BT

如何利用碎片时间提升技术认知与能力? 点击获取答案

rss
  • 他的粉丝

    迁移学习实战:从算法到实践

    作者 罗远飞 关注 1 他的粉丝 发布于  2017年8月10日

    迁移学习是把一个领域(即源领域)的知识,迁移到另外一个领域(即目标领域),使得目标领域能够取得更好的学习效果。通常,源领域数据量充足,而目标领域数据量较小,迁移学习需要将在数据量充足的情况下学习到的知识,迁移到数据量小的新环境中。但是,如何形式化的描述所要迁移的知识,使用何种方法迁移知识,以及何时迁移是有效的、何时是有副作用的,是使用者所要关注的重点和难点,本次分享主要集中在前两个方面。至于如何保证迁移的有效性,目前并没有很好的理论来支持。

  • 他的粉丝

    如何解决特征工程,克服工业界应用 AI 的巨大难关

    作者 陈雨强 关注 3 他的粉丝 发布于  2017年8月2日

    人工智能是一个非常炙手可热的名词,且已经成功应用在语音、图像等诸多领域。但是,现在人工智能有没有达到可以简单落地的状态呢?工业界的人工智能需要什么技术呢?带着这些问题开始我们的思考。

  • 他的粉丝

    从算法实现到MiniFlow实现,打造机器学习的基础架构平台

    作者 陈迪豪 关注 3 他的粉丝 发布于  2017年8月1日 1

    基础架构(Infrastructure)相比于大数据、云计算、深度学习,并不是一个很火的概念,甚至很多程序员就业开始就在用 MySQL、Django、Spring、Hadoop 来开发业务逻辑,而没有真正参与过基础架构项目的开发。在机器学习领域也是类似的,借助开源的 Caffe、TensorFlow 或者 AWS、Google CloudML 就可以实现诸多业务应用,但框架或平台可能因行业的发展而流行或者衰退,而追求高可用、高性能、灵活易用的基础架构却几乎是永恒不变的。 因此,今天的主题就是介绍机器学习的基础架构,包括以下的几个方面: 基础架构的分层设计; 机器学习的数值计算; TensorFlow 的重新实现; 分布式机器学习平台的设计。

他的粉丝

机器学习的最小可用产品:人工智能应用的敏捷开发

作者 田枫 关注 0 他的粉丝 发布于  2017年7月28日

机器学习想要转化价值,最关键的一步是什么? 一个业务问题,埋坑无数,该如何巧妙转化,转变为机器学习的问题? 要平衡机器学习开发人力和时间成本,怎样才能找到最优产出比?

他的粉丝

2017年,你还在用用户画像和协同过滤做推荐系统吗?

作者 周开拓 关注 0 他的粉丝 发布于  2017年7月24日

如何使用大规模机器学习解决真实的业务问题?我们今天会以机器学习中的一个典型场景为例来讲解,即基于大规模机器学习模型的推荐系统。

他的粉丝

杨强教授漫谈《西部世界》、生成式对抗网络及迁移学习

作者 杨强 关注 0 他的粉丝 发布于  2017年5月8日

近日,杨强教授在[范式大学]内部课程中,与大家分享了他在 “生成式对抗网络模型“ 和迁移学习等领域的独特见解和最新思考。

他的粉丝

第四范式先知平台的整体架构和实现细节

作者 胡时伟 涂威威 关注 0 他的粉丝 发布于  2016年11月14日

本文是11月3日大数据杂谈群分享的内容。本文讲述了第四范式的“先知”平台的整体架构和一些实现细节。 1. 为什么人工智能系统需要高维大规模机器学习模型 2. 训练高维大规模机器学习模型算法的工程优化 3. 机器学习产品的架构实践

登陆InfoQ,与你最关心的话题互动。


找回密码....

Follow

关注你最喜爱的话题和作者

快速浏览网站内你所感兴趣话题的精选内容。

Like

内容自由定制

选择想要阅读的主题和喜爱的作者定制自己的新闻源。

Notifications

获取更新

设置通知机制以获取内容更新对您而言是否重要

BT