似乎很简单对吧?深度学习在自然语言处理中的应用 深度学习的介入 深度学习本质上还是一种表示学习的方法。深度学习在自然语言处理中的应用 该用什么数值来表示这个向量呢?每个向量x对应一个隐层的向量h。
文章 阅读 26
文章 阅读 17
lizhengjava
lizhengjava

机器学习-正则化

目前为止我们已经学习了两种机器学习的方法了。如果你去实践,会发现很多问题,其中一项很可能就是过拟合(overfit)的问题。什么是过拟合呢?接下来,哪一个特征项我们要“惩罚”呢?请看梯度下降算法的正则化 机器学习-正则化 到此,正则化讲完。