人工智能必须学习的十种深层学习方法

< > >
作者:骆驼
无论是人工智能还是其他学科,都不断地反映学科在学习和研究过程中的历史,总结学科发展的现状,找出最重要的思想,使人们能够永远“把我联系起来”。最近,根据他的研究经验,软件工程师杰姆斯乐总结十深的学习方法人工智能,这是很有启发的。
<H3><a href =“https://towardsdatascience.com/the-10-deep-learning-methods-ai-practitioners-need-to-apply-885259f402c1”目标=“_blank”rel=“nofollow noopener”> 学习方法艾医生10深需要应用

过去十年来,人们对机器学习的兴趣经历了爆炸式的发展。在计算机科学、工业会议和媒体报道中,你可以看到机器学习的影子。但似乎在所有关于机器学习的讨论中,人们常常混淆人工智能能做什么,他们希望AI做什么。
从根本上说,机器学习实际上是用算法从原始数据中提取信息并用某种模型表达出来。然后我们用这个模型来推断我们没有建模的其他数据。
神经网络作为机器学习的一类模型,已经存在了至少50年。神经网络的基本单元是一个节点。它基本上模拟哺乳动物大脑中生物神经元的节点,节点(也模仿生物脑)之间的联系随着时间而演化。
在上个世纪80年代中期和90年代初,许多重要的神经网络被提出,但是为了获得好的结果还需要足够的计算能力和大量的数据集,这在当时是不理想的,所以导致机器学习的热情逐渐降温。二十一世纪初,计算机电源呈现指数增长,计算机技术行业见证了“寒武纪爆炸”,这几乎是不可思议的。深度学习作为这一领域的一个重要框架,在计算能力爆炸式增长的十年中赢得了许多重要的机器学习竞赛。奖金的热度今年仍然没有降温,今天,我们在机器学习的每一个角落都看到了深刻的学习。

为了进一步了解这些,我参加了一个“深度学习”课程,并开发了一个图像识别神经网络和递归神经网络(RNN)和长期记忆(LSTM)自然语言处理。你可以去我的GitHub库查看代码:


https: / / GitHub。COM / khanhnamle1994 /深度学习


最近,我也开始读一些关于深度学习的学术论文。以下是我收集到的几篇对深入学习的发展有重大影响的论文:

1 梯度、学习、和> 基于梯度,“href =”。
意义>强>强>将卷积神经网络引入机器学习世界

作者: Yann LeCun,Leon Bottou,Yoshua Bengio,和Patrick Haffner

2 深Boltzmann和机器(2009)。
提出了一种新的Boltzmann机学习算法,该算法包含若干隐变量层。

作者: Ruslan Salakhutdinov,Geoffrey Hinton

3 建设,高水平,和> 大厦”href =“。
>强>显著性:解决了只使用未标记数据构建高层次、特定类型的特征检测器的问题。

作者: Quoc V. Le,Marc奥雷利奥Ranzato,Rajat Monga,Matthieu Devin,“Monga”,“对与错”。

4 咖啡深卷积-激活功能的通用视觉识别(2013)

含义:发布了深层卷积激活功能——咖啡因的一个开源实现,和所有相关的网络参数,使视觉研究者在一系列的视觉概念的学习范式的实验。

作者: Jeff Donahue,杨青佳,罗vinyals,Ju

资料全部来自网络,如果有问题可以发邮件到站长邮箱