原创 乾貨|專訪ImageNet冠軍顏水成團隊,如何將比賽成果在企業中落地?

作者|吳少傑 Tina 陳思 編輯|陳思 來源|AI前線2017 年 7 月 26 日,計算機視覺頂會 CVPR 2017 同期舉行的 “超越 ILSVRC” Workshop 上,宣佈計算機視覺乃至整個人工智能發展史上的里程碑—

原创 Kaggle競賽:《NIPS 2017 Adversarial Learning Challenges》

『Kaggle精選』《Getting Started with the NIPS 2017 Adversarial Learning Challenges》鏈接:https://www.kaggle.com/benhamner/advers

原创 乾貨|Hinton、LeCun、Bengio三巨頭權威科普深度學習

藉助深度學習,多處理層組成的計算模型可通過多層抽象來學習數據表徵( representations)。這些方法顯著推動了語音識別、視覺識別、目標檢測以及許多其他領域(比如,藥物發現以及基因組學)的技術發展。利用反向傳播算法(backprop

原创 乾貨| 機器學習 Pipeline 初探(大數據Spark方向)

人類經歷了從農業革命到工業革命,再到信息革命。信息革命,起源於互聯網的誕生,它將會經歷三個階段的躍遷。第一階段,人與人的連接(網絡的雛形),比如:Facebook;第二個階段,讓人們生活更便捷(移動互聯網、物聯網);第三個階段,讓人們生活更

原创 乾貨|TensorFlow數據量少的時候卻佔GPU顯存比較多

作者:Mary_M問題背景:最近在做一個文本多分類的項目,來源於實際的需求場景。具體的情況不多說,但是有一點需要說明的是,場景有多個,每個場景下都有自己的數據,這些數據都是短文本數據。不同的是每個場景中含有的數據量不同。一開始我們做的時候是

原创 【AI頭條&優質資源】中國AI生態報告,崛起的5大因素是?

『優秀課程精選』【紐約大學“機器學習導論”(2016)課程資料】《Introduction To Machine Learning, Spring 2016》鏈接:http://cs.nyu.edu/~dsontag/courses/ml1

原创 【AI頭條&優質資源】時間序列預測模型:使用深度神經網絡RNN+Attention機制

『優秀論文精選』《Time Series Forecasting using RNNs: an Extended Attention Mechanism to Model Periods and Handle Missing Values》

原创 行業|中美人工智能創投現狀與趨勢研究報告

來源:人工智能專家一、人工智能開啓的微智時代人工智能能否完成人類歷史上的顛覆式創新?開啓人類新時代?60餘年來人們對這個話題一直爭論不休。2006年,有個叫Hinton的加拿大人發明了一種訓練深層網絡的新思路,隨後三篇論文炸開了深度學習算法

原创 乾貨|Python 獲取網易雲音樂熱門評論

作者: lyrichu最近在研究文本挖掘相關的內容,所謂巧婦難爲無米之炊,要想進行文本分析,首先得到有文本吧。獲取文本的方式有很多,比如從網上下載現成的文本文檔,或者通過第三方提供的API進行獲取數據。但是有的時候我們想要的數據並不能直接獲

原创 新浪微博Feed流機器學習實踐

本文摘自:新浪微博技術分享

原创 【AI頭條優質資源】從Facebook AI Research開源fastText談起文本分類:詞向量模性、深度表徵和全連接

『Blog精選』《從Facebook AI Research開源fastText談起文本分類:詞向量模性、深度表徵和全連接》鏈接:https://yq.aliyun.com/articles/128589 原文鏈接:https://blo

原创 乾貨|互聯網時代的社會語言學:基於SNS的文本數據挖掘

作者:Matrix67今年上半年,我在人人網實習了一段時間,期間得到了很多寶貴的數據,並做了一些還算有意義的事情,在這裏和大家一塊兒分享。感謝人人網提供的數據與工作環境,感謝趙繼承博士、詹衛東老師的支持和建議。在這項工作中,我得到了很多與衆

原创 【AI頭條&優質資源】深度學習近期和未來有哪些突破?Yann LeCun的Quora解答

優秀論文精選』《A Tour of TensorFlow》鏈接:https://arxiv.org/pdf/1610.01178.pdf 『AI頭條』《麥肯錫AI研究報告》鏈接: https://pan.baidu.com/s/1gePqW

原创 乾貨|GAN for NLP (論文筆記及解讀)

作者:MirandaYangGAN 自從被提出以來,就廣受大家的關注,尤其是在計算機視覺領域引起了很大的反響。“深度解讀:GAN模型及其在2016年度的進展”[1]一文對過去一年GAN的進展做了詳細介紹,十分推薦學習GAN的新手們讀讀。這

原创 乾貨|廣告數據上的大規模機器學習

作者:夏粉_百度